数据分析第三篇：Numpy知识点

Numpy

将字符型数据转为datetime

import numpy as np
f = np.array(['','2019-01-01','2019-01-02 01:01:01'])

# 把f数组的元素类型改为日期类型
g = f.astype('M8[D]') # M8[Y] M8[M] M8[D]
print(g)

# 时间戳（将日期转为数） 上面g的单位不同，这边的数值也不同
# g中的值距离1970年总共有多少天
h = g.astype('int32')
print(h)
print(h[] - h[])

生成ndarray数组

- np.random.random((2,2))
- np.ones((3,4))
- np.zeros((2,2), dtype='int32')
- np.arange(1,10)
- np.linspace(0,2,10)
- np.eye(3)
- np.full((3,3),7)

np.random.random((,))
Out[]:
array([[ 0.61705652, 0.48264423],
[ 0.69303143, 0.35004567]])

np.ones((,))
Out[]:
array([[ ., ., ., .],
[ ., ., ., .],
[ ., ., ., .]])

np.zeros((,), dtype='int32')
Out[]:
array([[, ],
[, ]])

np.arange(,)
Out[]: array([, , , , , , , , ])

np.linspace(,,)
Out[]:
array([ . , 0.22222222, 0.44444444, 0.66666667, 0.88888889,
1.11111111, 1.33333333, 1.55555556, 1.77777778, . ])

np.eye()
Out[]:
array([[ ., ., .],
[ ., ., .],
[ ., ., .]])

np.full((,),)
Out[]:
array([[, , ],
[, , ],
[, , ]])

Numpy 的random模块

# 使用numpy.random的normal函数生成符合二项分布的随机数
n =
# ：期望值
# ：标准差
# n：数字生成数量
x= np.random.normal(, , n)
y= np.random.normal(, , n)

ndarray数组对象的维度操作

视图变维：array.reshape() array.ravel()

- ravel() 是扁平化但是不复制，公用一个对象
- flatten() 是扁平化同时复制，会生成一个新对象并且返回

import numpy as np
a = np.arange(,)
# 视图变维使用的还是原始数组中的数据，如果修改了原始数组中的数据，那么新数组读到的数据也会发生变化。
b = a.reshape((,))
print(a,b)
a[] =
print(b)
c = b.ravel()
print(c)

复制变维（数据独立）：flatten()

# 测试flatten
d=b.flatten().reshape((,))
d[] =
print(b)
print(d)

就地变维：直接修改数组维度，不返回新数组 resize() shape

d.resize(,,)
d.shape=(,)
print(d)

ndarray数组的切片操作

# 数组的切片与列表的切片参数类似
# 步长为正：默认从前往后切
# 步长为负：默认从后往前切
array[起始位置:终止位置:步长]
a = np.arange(,) # array([, , , , , , , , ])
a.resize(,) # array([[, , ],
# [, , ],
# [, , ]])
a[:, :] # 第2行到最后一行，所有列

ndarray数组的掩码操作

a = np.array([,,,,,,,])
f = np.array([True, False, True, False,False, True, False, True])
a[f]
Out[]: array([, , , ])

# 现在有数组的1-，我们现在要拿到数组中3的倍数或7的倍数
flag_a = a%==
flag_b = a%==

flag_a
Out[]:
array([False, False, True, False, False, True, False, False, True,
False, False, False, False, False, ... False, False, False,
False, False, True, False, False, True, False, False, True, False], dtype=bool)

flag = np.any([flag_a, flag_b], axis=)

a[flag]
Out[]:
array([ , , , , , , , , , , , , , , , , ,
, , , , , , , , , , , , , , , , ,
, , , , , , , , ])

多维数组的组合和拆分

垂直方向的操作：vstack() vsplit()

a = np.arange(,).reshape(,)
b = np.arange(,).reshape(,)

a
Out[]:
array([[, , ],
[, , ]])
b
Out[]:
array([[ , , ],
[, , ]])

c = np.vstack((a,b))
c
Out[]:
array([[ , , ],
[ , , ],
[ , , ],
[, , ]])

a,b = np.vsplit(c, )

水平方向的操作：hstack() hsplit()

d = np.hstack((a,b))
a,b = np.hsplit(d, )

深度方向的操作：dstack() dsplit() 二维数组深度操作会变为三维数组，最后拆分也是三维数组

a
Out[]:
array([[, , ],
[, , ]])

b
Out[]:
array([[ , , ],
[, , ]])

e = np.dstack((a,b))

e
Out[]:
array([[[ , ],
[ , ],
[ , ]],

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

a,b = np.dsplit(e,)
a
Out[]:
array([[[],
[],
[]],

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

多维数组组合与拆分的相关函数

# 根据axis所指定的轴向（,,）进行多维数组的组合
# 如果待组合的两个数组都是二维数组
# axis=:垂直方向
# axis=:水平方向
# 如果待组合的两个数组都是三维数组
# axis=:垂直方向
# axis=:水平方向
# axis=:深度方向
np.concatenate((a,b), axis=)
# 通过axis给定的轴向和拆分的份数对c进行拆分
np.split(c,,axis=)

长度不等的两个数组的组合操作

np.pad(ary, # 原始数组
pad_width=(,), # 补全方式（头部补0个，尾部补1个）
mode='constant', # 设置补全模式
constant_values=-) # 设置补全的默认值为-

a = np.arange(,)
a
Out[]: array([, , , ])
# 返回一个新数组
np.pad(a, pad_width=(,),mode='constant',constant_values=-)
Out[]: array([ , , , , -, -, -])

简单的一维数组的组合方案

a = np.arange(,)
b = np.arange(,)
# 垂直方向叠加
np.row_stack((a,b))
# 水平方向叠加
np.column_stack((a,b))

Numpy数组的其他属性

1.shape 维度

2.dtype 元素类型

3.size 元素的个数

4.ndim 维度

5.itemsize 元素字节数

6.nbytes 数组的总字节数

7.real 复数数组的实部

8.imag 复数数组的虚部

9.T 数组对象的转置视图

10.flat 返回数组的扁平迭代器

a = np.arange(,)
a.resize(,,)

a.size
Out[]: 

len(a)
Out[]: 

a.ndim
Out[]: 

a.shape
Out[]: (, , )

a.dtype
Out[]: dtype('int32')

a.dtype.name
Out[]: 'int32'

# ndarray数组的扁平迭代器
for i in a.flat:
print(i)
[e for e in a.flat]