在python 中有时候我们用数组

　　在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率，
　　
　　类似于R的向量化操作，是的数据的操作趋于简单化，在python 中是使用numpy模块可以进行数组和矢量计算。
　　
　　下面来看下简单的例子
　　
　　import numpy as np
　　
　　data=np.array([2,5,6,8,3]) #构造一个简单的数组
　　
　　print(data)
　　
　　结果：
　　
　　[2 5 6 8 3]
　　
　　data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组
　　
　　print(data1)
　　
　　结果：
　　
　　[[2 5 6 8 3]
　　
　　[0 1 2 3 4]]
　　
　　我们也可以通过shape和dtype方法查看数组的维度和数据格式
　　
　　print(data.shape)
　　
　　print(data.dtype)
　　
　　print(data1.shape)
　　
　　print(data1.dtype)
　　
　　结果：
　　
　　(5,)
　　
　　int32
　　
　　(2, 5)
　　
　　int32
　　
　　可以看出data是一维数组，每组元素为5个，数据类型为32位int 类型
　　
　　data1 为二维数组，每个组有5个元素，数据类型为32位int类型
　　
　　有一个较好的区分方法是看打印结果中，中括号的层数和位置，就可以看出数组的维度，一层中括号代表一个维度。
　　
　　其他的数组属性方法还有：
　　
　　array.ndim 数组的维数，一维数组结果为1，二维数组打印结果为2
　　
　　array.size 数组的元素个数
　　
　　array.itemsiz 数组每个元素的字节大小
　　
　　接下来我们了解下数组中的数据类型：
　　
　　NumPy中的基本数据类型
　　
　　名称 描述
　　
　　bool 用一个字节存储的布尔类型（True或False）
　　
　　inti 由所在平台决定其大小的整数（一般为int32或int64）
　　
　　int8 一个字节大小，-128 至 127
　　
　　int16 整数，-32768 至 32767
　　
　　int32 整数，-2 ** 31 至 2 ** 32 -1
　　
　　int64 整数，-2 ** 63 至 2 ** 63 - 1
　　
　　uint8 无符号整数，0 至 255
　　
　　uint16 无符号整数，0 至 65535
　　
　　uint32 无符号整数，0 至 2 ** 32 - 1
　　
　　uint64 无符号整数，0 至 2 ** 64 - 1
　　
　　float16 半精度浮点数：16位，正负号1位，指数5位，精度10位
　　
　　float32 单精度浮点数：32位，正负号1位，指数8位，精度23位
　　
　　float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位
　　
　　complex64 复数，分别用两个32位浮点数表示实部和虚部
　　
　　complex128或complex 复数，分别用两个64位浮点数表示实部和虚部
　　
　　基础的数组运算
　　
　　数组也可以进行我们常用的加减乘www.csyll66.com 除运算
　　
　　arr=np.array(np.arange(10))
　　
　　arr1=np.array(np.arange(1,11))
　　
　　print(arr*2)
　　
　　结果：
　　
　　[ 0 2 4 6 8 10 12 14 16 18]
　　
　　print(arr+arr1)
　　
　　结果：
　　
　　[ 1 3 5 7 9 11 13 15 17 19]
　　
　　注意，相加两个数组长度要一样
　　
　　接下来我们看下数组索引
　　
　　arr=np.arange(10)
　　
　　用下标直接进行www.honqili66.com 索引
　　
　　print(arr[5])
　　
　　结果为：
　　
　　5
　　
　　切片索引
　　
　　print(arr[5:8])
　　
　　结果为：
　　
　　[5 6 7]
　　
　　可以利用索引对数据进行更改操作
　　
　　arr[5]=120
　　
　　print(arr)
　　
　　结果为：
　　
　　[ 0 1 2 3 4 120 6 7 8 9]
　　
　　可以看到下标为5的数已经变成120了。
　　
　　此外，数组还可以进行布尔操作
　　
　　arr=np.arange(5)
　　
　　name=np.array www.yxin7.com (['a','b','b','c','a'])
　　
　　print(name=='a')
　　
　　结果为：
　　
　　[ True False False False True]
　　
　　即满足条件的数据全部以True的结果输出。
　　
　　接下来我们可以利用name数www.lxinyul.cc 组设置条件后的布尔值对arr数组进行相关操作
　　
　　print(arr[name=='a'])
　　
　　结果为：
　　
　　[0 4]
　　
　　即把arr中对应于name中a相对应位置www.wuxing1688.cn的元素打印出来。
　　
　　多条件操作
　　
　　result=(name='a')|(name='c')
　　
　　print(result)
　　
　　print(name[result])
　　
　　结果为：
　　
　　[ True False False True True]
　　
　　['a' 'c' 'a']
　　
　　接下来，我们了解下ufunc方法
　　
　　用于操作单个数组的函数有如下：
　　
　　用于操作两个或多个数组的方法
　　
　　相关的函数方法使用
　　
　　np.meshgrid 用于生成多维矩阵
　　
　　a,b=np.meshgrid(np.arange(1,5),www.yigouyule.cn np.arange(2,4))
　　
　　print(a)
　　
　　print(b)
　　
　　结果为：
　　
　　[[1 2www.lxinyul.cc  3 4]
　　
　　[1 2 3 4]]
　　
　　[[2 2 2 2]
　　
　　[3 3 3 3]]
　　
　　按照数据最少的数组形成数组
　　
　　np.where 是三元表达式 x if condition else y的矢量化版本
　　
　　arr1=np.arange(5)
　　
　　arr2=np.arange(20,25)
　　
　　condition=np.array www.ycyc66.cn ([1,0,1,0,0])
　　
　　result=np.where(condition,arr1,arr2)
　　
　　print(arr1)
　　
　　print(arr2)
　　
　　print(result)
　　
　　结果为：
　　
　　[0 1 2 3 4]
　　
　　[20 21 22 23 www.yxin7.com  24]
　　
　　[ 0 21 2 23 24]
　　
　　可以看出，result的结果中，条件为1的显示数组arr1的内容，条件为0的显示arr2的内容
　　
　　数学统计方法
　　
　　在数组中我们也可以使用数学统计方法进行计数，例如sum mean std 等
　　
　　arr=np.random.randint(1,20,10)
　　
　　print(arr)
　　
　　print(np.mean(arr))
　　
　　print(np.sum(arr))
　　
　　print(np.std(arr))
　　
　　结果为：
　　
　　[19 14 8 13 13 10 10 9 19 7]
　　
　　12.2
　　
　　122
　　
　　4.01995024845
　　
　　具体的方法内容如下图所示：
　　
　　布尔型数组的相关统计方法
　　
　　arr=np.arange(-20,10)
　　
　　result=(arr>5).sum()
　　
　　print(arr)
　　
　　print(result)
　　
　　结果为：
　　
　　-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
　　
　　-2 -1 0 1 2 3 4 5 6 7 8 9]
　　
　　4
　　
　　可以对数据进行判断后进行个数求和
　　
　　其他的数组方法还有
　　
　　数据的读取和存储
　　
　　线性函数的常用方法
　　
　　arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])
　　
　　print(arr)
　　
　　print(np.dot(arr,2))
　　
　　结果为
　　
　　[[ 4 6 5 1 6]
　　
　　[14 16 11 10 18]]
　　
　　[[ 8 12 10 2 12]
　　
　　[28 32 22 20 36]]
　　
　　dot方法可以进行矩阵相乘操作
　　
　　其他方法如下图
　　
　　最后我们了解下numpy中的随机数生成方法
　　
　　上面的很多例子中我们已经用到了随机数生成，
　　
　　arr=np.random.random(10)
　　
　　print(arr)
　　
　　结果为
　　
　　[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
　　
　　0.42150977 0.27728599 0.50888291 0.62288808]
　　
　　其他形式的随机数生成方法
　　
　　了解以上numpy的操作方法，基本的数据操作问题应该不是很大了。