第三天：numpy库

PS:

这个好像是Python2.X版本的使用。

这个课件的numpy的介绍还是太少了，有点凌乱的感觉，要是后面还是要以《利用Python进行数据分析》做numpy和pandas课件笔记比较好。

要学会和掌握，通过实战，但是至少要懂得numpy的方式。

一、numpy（numeric Python）

1.定义：

高效方便的科学计算工具

2.优势：

2.1方便处理向量，矩阵

2.2相比于MATLAB免费

3.简单实用(版本查询）

import numpy as np

np.version.full_version

二、多维数组（homogeneous multidimensional）

1.一维数组

a=np.arange(20)

numpy.ndarray

a=a.reshape(4,5)#这个在《利用Python进行数据分析》算是numpy的高级用法

print(a)

a=a.reshape(2,2,5)#2个数组，2和5是2row，5col

print(a）

2.简单要素描绘

查看维度：

a.ndim

查看维度大小：

a.shape

查看全部的元素个数：

a.size

查看元素类型：

a.dtype

查看元素站位（bytes）：

a.dtype

三、创建数组

1.高维数组转换嵌套列表：

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

a=np.array(raw)

raw=[[0,1,2,3,4],[5,6,7,8,9]]

b=np.array(raw)

2.0数组:

d=(4,5)

np.zeros(d)

3.1数组

d=(4,5)

np.ones(d,dtype=int)

4.随机数组

生成[0,1)区间的随机数数组：

np.random.rand(5)

四、数组操作

1.加减乘除开根（这个的数据处理，必须是两个数组的结构要一致，对应的位置进行处理）

2.生成二维随机数组

　　a=np.arange(20).reshape(4,5)

3.步长生成:arange(起始，终止，步长)

　　a=np.arange(2,45,3).reshape(5,3)

4.生成一维数组

　　np.linspace(0,2,9)

五、数组元素访问

访问：

a=np.array([[3.2,1.5],[2.5,4]])

print(a[0][1])

print(a[0,1])

修改：

a[0][1]=值

广播机制：

1.    b=a

　　a修改

　　b修改

2.　b=a.copy()

　　a修改

　　b不修改

取矩阵中的指定列：

　　a=np.arange(20).reshape(4,5)

　　print(a[:,[1,3]])#先行后列，这里是指所有行，1,3是指第1列和第3列

筛选：

　　a[;,2][a[:,0]>5]

查找指定值：

　　loc=np.where(a==值)

　　print(loc)

　　print(a[loc[0][0],loc[1][0]])

六、数组操作

1.矩阵转置

a=np.random.rand(2,4)

a=np.transpose(a)

b=np.random.rand(2,4)

b=np.mat(b)

print(b.T)#转置

2.矩阵求逆

import numpy.linalg as nlg
a = np.random.rand(2,2)
a = np.mat(a)
print ("a:")
print(a)
ia = nlg.inv(a)
print( "inverse of a:")
print (ia)

print ("a * inv(a)")
print (a * ia)

3.求特征值和特征向量

a = np.random.rand(3,3)
eig_value, eig_vector = nlg.eig(a)
print( "eigen value:")
print( eig_value)
print( "eigen vector:")
print(eig_vector)

4.拼接两个向量

1.column_stack函数

a = np.array((1,2,3))
b = np.array((2,3,4))
print np.column_stack((a,b))

2.vstack，hstack函数

a = np.random.rand(2,2)
b = np.random.rand(2,2)
print( "a:")
print (a)
print ("b:")
print (b)
c = np.hstack([a,b])
d = np.vstack([a,b])
print( "horizontal stacking a and b:")
print( c)
print ("vertical stacking a and b:")
print( d)

七、缺失值

a = np.random.rand(2,2)
a[0, 1] = np.nan
print (np.isnan(a))
[[False True]
[False False]]