(一)初识NumPy库(数组的创建和变换)

在学习数据分析时，NumPy作为最基础的数据分析库，我们能够熟练的掌握它是学习数据分析的必要条件。接下来就让我们学习该库吧。

学习NumPy库的环境：

python：3.6.6

编辑器：pycharm

NumPy安装：在cmd命令下，直接使用pip语句，pip install NumPy即可！

NumPy是使用Python进行科学计算的基本软件包。它主要包含一下内容：

• 有一个强大的N维数组对象ndarray;
• 拥有复杂的广播功能函数；
• 整合C/C++和Fortran代码的工具；
• 线性代数、傅里叶变换、随机数生成等功能。

具体的内容可参考NumPy官网信息：点击官网

Python基础数据类型中是没有数组概念，NumPy库能够很好的满足了数组缺失，数组对象的优点有：

1. 数组对象可以去掉元素间运算的循环，使一维向量更像单个数据；
2. 设置专门的数组对象，经过优化，可以提升这类应用的运算速度；
3. 数组对象采用相同的数据类型，有助于节省运算和存储空间。

 一、ndarray的介绍

1、ndarray的构成：

ndarray有两部分构成，一是实际数据；二是描述这些数据的元数据（数据维度、数据类型等）。ndarray数组一般要求所有元素类型相同（同质），数组的下标从0开始。

其中轴（axis）：保存数组的维度；秩（rank）：轴的数量

2、ndarray对象的属性：

.ndim：秩，即轴的数量或维度的数量；

.shape：ndarray对象的尺度，对于矩阵，n行m列；

.size：ndarray对象元素的个数，相当于.shape的n*m的值；

.dtype：ndarray对象的元素类型；
.itemsize：ndarray对象中每个元素的大小，以字节为单位。

如下举例说明：

求数组a的平方和数组b的立方和：

import numpy as np

def npSum():
    a = np.array([0, 1, 2, 3, 4])
    b = np.array([9, 8, 7, 6, 5])
    c = a ** 2 + b ** 3
    return c

print(npSum())
[729 513 347 225 141]

如下是ndarray属性的练习：

import numpy as np
a = np.array([[0, 1, 2, 3, 4], [9, 8, 7, 6, 5]])
print(a)
print(a.ndim)
print(type(a))
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)

[[0 1 2 3 4]
 [9 8 7 6 5]]
2
<class 'numpy.ndarray'>
(2, 5)
10
int32
4

3、ndarray数组的创建方法：

• 从python中的列表、元组等类型创建ndarray；
• 使用NumPy中函数创建ndarray数组，如arange，ones，zeros；
• 从字节流（raw bytes）中创建ndarray数组；
• 从文件中读取特定的格式创建ndarray数组。

如下举例说明：

①、从python中的列表、元组等类型创建ndarray数组：

 import numpy as np
 x = np.array([[1, 2], [9, 8], (0.1, 0.2)])
 print(x)
 print(x.shape)
 print(x.size)

 [[1.  2. ]
  [9.  8. ]
  [0.1 0.2]]
 (3, 2)
 6

②、使用NumPy中函数创建ndarray数组：

np.arange(n)            类似range()函数，返回ndarray类型，元素从0到n-1；
np.ones(shape)          根据shape生成一个全1数组，shape是元组类型；
np.zeros(shape)         根据shape生成一个全0数组，shape是元组类型；
np.full(shape, val)     根据shape生成一个数组，每个元素值都是val；
np.eye(n)               创建一个正方的n*n单位矩阵，对角线为1，其余为0；

类似函数
np.ones_like(a)         根据数组a的形状生成一个全1数组
np.zeros_like(a)        根据数组a的形状生成一个全0数组
np.full_like(a,val)     根据数组a的形状生成一个数组，每个元素值都是val

np.linspace()           根据起止数据等间距地填充数据，形成数组
np.concatenate()        将两个或多个数组合并成一个新的数组

 import numpy as np

 print(np.arange(10))
 print(np.ones((3, 6)))
 print(np.zeros((3, 6), dtype=np.int32))
 print(np.eye(5))

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

 #不限制数据类型的时候生成的是浮点数
 a = np.linspace(1, 10, 4)
 print(a)
 # endpoint 是指最后一个元素是否是生成的四个元素中的一个
 b = np.linspace(1, 10, 4, endpoint=False)
 print(b)
 c = np.concatenate((a, b))
 print(c)

 [ 1.  4.  7. 10.]
 [1.   3.25 5.5  7.75]
 [ 1.    4.    7.   10.    1.    3.25  5.5   7.75]

4、数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换：

ndarray数组的维度变换
.reshape(shape)                           不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)                            与.reshape()功能一致，但修改原数组
.swapaxes(ax1, ax2)                       将数组n个维度中的两个维度进行调换
.flatten()                                对数组进行降维，返回折叠后的一维数组，原数组不变

 a = np.ones((2, 3, 4), dtype=np.int32)
 print(a)
 print(a.reshape((3, 8)))
 print(a.resize((3, 8)))
 print(a)
 print(a.flatten())

 [[[1 1 1 1]
   [1 1 1 1]
   [1 1 1 1]]

  [[1 1 1 1]
   [1 1 1 1]
   [1 1 1 1]]]
 [[1 1 1 1 1 1 1 1]
  [1 1 1 1 1 1 1 1]
  [1 1 1 1 1 1 1 1]]
 None
 [[1 1 1 1 1 1 1 1]
  [1 1 1 1 1 1 1 1]
  [1 1 1 1 1 1 1 1]]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]

# astype()方法一定会创建新的数组（原始数组的一个拷贝），即使两个类型一致

 a = np.ones((2, 3, 4),  dtype=np.int)
 print(a)
 b = a.astype(np.float)
 print(b)

 [[[1 1 1 1]
   [1 1 1 1]
   [1 1 1 1]]

  [[1 1 1 1]
   [1 1 1 1]
   [1 1 1 1]]]
 [[[1. 1. 1. 1.]
   [1. 1. 1. 1.]
   [1. 1. 1. 1.]]

  [[1. 1. 1. 1.]
   [1. 1. 1. 1.]
   [1. 1. 1. 1.]]]

5、ndarray数组向列表的转换

 import numpy as np

 a = np.full((2, 3, 4), 25, dtype=np.int32)
 print(a)
 print(a.tolist())

 [[[25 25 25 25]
   [25 25 25 25]
   [25 25 25 25]]

  [[25 25 25 25]
   [25 25 25 25]
   [25 25 25 25]]]
 [[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]