numpy函数的使用

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

数据分析三剑客：Numpy,Pandas,Matplotlib

一、创建ndarray

1.使用np.array()创建

• 一维数组创建

import numpy as np

np.array([1,2,3])

• 二维数组的创建

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

注意：

• numpy默认ndarray的所有元素的类型是相同的
• 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

• 使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

import matplotlib.pylab as plt

# 读取图片二进制数据
img_arr = plt.imread('img_dir')

# 将图片展示
plt.imshow(img_arr) 

# 将图片所有数据减少
plt.imshow(img_arr - 100)

# 操作该numpy数据，该操作会同步到图片中

2.使用np的routines函数创建

• np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

np.linspace(0,100,num=20)

out: array([  0.        ,   5.26315789,  10.52631579,  15.78947368,
        21.05263158,  26.31578947,  31.57894737,  36.84210526,
        42.10526316,  47.36842105,  52.63157895,  57.89473684,
        63.15789474,  68.42105263,  73.68421053,  78.94736842,
        84.21052632,  89.47368421,  94.73684211, 100.        ])

• np.arange([start, ]stop, [step, ]dtype=None)

np.arange(0,100,2)

out: array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32,
       34, 36, 38, 40, 42, 44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66,
       68, 70, 72, 74, 76, 78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98])

• np.random.randint(low, high=None, size=None, dtype='l')

#固定随机性
#随机因子：系统的时间
np.random.seed(100)
arr = np.random.randint(0,100,size=(4,5))

• np.random.random(size=None)
• 生成0到1的随机数，左闭右开 np.random.seed(3)

np.random.random(size=(4,5))

out: array([[0.56229626, 0.00581719, 0.30742321, 0.95018431, 0.12665424],
       [0.07898787, 0.31135313, 0.63238359, 0.69935892, 0.64196495],
       [0.92002378, 0.29887635, 0.56874553, 0.17862432, 0.5325737 ],
       [0.64669147, 0.14206538, 0.58138896, 0.47918994, 0.38641911]])

二、ndarray的属性

• 4个必记参数： ndim：维度 shape：形状（各维度的长度） size：总长度 dtype：元素类型

arr.shape
arr.size
img_arr.size
arr.dtype

三、ndarray的基本操作

1.索引

• 一维与列表完全一致 多维时同理

print(arr)

out: array([[ 8, 24, 67, 87, 79],
       [48, 10, 94, 52, 98],
       [53, 66, 98, 14, 34],
       [24, 15, 60, 58, 16]])
print(arr[1])

out:　array([48, 10, 94, 52, 98])

2.切片

• 一维与列表完全一致 多维时同理

#获取二维数组前两行
arr[0:2]

#获取二维数组前两列
arr[:,0:2]  #arr[hang,lie]

#获取二维数组前两行和前两列数据
arr[0:2,0:2]

#将数组的行倒序
arr[::-1]

#列倒序
arr[:,::-1]

#全部倒序
arr[::-1,::-1]

3.变形

• 使用arr.reshape()函数，注意参数是一个tuple！
• 基本使用：

1. 将一维数组变形成多维数组

import numpy as np

arr_1 = np.random.randint(0, 100, size=(20,))

arr_1.reshape((2, 10))
# 把其中一维的数据设为-1，会自动计算
arr_1.reshape((5, -1))

　　2.  将多维数组变形成一维数组

arr_1 = arr.reshape(20,)

4.级联

• np.concatenate()

1. 一维，二维，多维数组的级联，实际操作中级联多为二维数组

# 按照行来进行级联
np.concatenate((arr,arr,arr),axis=1)

# 按照列来进行级联
np.concatenate((arr,arr,arr),axis=0)

级联需要注意的点：

• 级联的参数是列表：一定要加中括号或小括号
• 维度必须相同
• 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
• 可通过axis参数改变级联的方向

四、ndarray的聚合操作

1. 求和np.sum

arr.sum(axis=1)

2. 最大最小值：np.max/ np.min

arr.max()

arr.min()

3.平均值：np.mean()

其他聚合操作
Function Name    NaN-safe Version    Description
np.sum    np.nansum    Compute sum of elements
np.prod    np.nanprod    Compute product of elements
np.mean    np.nanmean    Compute mean of elements
np.std    np.nanstd    Compute standard deviation
np.var    np.nanvar    Compute variance
np.min    np.nanmin    Find minimum value
np.max    np.nanmax    Find maximum value
np.argmin    np.nanargmin    Find index of minimum value
np.argmax    np.nanargmax    Find index of maximum value
np.median    np.nanmedian    Compute median of elements
np.percentile    np.nanpercentile    Compute rank-based statistics of elements
np.any    N/A    Evaluate whether any elements are true
np.all    N/A    Evaluate whether all elements are true
np.power 幂运算

六、ndarray的排序

1. 快速排序

np.sort()与ndarray.sort()都可以，但有区别：

• np.sort()不改变输入
• ndarray.sort()本地处理，不占用空间，但改变输入

np.sort(arr,axis=0)