NumPy基础操作

---

NumPy基础操作（1）

（注：记得在文件开头导入import numpy as np）

目录：

• 数组的创建
• 强制类型转换与切片
• 布尔型索引
• 结语

---

数组的创建

• 相关函数

  np.array(), np.zeros(), np.zeros_like(), np.ones(), np.ones_like(), np.empty(), np.asarray()

• 调用方法

  data1 = [1.2, 23, 24, 1.8]
  arr1 = np.array(data1)
  print(arr1)
  print(arr1.ndim)    #数组的维度
  print(arr1.shape)   #数组的形状
  print((arr1.dtype)) #数组元素的数据类型
  
  #输出结果
  out:
  [ 1.2 23.  24.   1.8]
  1
  (4,)
  float64

  data2 = [[1, 2, 3, 4], [5, 6, 7, 9]]    #如果要用array生成多维的数组必须要元素个数对称
  arr2 = np.array(data2)
  arr2_like = np.zeros_like(arr2)     #产生形状与arr2相同的全0数组
  arr4 = np.ones((3,2))
  arr7 = np.asarray(data2)        #将输入转换为一个ndarray数组
  print(arr2);print("************")
  print(arr2_like);print("************")
  print(arr4);print("************")
  print(arr7)
  
  #输出结果
  out:
  [[1 2 3 4]
   [5 6 7 9]]
  ************
  [[0 0 0 0]
   [0 0 0 0]]
  ************
  [[1. 1.]
   [1. 1.]
   [1. 1.]]
  ************
  [[1 2 3 4]
   [5 6 7 9]]

---

强制类型转换与切片

• 相关函数

  array.astype(), array[x:y]  #array是一个已定义的数组
  np.float64, np.int64, np.string_    #数组基础数据类型

• 强制类型转换

  #在生成数据时就直接指定ndarray数组的类型
  arr8 = np.array([1,1,7], dtype=np.float64)
  print(arr8.dtype)
  print("************")
  
  #通过ndarray的方法astype更改转换数组的类型，强制类型转换
  arr9 = arr8.astype(np.int64)
  print(arr9.dtype)
  print("************")
  #Numpy的数据类型：np.object, np.string_, np.unicode_
  numeric_strings = np.array(['1.23', '-9.6', ''], dtype=np.string_)
  print(numeric_strings.astype(float).dtype)
  print("************")
  
  #输出结果
  out:
  float64
  ************
  int64
  ************
  float64
  ************

• 数组切片

  #数组切片是原数组的视图，对切片的任何改变都会在原始数组数据上得到体现
  #for example
  arr = np.arange(10)
  arr_slice = arr[5:8]
  arr_slice[1] = 12432
  print(arr)
  #输出结果：[    0     1     2     3     4     5 12432     7     8     9]
  arr_slice[:] = 187
  print(arr)
  #输出结果：[  0   1   2   3   4 187 187 187   8   9]
  
  #如果你是真的想要一份数组的复制版本，你需要明显的表达出来
  arr_copy = arr[:].copy()
  arr_copy[:] = 1
  print(arr)
  print(arr_copy)
  #输出结果：[  0   1   2   3   4 187 187 187   8   9]
  #        [1 1 1 1 1 1 1 1 1 1]
  
  #二维数组的访问
  arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
  print(arr2d[2])
  print(arr2d[0,2])   #这两种索引效果是相同的
  print(arr2d[0][2])
  print(arr2d[:2, 1:])   #在切片中再切片 
  
  #输出结果：[7 8 9]
  #
  #
  #   [[2 3]
  #    [5 6]]

---

布尔型索引

• 布尔型索引

  names = np.array(['Bob','Joe', 'Will', 'Bob', 'Will', 'Joe', 'Jason'])
  data = np.random.randn(7,4)
  
  print(names=='Bob')
  print(data[names == 'Bob', 2:])     #线索出为True的行组成新的数组，再进行数组切片
  #输出结果
  #[ True False False  True False False False]
  #[[ 0.26361357 -0.98694019]
  # [ 0.34286995  0.0441788 ]]
  
  mask =(names=='Bob')|(names=='Will')        #在布尔型数组中Python关键之and 以及or无效
  print(mask)
  #输出结果
  #[ True False  True  True  True False False]
  
  #通过布尔性数组更改数组中的值
  data[data < 0] = 0      #将数组中小于0的元素的值全部改为0 

---

结语

第一次写博客排版和程序都有些粗糙，望见谅。（注：相关知识点从《用Python进行数据分析》搬运至此）