NumPy入门(一)

NumPy入门(一)

工具: jupyter notebook

jupyter notebook 功能 :

1. 数据处理 （python 处理数据功能） coding
2. 文字型的描述 富文本 word
3. 可视化支持

官网: https://jupyter.org/

启动命令 jupyter notebook

1.1 numpy简介

Python的拓展库, 提供数据对象 ndarray, 运算速度上快于python中的list

1.2 ndarray 属性

• ndim: 维度
• shape: 形状
• size: 总长度
• dtype: 元素类型

1.3 创建 ndarray

1. 创建一个一维数组(其中display可以进行输出)
   
   2 .属性

   arrtwo = np.array([[1,2,3],[4,5,6]])
   # display输出效果
   display(arrtwo)
   '''
   array([[1, 2, 3],
          [4, 5, 6]])
   '''
   # print 输出效果
   '''
   [[1 2 3]
   [4 5 6]]
   '''
   ######### 属性操作 ##########
   # 获取数组维度
   arrtwo.ndim #  2 二维
   
   # 获取数组形状
   arrtwo.shape # (2, 3) 2行3列
   
   # size：总长度
   arrtwo.size # 6
   
   # dtype：元素类型
   arrtwo.dtype  # dtype：元素类型
   

1.3.1 强制类型统一

numpy设计初衷是用于运算的，所以对数据类型进行统一优化

注意：

• numpy默认ndarray的所有元素的类型是相同的
• 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int
  如:
  

1.3.2 numpy 数据类型

1.3.3 使用 numpy 的常规函数创建数组

1. np.ones(shape, dtype=None, order=‘C’), 生成元素都为1

shape: 形状，使用元组表示

2. np.zeros(shape=(3,1),dtype=np.uint8), 生成元素都为0的数组, 形状为3行1列
   
3. np.full(shape=(3,3), fill_value=6) , 生成元素都为一个值,6填满的数组
4. np.eye(N=3,M=2,k=1)

   N:int型，表示的是输出的行数
   M：int型，可选项，输出的列数，如果没有就默认为N
   k：int型，可选项，对角线的下标，默认为0表示的是主对角线，负数表示的是低对角，正数表示的是高对角。
   

5. np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 生成等间距的数组

start, stop 开始结束, num: 生成个数, endpoint 是否包含终点, restep 是否返回步长

6. np.arange([start, ]stop, [step, ]dtype=None) start, stop 开始结束, step 设置步长, 默认为1

7. np.random.randint(low, high=None, size=None, dtype=‘l’) 生成随机整数的一个函数

low (int): 随机整数的下限（包含此值）。
high (int, 默认为 None): 随机整数的上限（不包含此值）。如果未指定，则默认为 low + 1，即生成 [low, low+1) 的区间内的整数。
size (int 或 tuple of ints, 默认为 None): 生成随机整数数组的形状。如果为 None，则返回一个标量整数。如果指定形状，将生成一个具有该形状的多维数组，其中每个元素都是指定范围内的随机整数。

8. 正态分布函数

• np.random.randn(d0, d1, …, dn) 标准正态分布
• np.random.normal() 普通正态分布

正态分布: 正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形。

9. np.random.random(size=None) 生成0到1的随机数，左闭右开

10. np.random.permutation(10) 生成随机索引

11. 随机种子, 添加种子: np.random.seed(1)
    

1.4 ndarray 读写操作

1.4.1 索引访问

ndarray 的高维数组访问，使用 [dim1_index, dim2_index…]

1.4.2 列表访问

1. 1维数组中使用

生成一个数组的随机排列
ndarray 也可以同时作为 ndarray对象的索引列表

arr = np.random.randint(1,100, size=10)
display(arr)
# array([95, 24, 64, 26, 64, 21, 92, 62, 56, 70])

# 对原数组进行随机排序
arr[indexs] # 随机排列作为索引不会对原数组元素影响， 仅仅对原数据元素位置影响
# array([70, 64, 95, 26, 64, 92, 24, 56, 21, 62])

2. 高维数组中使

1.4.3 切片访问

注意：
adarray 的访问形式：
adarray[dim1_index, dim2_index, … dimn_index]
dim_index支持的形式 :
int [int] 切片 bool列表
其中只返回 True 的值

1.5 ndarray的级联和切分

1.5.1 级联

级联的注意事项：

• 级联的参数是列表：一定要加中括号或小括号
• 维度必须相同
• 形状相符
• 级联的方向默认是shape这个tuple的第一个值所代表的维度方向
• 可通过axis参数改变级联的方向

• numpy.concatenate是NumPy库中用于连接（拼接）多个数组的函数。它允许您将同一维数的多个数组沿着指定的轴（axis）合并为一个新的单一数组
  
• np.hstack与np.vstack 函数简化以上concatenate 操作
• vstack 竖着连
  
• hstack 横着连
  

1.5.2 切分

与级联类似，三个函数完成切分工作：

• np.split
• np.vsplit
• np.hsplit

• indices_or_sections int 会按照指定的轴向，讲数组切分成N等分， 要求切分的方向上的长度能被N整除

	a1, a2 = np.split(arr, indices_or_sections=2, axis=0)
	display(a1, a2)1

输出效果：

• indices_or_sections [m,n] 表达的是 按照0:m, m:n, n:的切片逻辑对数组进行拆分 【左闭右开区间】

np.split(arr, indices_or_sections=[2,3], axis=1)

• 简化上面函数操作，出现了 vsplit 纵向切，hsplit 横向切

h horizontal 横向
v vertical 纵向

1.6 ndarray 运算

1.6.1 基本运算原则

• 两个矩阵运算，就是对应位置的数据的运算， + - * / 等

1.6.2 广播 Broadcast

ndarray广播机制的两条规则
如果

• 两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符
• 或其中的一方的长度为1

则认为它们是广播兼容的。 广播会在缺失和（或）长度为1的维度上进行。

1.7 ndarray的聚合操作

1.7.1 求和 sum

• sum() 求整个数组和
• sum(axis=0) 求每一行的和
• sum(axis=1) 求每一列的和

ndarray 中的空值表示：np.nan， nan为float

• np.sum 和 np.nansum 的区别
  

1.7.1 any() 和 all()

• any 一个数组中，如果至少存在一个True, any函数就返回True
• all 一个数组中，如果全都是True, all函数就返回True

1.7.4 常见聚合函数