Numpy的基础使用

数据分析: 是把隐藏在一些看似杂乱无章的数据背后的信息提取出来,总结出所研究对象的内在规律

数据分析的三剑客: Numpy, Pandas, Matplotlib

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

一, 创建ndarry

使用np.array()创建

import numpy as np   # 约定使用np

np.array([1, 2, 3, 4, 5])  # 一维数组

array([1, 2, 3, 4, 5])

np.array([[1, 2], [1, 2]])  # 二维数组

array([[1, 2],

       [1, 2]])

np.array([[1, 'two'], [1, 2.3]])

array([['1', 'two'],

       ['1', '2.3']], dtype='<U11')

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，则自动统一为同一类型，优先级：str>float>int

使用案例:

使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

import matplotlib.pyplot as plt   # 约定使用plt

img_arr = plt.imread('./ceshi.bmp')

img_arr  # 三维数组

array([[[255, 255, 255],

        [255, 255, 255],

        [255, 255, 255],

        ...,

        [255, 255, 255],

        [255, 255, 255],

        [255, 255, 255]]], dtype=uint8)

plt.imshow(img_arr)  # 将三维数组展示成图片

<matplotlib.image.AxesImage at 0x1470e667160>

plt.imshow(img_arr - 50) # 操作该numpy数据，该操作会同步到图片中,发现眼色变了

<matplotlib.image.AxesImage at 0x14713a59cc0>

2. 使用np的routines函数创建

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

np.linspace(0, 100, 10)  # 返回等差数列的一维数组   第三个参数表示元素的个数

array([  0.        ,  11.11111111,  22.22222222,  33.33333333,

        44.44444444,  55.55555556,  66.66666667,  77.77777778,

        88.88888889, 100.        ])

np.arange([start, ]stop, [step, ]dtype=None)

np.arange(0, 100, 2)  # 返回等差数列的一维数组   第三个参数表示步长

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32,

       34, 36, 38, 40, 42, 44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66,

       68, 70, 72, 74, 76, 78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98])

np.random.randint(low, high=None, size=None, dtype='l')

np.random.randint(0, 100, size=(3, 5)) # 获得一个3行5列的二维数组,数组的每个元素是0-100的随机数

array([[74, 54, 26, 79, 64],

       [ 3, 14,  4, 41, 10],

       [29, 96, 61, 16, 70]])

np.random.randint(0, 100, size=(3, 2, 4)) # 三维数组

array([[[17, 31, 72, 71],

        [68, 71, 69, 60]],

       [[47, 91, 94, 32],

        [ 9, 54, 47, 71]],

       [[ 6, 96, 34, 25],

        [13, 51, 29, 34]]])

随机函数的原理
- 时间种子(随机因子)：无时无刻都在变化的值(系统时间)
- 固定随机因子就可以固定随机函数的随机性

np.random.seed(90)

np.random.randint(0, 100, size=(3, 5))  # 每次得到的数组都是一样的

array([[91, 29, 31, 67, 39],

       [68, 58, 37, 18, 74],

       [96, 51, 30, 80, 18]])

np.random.random(size=None)

np.random.random(size=(3, 4))  # 0-1的随机数

array([[0.65727519, 0.1262984 , 0.5755297 , 0.39088299],

       [0.17033964, 0.42278594, 0.94238902, 0.29860718],

       [0.36670103, 0.39093547, 0.53337014, 0.97951138]])

二、ndarray的属性

主要参数:

ndim：维度
shape：形状(各维度的长度)
size：总长度
dtype：元素类型

type(img_arr)

numpy.ndarray

img_arr.ndim  # 三维

img_arr.shape  # 形状: 三个数表示维度是三

(519, 500, 3)

arr = np.array([[1, 2, 3], [1, 2, 3]])

arr.shape  # 二维数组时,(2, 3): 第一个元素可以看作数组的行数,第二个元素看作数组的列数

(2, 3)

arr.size   # 数组的总长度

arr.dtype   # 数组的元素类型

dtype('int32')

三、ndarray的基本操作

索引

arr = np.random.randint(0, 100, size=(5, 8))

arr

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [19, 72, 40, 90, 69, 11, 91, 72]])

根据索引修改数据

arr[0]  # 第0行

array([43, 84,  3, 27, 75, 62, 17, 50])

arr[[0, 1]]   # 第0行, 第1行

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36]])

arr[0, 3]  # 第0行, 第3列

arr[0, [2, 3, 4]]  # 0行, 2, 3, 4列

array([95, 40, 64])

切片

一维数组的切片与列表完全一致, 多维时同理

arr

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [19, 72, 40, 90, 69, 11, 91, 72]])

# 获取二维数组前两行

arr[0:2]

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36]])

# 获取二维数组前两列

arr[:, 0:2]    # arr[行, 列]

array([[43, 84],

       [98, 95],

       [47, 77],

       [86, 54],

       [19, 72]])

# 获取二维数组前两行和前两列数据

arr[0:2, 0:2]

array([[43, 84],

       [98, 95]])

# 将数组的行倒序

arr[::-1, :]

array([[19, 72, 40, 90, 69, 11, 91, 72],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [43, 84,  3, 27, 75, 62, 17, 50]])

# 列倒序

arr[:, ::-1]

array([[50, 17, 62, 75, 27,  3, 84, 43],

       [36, 54, 51, 64, 40, 95, 95, 98],

       [95, 54, 32, 97, 97, 93, 77, 47],

       [ 8, 61, 53, 52, 33, 46, 54, 86],

       [72, 91, 11, 69, 90, 40, 72, 19]])

# 行列均倒序

arr[::-1, ::-1]

array([[72, 91, 11, 69, 90, 40, 72, 19],

       [ 8, 61, 53, 52, 33, 46, 54, 86],

       [95, 54, 32, 97, 97, 93, 77, 47],

       [36, 54, 51, 64, 40, 95, 95, 98],

       [50, 17, 62, 75, 27,  3, 84, 43]])

# 将图片进行倒置操作

plt.imshow(img_arr[::-1])   # 行倒序, 上下翻转, 其余翻转同理

<matplotlib.image.AxesImage at 0x14713cc2080>

# 裁剪出小黄人的眼镜

plt.imshow(img_arr)

<matplotlib.image.AxesImage at 0x14714164978>

plt.imshow(img_arr[50:220, 60:280])

<matplotlib.image.AxesImage at 0x147144fd940>

变形

使用arr.reshape()函数，注意参数是一个tuple！
元素总数不可变

arr = np.random.randint(0, 100, 40)

arr

array([49, 49, 68, 31,  7, 18, 89, 80, 66, 29, 68, 42, 31, 42, 61, 58, 29,

       88, 74, 64, 34, 53, 62, 57, 61, 60, 61, 47, 99, 15, 54, 24,  3, 90,

       10, 71,  4, 34, 52,  1])

将一维数组变形成多维数组

arr.reshape((4, 10))  # 将arr变形为4行10列

array([[49, 49, 68, 31,  7, 18, 89, 80, 66, 29],

       [68, 42, 31, 42, 61, 58, 29, 88, 74, 64],

       [34, 53, 62, 57, 61, 60, 61, 47, 99, 15],

       [54, 24,  3, 90, 10, 71,  4, 34, 52,  1]])

arr.reshape((4, -1))   # -1表示依照另一个参数自动计算

array([[49, 49, 68, 31,  7, 18, 89, 80, 66, 29],

       [68, 42, 31, 42, 61, 58, 29, 88, 74, 64],

       [34, 53, 62, 57, 61, 60, 61, 47, 99, 15],

       [54, 24,  3, 90, 10, 71,  4, 34, 52,  1]])

将多维数组变形成一维数组

arr = np.random.randint(0, 100, size=(5, 8))

arr

array([[10, 21, 77,  5,  5,  2, 54, 84],

       [88, 24, 15, 98, 16, 75, 93, 38],

       [75, 85,  6, 61, 89,  7, 70, 55],

       [44, 65, 94, 26, 88, 41, 25, 75],

       [51, 40, 66, 65, 84, 11, 98, 12]])

arr.reshape((40))

array([10, 21, 77,  5,  5,  2, 54, 84, 88, 24, 15, 98, 16, 75, 93, 38, 75,

       85,  6, 61, 89,  7, 70, 55, 44, 65, 94, 26, 88, 41, 25, 75, 51, 40,

       66, 65, 84, 11, 98, 12])

级联

np.concatenate()

1.一维，二维，多维数组的级联，实际操作中级联多为二维数组

np.concatenate((arr, arr), axis=1) # 将arr与arr拼接,1表示x轴拼接,0表示y轴拼接

array([[10, 21, 77,  5,  5,  2, 54, 84, 10, 21, 77,  5,  5,  2, 54, 84],

       [88, 24, 15, 98, 16, 75, 93, 38, 88, 24, 15, 98, 16, 75, 93, 38],

       [75, 85,  6, 61, 89,  7, 70, 55, 75, 85,  6, 61, 89,  7, 70, 55],

       [44, 65, 94, 26, 88, 41, 25, 75, 44, 65, 94, 26, 88, 41, 25, 75],

       [51, 40, 66, 65, 84, 11, 98, 12, 51, 40, 66, 65, 84, 11, 98, 12]])

2.合并两张照片

plt.imshow(np.concatenate((img_arr, img_arr), axis=1))

<matplotlib.image.AxesImage at 0x147146be6d8>

img_arr_3 = np.concatenate((img_arr, img_arr, img_arr), axis=1)

img_arr_9 = np.concatenate((img_arr_3, img_arr_3, img_arr_3), axis=0)

plt.imshow(img_arr_9)

<matplotlib.image.AxesImage at 0x14713ef15c0>

级联需要注意的点：

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:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
可通过axis参数改变级联的方向

四、ndarray的聚合操作

arr = np.random.randint(1, 100, size=(5, 8))

arr

array([[21, 65, 34, 74, 99, 44, 26, 41],

       [66,  1, 27, 72, 35, 77, 22, 24],

       [ 2, 11, 17, 64, 56, 75, 19, 50],

       [85, 32, 80, 30, 11, 60, 48, 22],

       [ 9, 53, 51, 48, 16, 61, 81, 21]])

求和np.sum

arr.sum()  # 所有元素的和

arr.sum(axis=1)  # 每一行的和

array([404, 324, 294, 368, 340])

arr.sum(axis=0)  # 每一列的和

array([183, 162, 209, 288, 217, 317, 196, 158])

最大最小值：np.max/ np.min

arr.max()  # 参数同sum()

arr.min()

平均值：np.mean()

arr.mean(axis=1)   # 每一行的平均值

array([50.5 , 40.5 , 36.75, 46.  , 42.5 ])

其他聚合操作

Function Name	NaN-safe Version	Description

np.sum	np.nansum	Compute sum of elements

np.prod	np.nanprod	Compute product of elements

np.mean	np.nanmean	Compute mean of elements

np.std	np.nanstd	Compute standard deviation

np.var	np.nanvar	Compute variance

np.min	np.nanmin	Find minimum value

np.max	np.nanmax	Find maximum value

np.argmin	np.nanargmin	Find index of minimum value

np.argmax	np.nanargmax	Find index of maximum value

np.median	np.nanmedian	Compute median of elements

np.percentile	np.nanpercentile	Compute rank-based statistics of elements

np.any	N/A	Evaluate whether any elements are true

np.all	N/A	Evaluate whether all elements are true

np.power 幂运算

五、ndarray的排序

快速排序

np.sort()与ndarray.sort()都可以，但有区别：

np.sort()不改变输入
ndarray.sort()本地处理，不占用空间，但改变输入

arr

array([[21, 65, 34, 74, 99, 44, 26, 41],

       [66,  1, 27, 72, 35, 77, 22, 24],

       [ 2, 11, 17, 64, 56, 75, 19, 50],

       [85, 32, 80, 30, 11, 60, 48, 22],

       [ 9, 53, 51, 48, 16, 61, 81, 21]])

np.sort(arr, axis=0)  # 不改变原始数组

array([[ 2,  1, 17, 30, 11, 44, 19, 21],

       [ 9, 11, 27, 48, 16, 60, 22, 22],

       [21, 32, 34, 64, 35, 61, 26, 24],

       [66, 53, 51, 72, 56, 75, 48, 41],

       [85, 65, 80, 74, 99, 77, 81, 50]])

arr.sort(axis=1)  # 改变原始数组

arr

array([[21, 26, 34, 41, 44, 65, 74, 99],

       [ 1, 22, 24, 27, 35, 66, 72, 77],

       [ 2, 11, 17, 19, 50, 56, 64, 75],

       [11, 22, 30, 32, 48, 60, 80, 85],

       [ 9, 16, 21, 48, 51, 53, 61, 81]])

Numpy的基础使用的更多相关文章

numpy的基础运算2-【老鱼学numpy】
numpy的基础运算中还有很多运算,我们这里再记录一些. 最小/大值索引前面一篇博文中我们讲述过如何获得数组中的最小值,这里我们获得最小/大值的索引值,也就是这个最小/大值在整个数组中位于第几位. ...
Python Numpy shape 基础用法（转自他人的博客，如涉及到侵权，请联系我）
Python Numpy shape 基础用法 shape函数是numpy.core.fromnumeric中的函数,它的功能是读取矩阵的长度,比如shape[0]就是读取矩阵第一维度的长度.它的输入 ...
1.2 NumPy数组基础
目录第一章 numpy入门 1.2 numpy数组基础 1.2.1 数组的属性 1.2.2 数组的索引:获取单个元素 1.2.3 数组切片:获取子数组 1.2.4 数组的变形 1.2.5 数组的拼接 ...
【笔记】numpy.array基础（1）
numpy.array基础使用numpy.__version__可以检查numpy的版本当然也可以直接使用命令行检查numpy版本也可以用来简化引用,使用as python list特点 num ...
[转]numpy线性代数基础 - Python和MATLAB矩阵处理的不同
转自:http://blog.csdn.net/pipisorry/article/details/45563695 http://blog.csdn.net/pipisorry/article/de ...
numpy&pandas基础
numpy基础 import numpy as np 定义array In [156]: np.ones(3) Out[156]: array([1., 1., 1.]) In [157]: np.o ...
【笔记】numpy.array基础（2）
numpy数组的基本操作以几个数组为例使用ndim可以显示出是几维数组使用shape可以查看元素维度数使用size可以查看元素个数对一维数组进行数据访问对多维数组进行数据访问切片访问,使 ...
Python Numpy,Pandas基础笔记
Numpy Numpy是python的一个库.支持维度数组与矩阵计算并提供大量的数学函数库. arr = np.array([[1.2,1.3,1.4],[1.5,1.6,1.7]])#创建ndarr ...
数据分析入门——numpy类库基础知识
numpy类库是数据分析的利器,用于高性能的科学计算和数据分析.使用python进行数据分析,numpy这个类库是必须掌握的.numpy并没有提供强大的数据分析功能,而是它提供的ndarray数据结构 ...
numpy的基础运算-【老鱼学numpy】
概述本节主要讲解numpy数组的加减乘除四则运算. np.array()返回的是numpy的数组,官方称为:ndarray,也就是N维数组对象(矩阵),N-dimensional array obj ...

随机推荐

Dubbo架构深入篇----RPC实现总结
最近我拜读了mindwind的一片博客文章深入浅出 RPC - 深入篇,希望通过Dubbo深入学习RPC架构设计,在此结合RPC架构的原理,解析Dubbo是如何实现RPC架构的. RPC架构模型 RP ...
Git的基本操作命令
Git的基本命令 ## Git命令行 ### 查看配置 ```d git config user.name //查看用户名 git config user.email //查看邮箱 ``` ### 全 ...
洛谷P3158 [CQOI2011]放棋子组合数学+DP
题意:在一个m行n列的棋盘里放一些彩色的棋子,使得每个格子最多放一个棋子,且不同颜色的棋子不能在同一行或者同一列.有多少祌方法? 解法:这道题不会做,太菜了qwq.题解是看洛谷大佬的. 设C是组合数, ...
amqp 抓包不要在同一台机器
继承和构造函数语法造成的一个bug
一出错误的代码开发环境: visual studio 2017 社区版 #include "pch.h" #include <iostream> #include ...
美国知名Cloudflare网络公司遭中国顶尖黑客攻击
最近中美贸易战愈演愈烈,美国知名Cloudflare网络公司的客户的分布式拒绝服务攻击今天在恶意流量方面达到了新的高度,黑客并袭击了该公司在欧洲和美国的数据中心.根据Cloudflare首席执行官马修 ...
3.xml的解析
1.xml的解析原理简介(xml是标记型文档) (1)js使用dom解析标记型文档(html)? - 根据html的层级结构,在内存中分配一个树形结构,把html的标签,属性和文本都封装成对象 - d ...
python封装成exe
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/qq_32113189/article ...
@ApiModelProperty
@ApiModelProperty用法 @ApiModelProperty()用于方法,字段: 表示对model属性的说明或者数据操作更改 value–字段说明 name–重写属性名字 dataT ...
spring boot整合WebSocket示例
1.运行环境开发工具:intellij idea JDK版本:1.8 项目管理工具:Maven 4.0.0 2.GITHUB地址 https://github.com/nbfujx/springBo ...