数据分析之Pandas和Numpy学习笔记(持续更新)<1>

pandas and numpy notebook

---

       最近工作交接，整理电脑资料时看到了之前的基于Jupyter学习数据分析相关模块学习笔记。想着拿出来分享一下，可是Jupyter导出来html文件，博客园不支持js注入，贴图效果实在太差劲儿。所以只贴了内容，要是有需要文件原版（pdf、md、html等）可以在评论区说一下。

       本系列是数据分析相关的，打算做一个持续连载，后边便于自己系统查看和回顾。

　　另外，本片博客在github上有PDF版本，并且格式也很清爽，请转https://github.com/xnchall/PandasAndNumpy/blob/master/pdAndNp-01.pdf

---

 

pandas和numpy学习系列，主要目的记录学习中的亮点，以及熟悉对jupyter的使用！

In [3]:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

1. Series是pandas最基本的1维数据形式，存储内容的数据类型任意。pd.Series(data, index=[])data可为字典、np中相关对象。index为数据索引，可以是列表。当有个性化索引时，会按照输入索引与data匹配数据，如果data没有匹配到就是设置为 缺省值NaN

In [4]:

data = {"a":12, "b":55, "c":50}

pd.Series(data)

Out[4]:

a    12
b    55
c    50
dtype: int64

In [5]:

data1 =  {'a' : 10, 'b' : 20, 'c' : 30}

pd.Series(data1, index=['b', 'c', 'a', 'd'])

Out[5]:

b    20.0
c    30.0
a    10.0
d     NaN
dtype: float64

2. ndarray是numpy中定义的多维数组[矩阵模块]。ndarray对象可以作为pandas中Series的data数据源进行转换。

ndarray 的一个特点是同构：即其中所有元素的类型必须相同。
NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是一个一维数组，而这个一维 数组中每个元素又是一个一维数组。所以这个一维数组就是NumPy中的轴（axes），而轴的数量——秩，就是数组的维数。

In [6]:

data2 = np.random.randn(5)#一维随机数列表

index = ['a', 'b', 'c', 'd', 'e'] # 指定索引

pd.Series(data2, index)

Out[6]:

a    0.483059
b    0.104168
c    0.413886
d   -1.115421
e    1.306849
dtype: float64

2.1 介绍一下Numpy的ndarray对象

In [99]:

temp = [[1, 9, 6],[2, 8, 5],[3, 7, 4]]

x = np.array(temp)

print(x.T)#获得x的转置矩阵

print(x.size)#获得数组中元素的个数

print(x.ndim) #获得数组的维数

print(x.shape)  #获得数组的（行数，列数）)

x.flags  #返回数组内部的信息

x.flat #将多维数组转化为1维数组  [1,9,6,2,8,5,3,7,4]

# for i in x.flat:

#      print(i)

# x.flat = 2;x#将值赋给1维数组，再转化成有原有数组的大小形式

y=x.reshape(1,9)#数组转化为n行m列

print(y)

y.base#获得该数组基于另外一个对象数组而来，如下，y是根据x而来

np.array(range(15)).reshape(3,5)

[[1 2 3]
 [9 8 7]
 [6 5 4]]
9
2
(3, 3)
[[1 9 6 2 8 5 3 7 4]]

Out[99]:

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

2.2 利用ndarray创建矩阵或者多维数组

In [93]:

np.ndarray(shape=(2,3), dtype=int, buffer=np.array([1,2,3,4,5,6,7]), offset=0, order="C")

#创建多维数组形状shape，

#数据类型dtype，

#初始化数组buffer

#offset含义是    buffer中用于初始化数组的首个数据的偏移

#order含义是   'C':行优先；'F':列优先

#order参数的C和F是numpy中数组元素存储区域的两种排列格式，即C语言格式和Fortran语言格式。

Out[93]:

array([[1, 2, 3],
       [4, 5, 6]])

 

2.3 ones、zeros、empty系列函数

某些时候，我们在创建数组之前已经确定了数组的维度以及各维度的长度。这时我们就可以使用numpy内建的一些函数来创建ndarray。 例如：函数ones创建一个全1的数组、函数zeros创建一个全0的数组、函数empty创建一个内容随机的数组，在默认情况下，用这些函数创建的数组的类型都是float64，若需要指定数据类型，只需要闲置dtype参数即可

In [131]:

#可以通过元组指定数组形状

a = np.ones(shape=(2,3))

print(a.dtype)

 #也可以通过列表来指定数组形状，同时这里指定了数组类型

b = np.zeros(shape=[3,2], dtype=np.int64)

b.dtype

#函数empty创建一个内容随机的数组

c = np.empty((4,2))

c.dtype

#其他用法

f=[[1,2,3], [3,4,5]]

np.zeros_like(f)

np.ones_like(f)

np.empty_like(f)

float64

Out[131]:

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

 

2.4 arange、linspace与logspace

1> arange函数类似python中的range函数，通过指定初始值、终值以及步长（默认步长为1）来创建数组
2> linspace函数通过指定初始值、阀值以及元素个数来创建一维数组
3> logspace函数与linspace类似，只不过它创建的是一个等比数列，同样的也是一个一维数组

In [133]:

np.arange(0, 10, 2)

Out[133]:

array([0, 2, 4, 6, 8])

In [145]:

np.linspace(0,12, 4)

Out[145]:

array([ 0.,  4.,  8., 12.])

In [139]:

np.logspace(0,2,3)

Out[139]:

array([  1.,  10., 100.])

2.5 fromstring、fromfunction系列函数

1> fromstring函数从字符串中读取数据并创建数组
2> fromfunction函数由第一个参数作为计算每个数组元素的函数（函数对象或者lambda表达式均可），第二个参数为数组的形状

In [149]:

str1 = "1,2,3,4,5"

np.fromstring(str1, dtype=np.int64, sep=",")

 

Out[149]:

array([1, 2, 3, 4, 5], dtype=int64)

In [152]:

str2 = "1.01 2.23 3.53 4.76"

np.fromstring(str2, dtype=np.float64, sep=" ")

Out[152]:

array([1.01, 2.23, 3.53, 4.76])

In [153]:

def func(i, j):

    return (i+1)*(j+1)

In [155]:

np.fromfunction(func, (2,3))#dtype=np.float64

Out[155]:

array([[1., 2., 3.],
       [2., 4., 6.]])

In [156]:

np.fromfunction(lambda i,j: i+j, (3,3), dtype=int)

Out[156]:

array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4]])

 

2.6 ndarray创建特殊的二维数组

np中matrix是继承于采用了ndarray建立的二维数组进行了封装的子类。特别注意，关于二维数组的创建，依旧是一个ndarray对象，而不是matrix对象。

In [178]:

arr = np.arange(9).reshape((3,3))

print(arr)

[[0 1 2]
 [3 4 5]
 [6 7 8]]

diag函数返回一个矩阵的对角线元素、或者创建一个对角阵，对角线由参数k控制 [这里的k就是列的索引]

In [179]:

np.diag(arr)#array([0, 4, 8])

np.diag(arr, k=1)#array([1, 5])

np.diag(arr, k=-1)#array([3, 7])

np.diag(np.diag(arr))#array([[0, 0, 0],    [0, 4, 0],    [0, 0, 8]])

np.diag(np.diag(arr), k=1)

 

Out[179]:

array([[0, 0, 0, 0],
       [0, 0, 4, 0],
       [0, 0, 0, 8],
       [0, 0, 0, 0]])

 

diagflat函数以输入作为对角线元素，创建一个矩阵，对角线有参数k控制

In [182]:

np.diagflat([1,2,3], k=1)

Out[182]:

array([[0, 1, 0, 0],
       [0, 0, 2, 0],
       [0, 0, 0, 3],
       [0, 0, 0, 0]])

In [187]:

np.diagflat([[1,2],[3,4]])

Out[187]:

array([[1, 0, 0, 0],
       [0, 2, 0, 0],
       [0, 0, 3, 0],
       [0, 0, 0, 4]])

tri函数生成一个矩阵，在某对角线以下元素全为1，其余全为0，对角线由参数k控制

In [198]:

np.tri(3,4, k=1, dtype=int)

Out[198]:

array([[1, 1, 0, 0],
       [1, 1, 1, 0],
       [1, 1, 1, 1]])

tril函数输入一个矩阵，返回该矩阵的下三角矩阵，下三角的边界对角线由参数k控制

In [209]:

print(arr)

print("-----------")

print(np.tril(arr, k=0))

print("-----------")

print(np.tril(arr, k=1))

[[0 1 2]
 [3 4 5]
 [6 7 8]]
-----------
[[0 0 0]
 [3 4 0]
 [6 7 8]]
-----------
[[0 1 0]
 [3 4 5]
 [6 7 8]]

triu函数与tril类似，返回的是矩阵的上三角矩阵

In [210]:

np.triu(arr, k=1)

Out[210]:

array([[0, 1, 2],
       [0, 0, 5],
       [0, 0, 0]])

vander函数输入一个一维数组，返回一个范德蒙矩阵

 

范德蒙行列式

In [215]:

 

np.vander([2,3,4,5])

Out[215]:

array([[  8,   4,   2,   1],
       [ 27,   9,   3,   1],
       [ 64,  16,   4,   1],
       [125,  25,   5,   1]])

In [217]:

np.vander([2,3,4,5],N=2)

Out[217]:

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

2.7 ndarray元素访问

2.7.1 一维数组

一维的ndarray数组可以使用python内置list操作方式

array[beg:end:step]

beg: 开始索引

end: 结束索引（不包含这个元素）

step: 间隔

需要注意的是：

beg可以为空，表示从索引0开始；

end也可以为空，表示达到索引结束（包含最后一个元素）；

step为空，表示间隔为1；

负值索引：倒数第一个元素的索引为-1，向前以此减1

负值step：从后往前获取元素

 

In [218]:

x1 = np.arange(16)*4#list每个元素*4，list规模不变

In [224]:

x1[0:10:3]

Out[224]:

array([ 0, 12, 24, 36])

In [225]:

x1[::-1]#倒置列表---pythonic

Out[225]:

array([60, 56, 52, 48, 44, 40, 36, 32, 28, 24, 20, 16, 12,  8,  4,  0])

特别注意的是，ndarray中的切片返回的数组中的元素是原数组元素的索引，对返回数组元素进行修改会影响原数组的值

 

In [226]:

x1[:-1]

Out[226]:

array([ 0,  4,  8, 12, 16, 20, 24, 28, 32, 36, 40, 44, 48, 52, 56])

In [229]:

y = x1[::-1]

y

Out[229]:

array([60, 56, 52, 48, 44, 40, 36, 32, 28, 24, 20, 16, 12,  8,  4,  0])

In [230]:

y[0]=9999

y

Out[230]:

array([9999,   56,   52,   48,   44,   40,   36,   32,   28,   24,   20,
         16,   12,    8,    4,    0])

In [232]:

x1

Out[232]:

array([   0,    4,    8,   12,   16,   20,   24,   28,   32,   36,   40,
         44,   48,   52,   56, 9999])

仔细观察上边y和x1操作变化！！

除了上述与list相似的访问元素的方式，ndarray还可以通过索引列表来访问，例如：

 

In [234]:

x1[[0,2,4,5]]##指定获取索引为0,2,4,5的元素

Out[234]:

array([ 0,  8, 16, 20])

2.7.2 多维数组

多维ndarray中，每一维都叫一个轴(axis)。

在ndarray中轴axis是非常重要的，有很多对于ndarray对象的运算都是基于axis进行，比如sum、mean等都会有一个axis参数（针对对这个轴axis进行某些运算操作）

对于多维数组，因为每一个轴都有一个索引，所以这些索引由逗号进行分割

In [240]:

x2 = np.arange(0,100,5).reshape(4,5)

x2

Out[240]:

array([[ 0,  5, 10, 15, 20],
       [25, 30, 35, 40, 45],
       [50, 55, 60, 65, 70],
       [75, 80, 85, 90, 95]])

In [241]:

x2[1,2]#第1行，第2列

Out[241]:

35

In [243]:

x2[1:4, 3]#第1行到第4行中所有第3列的元素，实际是第1、2、3行

Out[243]:

array([40, 65, 90])

In [245]:

x2[:, 4]      #所有行中的所有第4列的元素

Out[245]:

array([20, 45, 70, 95])

In [246]:

x2[0:3, :]    #第0行到第三行中所有列的元素，实际是第0、1、2行

Out[246]:

array([[ 0,  5, 10, 15, 20],
       [25, 30, 35, 40, 45],
       [50, 55, 60, 65, 70]])

需要注意的是：

1> 当提供的索引比轴数少时，缺失的索引表示整个切片（只能缺失后边的轴）

In [247]:

x2[1:3]

#确实第二个轴，就是只有x轴，没有y轴。

Out[247]:

array([[25, 30, 35, 40, 45],
       [50, 55, 60, 65, 70]])

2> 当提供的索引为:时，也表示整个切片

 

In [250]:

x2[:, 0:4]#:标识两个轴全部元素，列轴（y轴）范围是0-4

Out[250]:

array([[ 0,  5, 10, 15],
       [25, 30, 35, 40],
       [50, 55, 60, 65],
       [75, 80, 85, 90]])

3> 可以使用...代替几个连续的:索引

In [253]:

x2[..., 0:4]

Out[253]:

array([[ 0,  5, 10, 15],
       [25, 30, 35, 40],
       [50, 55, 60, 65],
       [75, 80, 85, 90]])

一维和多维ndarray数组都可以支持迭代！只不过高维迭代需要使用flat做一个降维的操作！

In [255]:

for itr in x2:

    print(itr)

[ 0  5 10 15 20]
[25 30 35 40 45]
[50 55 60 65 70]
[75 80 85 90 95]

In [256]:

for itr in x2.flat:#将多维转化为一维（降维）

    print(itr)

 

. . .

 

3. ndarray对象方法

上边有提到ndarray数组是同构的，那么下边我们来看看ndarray对象有哪些方法。

 

In [4]:

print(dir(np.ndarray))

 

. . .

 

忽略类属性（__***__）,剩下的就是ndarray的类方法。即就是： 'all', 'any', 'argmax', 'argmin', 'argpartition', 'argsort', 'astype', 'base', 'byteswap', 'choose', 'clip', 'compress', 'conj', 'conjugate', 'copy', 'ctypes', 'cumprod', 'cumsum', 'data', 'diagonal', 'dot', 'dtype', 'dump', 'dumps', 'fill', 'flags', 'flat', 'flatten', 'getfield', 'imag', 'item', 'itemset', 'itemsize', 'max', 'mean', 'min', 'nbytes', 'ndim', 'newbyteorder', 'nonzero', 'partition', 'prod', 'ptp', 'put', 'ravel', 'real', 'repeat', 'reshape', 'resize', 'round', 'searchsorted', 'setfield', 'setflags', 'shape', 'size', 'sort', 'squeeze', 'std', 'strides', 'sum', 'swapaxes', 'take', 'tobytes', 'tofile', 'tolist', 'tostring', 'trace', 'transpose', 'var', 'view'

 

 

3.1 数据基本操作与转换 Array conversion

常用方法如下：

ndarray.item(*args )             Copy an element of an array to a standard Python scalar and return it  复制数组中的一个元素，并返回

ndarray.tolist(  )                    将数组转换成python内置list类型

ndarray.tostring([orader])     创建ndarray数据类型为string

ndarray.tobytes(([orader] ))  创建ndarray数据类型是byte

ndarray.itemset(*args)          修改数组中某个元素的值

ndarray.copy([order])            复制数组  order : {‘C’, ‘F’}还有两个参数比较少见  同上    'C':行优先；'F':列优先         

ndarray.fill(value)                  Fill the array with a scalar value.使用值value填充数组

 

In [6]:

cl = np.random.randint(12, size=(3,4))

cl

Out[6]:

array([[ 7,  1,  0,  3],
       [ 6,  6,  5,  9],
       [ 1, 10, 10,  2]])

ndarray.item(*args )     复制数组中的一个元素，并返回。和直接取值是有区别的！！

 

In [11]:

cl.item(8)

Out[11]:

1

In [12]:

cl.item((2,3))

#根据元组（坐标）索引获取元素

Out[12]:

2

ndarray.tolist(  )                    将数组转换成python内置list类型

 

In [13]:

cl.tolist()

Out[13]:

[[7, 1, 0, 3], [6, 6, 5, 9], [1, 10, 10, 2]]

 ndarray.itemset(*args)          修改数组中某个元素的值

 

In [15]:

cl.itemset(7, 9999)    #修改第7个元素

cl

Out[15]:

array([[   7,    1,    0,    3],
       [   6,    6,    5, 9999],
       [   1,   10,   10,    2]])

In [16]:

cl.itemset((1,1), 222) #修改索引为（1，1）对应的数据值

cl

Out[16]:

array([[   7,    1,    0,    3],
       [   6,  222,    5, 9999],
       [   1,   10,   10,    2]])

ndarray.copy([order])    

 

In [19]:

cl_t = cl.copy()

#这里注意一下：copy是深拷贝。

#什么是深拷贝、浅拷贝？

#简单讲就是：a,b是两个变量做复制操作，要是a与b共享相同物理空间，即就是同一个内存地址。叫做浅拷贝.

#反之， 复制之后a,b是两个无关的变量，那么存储地址不相同，称之为深拷贝 

#怎么验证a与b是否指向同一物理地址呢？

#修改a的值看b是否也变化了即可~

In [18]:

cl_t

Out[18]:

array([[   7,    1,    0,    3],
       [   6,  222,    5, 9999],
       [   1,   10,   10,    2]])

其余参考这里 https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.ndarray.html

 

3.2 矩阵数列形状变换 Shape manipulation

1> ndarray.reshape(shape， order='C')

#Returns an array containing the same data with a new shape. 数据不变，改变形状

2> ndarray.resize(new_shape, refcheck=True)

#Change shape and size of array in-place.  修改数组的形状（需要保持元素个数前后相同）

3> ndarray.transpose(*axes)

#Returns a view of the array with axes transposed.   返回数组针对某一轴进行转置的视图

4> ndarray.swapaxes(axis1, asix2)   返回数组axis1轴与axis2轴互换的视图

5> ndarray.flatten([order]) 返回将原数组压缩成一维数组的拷贝（全新的数组）

6> ndarray.ravel([order])    返回将原数组压缩成一维数组的视图

7> ndarray.squeeze([axis])  返回将原数组中的shape中axis==1的轴移除之后的视图

 

In [37]:

sm = np.arange(0,12)

In [38]:

sm

Out[38]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

1> ndarray.reshape(shape[,order])  数据不变，改变形状

 

In [32]:

x_sm = sm.reshape((3,4))#在保证数据域不变情况下，直接修改原来数组结构

sm.reshape((3,4))  #变形

print(sm)#这里就可以看出来reshape直接修改原来数组结构

x_sm[0,0] = 888  #修改值

x_sm

[[888   1   2]
 [  3   4   5]
 [  6   7   8]
 [  9  10  11]]

Out[32]:

array([[888,   1,   2,   3],
       [  4,   5,   6,   7],
       [  8,   9,  10,  11]])

 

2> ndarray.resize(new_shape, refcheck=True)    原地修改数组的形状（需要保持元素个数前后相同）

 

In [42]:

sm.resize((4,3)) #resize没有返回值，会直接修改数组的shape，如下所示

sm

Out[42]:

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

 

3>ndarray.transpose(*axes) 返回数组针对某一轴进行转置的视图

 

In [43]:

sm.transpose()

Out[43]:

array([[ 0,  3,  6,  9],
       [ 1,  4,  7, 10],
       [ 2,  5,  8, 11]])

In [64]:

sm.resize(1,2,6)

sm

Out[64]:

array([[[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]]])

In [101]:

ar = np.arange(12)

ss = ar.reshape((4,3))

4> ndarray.swapaxes(axis1, asix2)   返回数组axis1轴与axis2轴互换的视图

 

In [93]:

#这个点亲看后边3.2关于axis专门做的解释说明！

sm.swapaxes(1,2)

Out[93]:

array([[[ 0,  6],
        [ 1,  7],
        [ 2,  8],
        [ 3,  9],
        [ 4, 10],
        [ 5, 11]]])

5> ndarray.flatten([order]) 返回将原数组压缩成一维数组的拷贝（返回全新的数组）---降维

 

In [110]:

print(ss)

y=ss.flatten()

y

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

Out[110]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

In [104]:

ss#flatten不会修改原来的数组

Out[104]:

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

 

6> ndarray.ravel([order])    返回将原数组压缩成一维数组的视图---返回原数组

In [107]:

ss.ravel()

Out[107]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

 

7> ndarray.squeeze([axis])  返回将原数组中的shape中axis==1的轴移除之后的视图

In [118]:

#这稍复杂，请看官网。

ss.squeeze().shape#没有1

Out[118]:

(4, 3)

 

3.3 计算

这里我们先来理解一下ndarray总的“axis”

请看举例：

 

In [145]:

np.random.seed(123)

x = np.random.randint(0,5,[3,2,2])

print(x)

x.max(axis=0)

[[[2 4]
  [2 1]]
 
 [[3 2]
  [3 1]]
 
 [[1 0]
  [1 1]]]

Out[145]:

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

分析：

首先数列模型是shape(3,2,2)，由输出看出这个“3”就是x的三个部分，分别有换行区分明显区分出来。而axis取值0对应的就是3，

那么max(axis=0)代表在这三个部分求取最大值。按照位置一一分式比较就是max(2，3，1)=3,max(4,2,0)=4,max(2,3,1)=3,max(1,1,1)=1

进而得到如下结果

采用集合思想，shape(3,2,2)相当于是一个多维空间，axis=0意味着三个面的重叠；axis=1是3个面每个面中的列组成的集合；axis=2是3个面每个面行组成的集合

那么请看详细数据说明：

 

In [142]:

x.max(axis=1)

Out[142]:

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

In [143]:

x.max(axis=2)

Out[143]:

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

所以明白了axis的原理，那么计算就很简单了，只简单需要看一下方法就可以。

ndarray.max([axis, out, keepdims])  返回根据指定的axis计算最大值

ndarray.argmax([axis, out]) 返回根据指定axis计算最大值的索引

ndarray.min([axis, out, keepdims])  返回根据指定的axis计算最小值

ndarray.argmin([axis, out]) 返回根据指定axis计算最小值的索引

ndarray.ptp([axis, out])    返回根据指定axis计算最大值与最小值的差

ndarray.clip([min, max, out])   返回数组元素限制在[min, max]之间的新数组（小于min的转为min，大于max的转为max）

ndarray.round([decimals, out])  返回指定精度的数组（四舍五入）

ndarray.trace([offset, axis1, axis2, dtype, out])   返回数组的迹（对角线元素的和）

ndarray.sum([axis, dtype, out, keepdims])   根据指定axis计算数组的和，默认求所有元素的和

ndarray.cumsum([axis, dtype, out])  根据指定axis计算数组的累积和

ndarray.mean([axis, dtype, out, keepdims])  根据指定axis计算数组的平均值

ndarray.var([axis, dtype, out, ddof, keepdims]) 根据指定的axis计算数组的方差

ndarray.std([axis, dtype, out, ddof, keepdims]) 根据指定axis计算数组的标准差

ndarray.prod([axis, dtype, out, keepdims])  根据指定axis计算数组的积

ndarray.cumprod([axis, dtype, out]) 根据指定axis计算数据的累计积

ndarray.all([axis, dtype, out]) 根据指定axis判断所有元素是否全部为真

ndarray.any([axis, out, keepdims])  根据指定axis判断是否有元素为真

 

3.4 选择元素以及操作

ndarray.take(indices[, axis, out, model])   从原数组中根据指定的索引获取对应元素，并构成一个新的数组返回

ndarray.put(indices, values[, mode])    将数组中indices指定的位置设置为values中对应的元素值

ndarray.repeat(repeats[, axis]) 根据指定的axis重复数组中的元素

ndarray.sort([axis, kind, order])   原地对数组元素进行排序

ndarray.argsort([axis, kind, order])    返回对数组进行升序排序之后的索引

ndarray.partition(kth[, axis, kind, order]) 将数组重新排列，所有小于kth的值在kth的左侧，所有大于或等于kth的值在kth的右侧

ndarray.argpartition(kth[, axis, kind, order])  对数组执行partition之后的元素索引

ndarray.searchsorted(v[, side, sorter]) 若将v插入到当前有序的数组中，返回插入的位置索引

ndarray.nonzero()   返回数组中非零元素的索引

ndarray.diagonal([offset, axis1, axis2])    返回指定的对角线

 

In [150]:

aa =  np.arange(0,100,5).reshape(4,5)

aa.flatten()

Out[150]:

array([ 0,  5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,
       85, 90, 95])

In [151]:

aa.take([0,2,3,4])

Out[151]:

array([ 0, 10, 15, 20])

In [153]:

aa.take([[2,3],[4,7]])

Out[153]:

array([[10, 15],
       [20, 35]])

In [164]:

aa.put([0,-1],[3,252])#j设置索引为0的值为3，最后一位为252

In [165]:

aa

Out[165]:

array([[  3,   5,  10,  15,  20],
       [ 25,  30,  35,  40,  45],
       [ 50,  55,  60,  65,  70],
       [ 75,  80,  85,  90, 252]])

In [170]:

bb = aa.flatten()

bb[10]=9999

bb.sort()

bb

Out[170]:

array([   3,    5,   10,   15,   20,   25,   30,   35,   40,   45,   55,
         60,   65,   70,   75,   80,   85,   90,  252, 9999])

In [171]:

bb.argsort()#获取排序后的元素索引

Out[171]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19], dtype=int64)

In [172]:

bb[bb.argsort()]#获取上述索引对应的值

Out[172]:

array([   3,    5,   10,   15,   20,   25,   30,   35,   40,   45,   55,
         60,   65,   70,   75,   80,   85,   90,  252, 9999])

In [179]:

bb[2]=8888

print(bb[10])

bb.partition(10)#小于70在左侧，大于在右侧

bb

70

Out[179]:

array([  55,    3,    5,   25,   30,   35,   45,   40,   65,   70,   75,
         80,   90,   85,  252, 8888, 8888, 8888, 8888, 9999])

其余的可以自己尝试~

 

 

 

 

 

​