数据分析-numpy1

numpy

• numpy是什么？

• 使用Numpy可以方便的使用数组、矩阵进行计算
• 包含线性代数、傅里叶变换、随机生成等大量函数

• numpy创建数组

array创建数组

引入numpy
import numpy as np
元组
np.array((1,2,3,4,5))

数组
a=np.array([1,2,3,4,5])
b=np.array(a)
#b=a

迭代对象
np.array(range(10))

生成器
np.array([i**2 for i in range(10)])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

• 练习1：创建10以内偶数的数组

import numpy as np
a=np.array([i for i in range(10) if i%2==0])
1
2

1. 设置dtype参数，默认自动识别

a=np.array([1,2,3,4,5])
has_dtype_a=np.array([1,2,3,4,5],dtype='float')
结果：array([1.,2.,3.,4.,5.])
1
2
3

思考：将浮点设置成整型

np.array([1.1,2.5,3.8,4,5],dtype='int')  #强制转换直接取整
结果:[1,2,3,4,5]
1
2

2. 设置coppy参数，默认为True

a=np.array([1,2,3,4,5])
b=np.array(a)
print('a',id(a),' b',id(b))
#两者地址不同

a=np.array([1,2,3,4,5])
b=a
#两者地址相同

a=np.array([1,2,3,4,5])
b=np.array(a,copy=False)
#两者地址相同
1
2
3
4
5
6
7
8
9
10
11
12

3. ndmin用于指定数组的维度

a=np.array([1,2,3],ndmin=2)
a.ndim
1
2

4. subok参数，类型为bool值，默认False。为True，使用object的内部数据类型；False:使用数组的数据类型

#创建一个矩阵
a=np.mat([1,2,3,4])
#复制副本，保持原类型
b=np.array(a.subok=True)
c=np.array(a) #默认为False
#a、b类型相同
1
2
3
4
5
6

arange()生成区间数组

np.arange(3.1)
#array[0.,1.,2.,3.]

np.arange(5,dtype=float)
#array[0.,1.,2.,3.,4.,5.]
1
2
3
4
5

• linspace()等差数列
  

#包含终止值
a=np.linspace(2.0,5.0,num=5,endpoint=False)
1
2

• logspace()等比数列
  

a=np.logspace(0,9,10,base=2)
#省略base,默认为10
1
2

numpy数组属性

• ndarray.shape
  返回一个包含数组维度的元组，对于矩阵，n行m列，它也可以用于调整数组维度
  
• 调整维度reshape

a=np.arange(20).reshape((4,5))
1

1. 调整维度resize
   
   

切片和索引

ar1=np.arange(10)
ar2=ar1[2:7:2]
结果：ar2([2,4,6])
1
2
3

注意
1：切片可以使用省略号"…"，如果在行位置，打印所有行元素。反之，则包含所有列元素
2：返回第二列后所有元素ar4[…,1:]
3：返回第二列后的所有项 ar4[…][1]

numpy广播机制

a=np.array([1,2,3,4])
b=np.array([10,20,30,40])
c=a*b
print(c)
1
2
3
4

a=np.array([[0,0,0],
   [10,10,10],
   [20,20,20],
   [30,30,30]
  ])
b=np.array([0,1,2])
print((a+b))
结果：
[[ 0  1  2]
 [10 11 12]
 [20 21 22]
 [30 31 32]]
1
2
3
4
5
6
7
8
9
10
11
12

• 广播规则