ndarray笔记续

数组的索引与切片

多维数组的索引

 import numpy as np
 arr=np.arange(1,25).reshape(2,3,4)
 arr
 # 输出 array([[[ 1,  2,  3,  4],
               [ 5,  6,  7,  8],
               [ 9, 10, 11, 12]],

              [[13, 14, 15, 16],
               [17, 18, 19, 20],
               [21, 22, 23, 24]]])
 arr[1][2][3]
 # 输出24
 arr[1,2,3]  # 与arr[1][2][3]结果一样
 # 输出24

 arr[0,0:2,1:3]
 # 输出array([[2, 3],
                    [6, 7]])
 arr[0][0:2][1:3]  # 与arr[0,0:2,1:3]结果不一样
 # 输出array([[5, 6, 7, 8]])

 arr[0,1:2,1:3]
 # 输出array([[6, 7]])
 arr[0][0:2][1][1:3]  # 这样与arr[0,1:2,1:3]结果才能达到一致
 # 输出array([6, 7])

2. NumPy中的数组的切片

3. 布尔型索引

 # 接上一个代码
 arr>6
 # 输出array([[[False, False, False, False],
              [False, False,  True,  True],
              [ True,  True,  True,  True]],

              [[ True,  True,  True,  True],
               [ True,  True,  True,  True],
               [ True,  True,  True,  True]]])

 arr[arr>6]
 # 输出array([ 7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24])

4. 花式索引

 import numpy as np
 arr1 = np.arange(32).reshape(8,4)
 # 输出  array([[ 0,  1,  2,  3],
               [ 4,  5,  6,  7],
               [ 8,  9, 10, 11],
               [12, 13, 14, 15],
               [16, 17, 18, 19],
               [20, 21, 22, 23],
               [24, 25, 26, 27],
               [28, 29, 30, 31]])

 arr1[[0,3,5],[0,3,2]]  # 前一个取出行，后一个按位取出对应的列
 # 输出 array([ 0, 15, 22])

 arr1[[0,3,5]]
 # 输出 array([[ 0,  1,  2,  3],
              [12, 13, 14, 15],
              [20, 21, 22, 23]])

 arr1[np.ix_([0,3,5],[0,2,1,3])]  # [0,2,1,3]可以改变列的位置
 # 输出 array([[ 0,  2,  1,  3],
              [12, 14, 13, 15],
              [20, 22, 21, 23]])
                

数组转置与轴对换

1. transpose函数用于数组转置，对于二维数组来说就是行列互换

2. 数组的T属性，也是转置

arr1 = arr.T与arr2=arr.transpose()效果一样

通用函数：快速的元素级数组函数

ufunc：一种对ndarray中的数据执行元素级运算的函数，也可以看作是简单函数（接受一个或多个标量值，并产生一个或多个标量值）的矢量化包装起

一元ufunc	说明
abs，fabs	计算整数、浮点数或复数的绝对值。对于非复数值，可以使用更快的fabs
sqrt	计算各元素的平方根，相当于arr**0.5
square	计算各元素的平方，相当于arr**2
exp	计算各元素的指数e的x次方
log,log10log2 log1p	分别为自然对数、底数是10的log，底数为2的log，log(1+x)
sign	计算各元素的正负号：1正数，0零，-1负数
cell	计算各元素的ceiling值，即大于等于该值的最小整数
floor	计算各元素的floor值，即小于等于该值的最大整数
rint	将各元素值四舍五入到最接近的整数，保留dtype
modf	将数组的小数位和整数部分以两个独立数组的形式返回
isnan	返回一个表示“哪些值是NaN（不是一个数字）”的布尔类型数组
isfinite,isinf	分别返回一个表示“哪些元素是有穷的（非inf，非NaN）”或“哪些元素是无穷的”的布尔型数组
cos,cosh,sin sinh,tan,tanh	普通型和双曲型三角函数
arccos,arccosh, arcsin,arctan, arctanh	反三角函数
logical_not	计算各元素not x的真值，相当于~和-arr
add	将数组中相同位置对应的元素相加
substract	从第一个数组中减去第二个数组中的元素
multiply	数组元素相乘
divide,floor_divive	除法或者向下圆整除法（丢弃余数）
pow	对第一个数组中的元素A，根据第二个数组中的相应元素B，计算A的B次方
maximum,fmax	元素级别的最大值，fmax会忽略NaN
minimum,fmin	元素级别的最小值，fmin会忽略NaN
mod	元素级的求模（除法的余数）
copysign	将第二个数组中的值的符号复制给第一个数组中的对应位置的值
greater, greater_equal,less less_equal,equal not_equal	执行元素级别的比较运算，最终产生布尔型数组
logical_and, logical_or, logical_xor	执行元素级别的布尔逻辑运算，相当于中缀运算符&、|、^

聚合函数

1. 聚合函数是对一组值（比如一个数组）进行操作，返回一个单一值作为结果的函数。因此求数组所有元素之和、求所有元素的最大最小值以及标准差的函数就是聚合函数

arr.max()  arr.min()  arr.mean()

arr.std()标准差，相当于np.sqrt(np.power(arr-arr.mean(),2).sum()/arr.size)

2. 聚合函数可以指定对数值的某个轴元素进行操作

arr.mean(axis=0)对每一列取均值    arr.mean(axis=1)对每一行取均值

axis=0时对同一列上的元素进行聚合 axis=1时对同一行上的元素进行聚合

np.where函数

1. np.where函数是三元表达式x if condition else y 的矢量化版本

 import numpy as np
 xarr=np.array([1.1,1.2,1.3,1.4,1.5])
 yarr=np.array([2.1,2.2,2.3,2.4,2.5])
 condition=np.array([True,False,True,True,False])
 result=[(x if c else y) for x,y,c in zip(xarr,yarr,condition)]
 result
 # 输出 [1.1, 2.2, 1.3, 1.4, 2.5]
 result2=np.where(condition,xarr,yarr)
 result2
 # 输出 array([1.1, 2.2, 1.3, 1.4, 2.5])

2. 案例：将数组中所有NaN缺失值替换为0

 import numpy as np
 arr=np.array([[1,2,np.NaN,4],[3,4,5,np.NaN]])
 arr
 #  输出array([[ 1.,  2., nan,  4.],
              [ 3.,  4.,  5., nan]])
 np.isnan(arr)
 #　输出array([[False, False,  True, False],
        　　   [False, False, False,  True]])
 np.where(np.isnan(arr),0,arr)
 ＃　输出array([[1., 2., 0., 4.],
      　　　　  [3., 4., 5., 0.]])

np.unique函数

求数组中不重复的元素

 import numpy as np
 pd=np.array(['图书','数码','小吃','美食','男装','美食','女装','小吃'])
 np.unique(pd)
 # 输出 array(['图书', '女装', '小吃', '数码', '男装', '美食'], dtype='<U2')

数组数据文件读写

1. 将数组以二进制格式保存到磁盘

 import numpy as np
 data = np.array([[1,2,3,4],[2,3,4,5],[6,7,8,9],[2,3,4,6]])
 data
 # 输出 array([[1, 2, 3, 4],
              [2, 3, 4, 5],
              [6, 7, 8, 9],
              [2, 3, 4, 6]])
 np.save('data',data)  # 将多维数组存储到文件，自动添加后缀.npy (二进制文件)
 np.load('data.npy')  # 读取文件需要添加对应的后缀
 # 输出 array([[1, 2, 3, 4],
              [2, 3, 4, 5],
              [6, 7, 8, 9],
              [2, 3, 4, 6]])

2. 存取文本文件

 import numpy as np
 exp = np.loadtxt('example.csv',delimiter=',')
 exp
 # 输出array([[1., 2., 3., 4.],
             [2., 4., 5., 7.],
             [4., 1., 5., 9.]])

 np.genfromtxt('example.csv',delimiter=',')
 # 输出array([[1., 2., 3., 4.],
             [2., 4., 5., 7.],
             [4., 1., 5., 9.]])
   

3. 数据写入文本文件

 import numpy as np
 np.savetxt('arr.csv',exp.reshape((2,6)),delimiter=',',fmt='%.2f')
 exp2=np.random.random((2,3,4))
 # 如果数组为二维以上的数组，则必须转换为二维数组才能进行存储，否则一定会出错
 np.savetxt('arr1.csv',arr3.reshape((4,6)),delimiter=',')