Python数据分析基础——Numpy tutorial

参考link  https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

基础

Numpy主要用于处理多维数组，数组中元素通常是数字，索引值为自然数

在Numpy中，维度被称为axes，axes的总数为rank (秩)

（关于矩阵秩的概念，可以参考https://www.zhihu.com/question/21605094 与

https://www.applysquare.com/topic-cn/78QfWkiPt/）

Numpy的数组类称为 ndarray，别名array

（numpy.array与 array.array不同，后者只处理一维数组）

ndarray属性

1. ndim

返回数组的秩

2.shape

返回数组各个维度大小

3.size

数组所有元素总个数，与shape结果相等

4.dtype

数组元素类型

5.itemsize

字节表示的元素类型大小，与ndarray.dtype.itemsize相等

int32 -> 4 (32/8)  int64 -> 8 (64/8)

6.data

包含数组实际元素的缓存区，通常不使用

举例

 import numpy as np
 a=np.arange(15).reshape(3,5)
 print(a)

 out:
 array([[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14]])

 print(type(a))
 print(a.shape)
 print(a.ndim)
 print(a.dtype.name)
 print(a.item.size)

 out:
 numpy.ndarray
 (3,5)
 2
 'int32'
 4

创建数组

 #将列表转换为array
 >>> import numpy as np
 >>> a = np.array([2,3,4])
 >>> a
 array([2, 3, 4])
 >>> a.dtype
 dtype('int32')
 >>> b = np.array([1.2, 3.5, 5.1])
 >>> b.dtype
 dtype('float64')

 #创建二维数组array
 >>> b = np.array([(1.5,2,3), (4,5,6)])
 >>> b
 array([[ 1.5,  2. ,  3. ],
        [ 4. ,  5. ,  6. ]])

 #创建一维数组
 >>> np.arange( 10, 30, 5 )
 array([10, 15, 20, 25])
 >>> np.arange( 0, 2, 0.3 )
 array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])

 #使用linespace创建数组
 >>> from numpy import pi
 >>> np.linspace( 0, 2, 9 )
 array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
 >>> x = np.linspace( 0, 2*pi, 100 )
 >>> f = np.sin(x)

 >>> b = np.arange(12).reshape(3,4)
 >>> b
 array([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
 >>>
 >>> b.sum(axis=0)                   # 按列求和
 array([12, 15, 18, 21])
 >>> b.sum(axis=1)                  # 按行求和
 array([ 6, 22, 38])
 >>> b.min(axis=1)                   # 每行最小值
 array([0, 4, 8])
 >>> b.cumsum(axis=1)            # 按列累积求和
 array([[ 0,  1,  3,  6],
        [ 4,  9, 15, 22],
        [ 8, 17, 27, 38]])

 # 常用函数
 >>> B = np.arange(3)
 >>> B
 array([0, 1, 2])
 >>> np.exp(B)
 array([ 1.  ,  2.71828183,  7.3890561 ])
 >>> np.sqrt(B)
 array([ 0.  ,  1.  ,  1.41421356])
 >>> C = np.array([2., -1., 4.])
 >>> np.add(B, C)
 array([ 2.,  0.,  6.])

 # 索引、切片、迭代
 # 一维数组
 >>a=np.arange(10)**3
 >>print(a)
 array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729], dtype=int32)
 >>a[2]
 8
 >>a[2:5]
 array([ 8, 27, 64], dtype=int32)
 >>a[:6:2]=-100
 >>a
 array([-10,   1, -10,  27, -10, 125, 216, 343, 512, 729], dtype=int32)
 >>a[::-1]
 array([729, 512, 343, 216, 125, -10,  27, -10,   1, -10], dtype=int32)

 #多维数组
 >>> def f(x,y):
 ...     return 10*x+y
 ...
 >>> b = np.fromfunction(f,(5,4),dtype=int)
 >>> b
 array([[ 0,  1,  2,  3],
        [10, 11, 12, 13],
        [20, 21, 22, 23],
        [30, 31, 32, 33],
        [40, 41, 42, 43]])
 >>> b[2,3]
 23
 >>> b[0:5, 1]                       #第二列
 array([ 1, 11, 21, 31, 41])
 >>> b[ : ,1]                        #第二列
 array([ 1, 11, 21, 31, 41])
 >>> b[1:3, : ]                      #第二行、第三行
 array([[10, 11, 12, 13],
        [20, 21, 22, 23]])
 >>b[-1]                             #相当于 b[-1,:],最后一行
 array([40, 41, 42, 43])