数据分析---科学计算工具numpy（上）

xiaoxiao2022-07-07 151

文章目录

科学计算工具numpy（上）一、什么是numpy？二、numpy基础数据结构1.numpy数组---ndarray的基本操作（属性）2.创建numpy数组---ndarray（1）列表，元组，数组，生成器等做np下的array()函数的参数创建数组（2）用np下的linspace()函数（3）用np下的zeros()、zeros_like()、ones()、ones_like() 函数（4）用np下的eye()函数（5）np下的reshape()函数三、numpy通用函数与方法1.数组的形状：T 、reshape()、resize()（1）T 、reshape()、resize()（2）reshape()与resize() 的区别 2.ndarray的复制3.改变numpy的元素类型（1）在生成np时，可以通过设置dtype属性来设置元素的类型（2）改变已经生成的numpy元素类型 3.ndarray堆叠3.ndarray的拆分3.ndarray的简单运算小结

科学计算工具numpy（上）

一、什么是numpy？

Numpy是python开源的科学计算工具包，它含有以下功能：

强大的N维数组对象：ndarray对数组结构进行运算（不用遍历循环）随机数、线性代数、傅里叶变换等功能

二、numpy基础数据结构

1.numpy数组—ndarray的基本操作（属性）

numpy数组是一个多维数组对象，称为ndarray，其由两部分构成：

实际的数据描述这些数据的元数据

eg：

import numpy as np lst =[[1, 2, 3, 4], [2, 3, 4, 5], [3, 4, 5, 6]] ar = np.array(lst) print(lst) print(ar, type(ar)) # ar是n维数组类型 print(ar.ndim) # ndim返回numpy的轴数 print(ar.shape) # shape返回numpy的纬度，轴数与列数，且是一个元组，（3，4） print(ar.size) # 返回元素个数 print(ar.dtype) # ndarray中元素的类型 print(ar.itemsize) # ndarray中一个元素所占的字节数 print(ar.data) # ndarray对象ar的物理地址 # 结果： [[1, 2, 3, 4], [2, 3, 4, 5], [3, 4, 5, 6]] [[1 2 3 4] [2 3 4 5] [3 4 5 6]] <class 'numpy.ndarray'> 2 (3, 4) 12 int32 4 <memory at 0x000001FFFB43CA68>

2.创建numpy数组—ndarray

（1）列表，元组，数组，生成器等做np下的array()函数的参数创建数组

eg：

# 创建数组，array()函数的括号中可以是列表，元组，数组，生成器等 ar1 = np.array(range(10)) # range是一个生成器 ar2 = np.arange(10) # 等价于上一行代码, arange和range的用法一模一样，只是这是调用的np的方法 print(ar1) print(ar2) # 如果元素类型不同，会自动将类型转为大的 ar3 = np.array([[1, 2, 3, 4], ['a', 'b', 'c', 'd']]) print(ar3) # 如果每个轴中的元素不等，则无论之前输入的是多少维，都会自动的变为一维数组 ar4 = np.array([[1, 2, 3, 4, 5], ['a', 'b', 'c', 'd']]) print(ar4, ar4.ndim) # 结果： [0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9] [['1' '2' '3' '4'] ['a' 'b' 'c' 'd']] [list([1, 2, 3, 4, 5]) list(['a', 'b', 'c', 'd'])] 1

（2）用np下的linspace()函数

print(np.linspace(10, 20, num=6)) # []左闭右闭，num是表示显示几个数，如果是n等分，则num = n + 1 print(np.linspace(10, 20, num=6, endpoint=False)) # endpoint是否包含最后一个点 print(np.linspace(10, 20, num=6, retstep=True)) # retstep为True会返回一个二元元组，第二个参数是步长 # 结果： [10. 12. 14. 16. 18. 20.] [10. 11.66666667 13.33333333 15. 16.66666667 18.33333333] (array([10., 12., 14., 16., 18., 20.]), 2.0)

（3）用np下的zeros()、zeros_like()、ones()、ones_like() 函数

# zeros() zeros_like() 元素全是0 ones() ones_like() 元素全是1 print(np.zeros(10)) print(np.zeros((3, 5))) # 注意：这里参数是元组 print(np.zeros((3, 5), dtype=np.int)) ar1 = np.array([list(range(10)), list(range(10, 20))]) print(np.zeros_like(ar1)) ar2 = np.array(['a', 'b']) print(np.zeros_like(ar2)) # ones和zeros的用法一模一样 ar2 = np.array(['a', 'b']) print(np.ones_like(ar2)) # 结果： [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] [[0 0 0 0 0] [0 0 0 0 0] [0 0 0 0 0]] [[0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]] ['' ''] ['1' '1']

（4）用np下的eye()函数

# 用eye()方法，默认生成的是对角线为1的n×n矩阵 print(np.eye(5)) # 结果： [[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.]]

（5）np下的reshape()函数

# 以后常用的生成ndarray的方法 print(np.random.rand(10).reshape(2, 5)) # 结果： [[0.39366876 0.16007069 0.9278696 0.06349453 0.13076 ] [0.9044376 0.70655228 0.34562442 0.34571877 0.60094136]] # 当然，一个已经存在了的np，也可以用reshape来改变形状 ar = np.arange(10) b = ar.reshape(2, 5) print(b) # 结果 [[0 1 2 3 4] [5 6 7 8 9]]

三、numpy通用函数与方法

1.数组的形状：T 、reshape()、resize()

（1）T 、reshape()、resize()

eg:T

ar = np.array([list(range(5)), list(range(5,10))]) print(ar.T) # 注意：这里是ar.T 不是ar.T() #结果： [[0 5] [1 6] [2 7] [3 8] [4 9]]

eg：reshape()

ar = np.array([list(range(5)), list(range(5,10))]) print(np.reshape(ar, (5, 2))) # 用np下的reshape()函数 print(ar.reshape(5, 2)) # 用ndarray下的reshape()方法 #结果： [[0 1] [2 3] [4 5] [6 7] [8 9]] [[0 1] [2 3] [4 5] [6 7] [8 9]] [[0 1 2 3 4] [5 6 7 8 9]]

eg：resize()

print(np.resize(ar, (5, 2))) # 用np下的resize()函数 print(ar.resize(5, 2)) # 用array下的resize()方法，发现是不行的，只能用np下的方法 #结果： [[0 1] [2 3] [4 5] [6 7] [8 9]] None

（2）reshape()与resize() 的区别

注意：reshape()与resize()的不同之处在于，对于reshape()之前与之后的元素个数必须相同，而resize()不足的随机补充，过长就截断 eg:

import numpy as np ar = np.arange(4) b = np.resize(ar, (3, 4)) print(b) # 结果: [[0 1 2 3] [0 1 2 3] [0 1 2 3]]

2.ndarray的复制

eg:

import numpy as np ar = np.array([list(range(5)), list(range(5,10))]) ar2 = ar.copy() # 属于深复制 print(ar2) #结果： [[0 1 2 3 4] [5 6 7 8 9]]

3.改变numpy的元素类型

（1）在生成np时，可以通过设置dtype属性来设置元素的类型

eg： ar = np.array([1, 2, 3.0], dtype=int) print(ar) # 结果 [1 2 3]

（2）改变已经生成的numpy元素类型

注意：numpy中的数据类型转换，不能直接改原数据的dtype！只能用函数astype()。 eg：dtype与astype()

ar = np.arange(3) print(ar, ar.shape) b = ar.astype('float32') print(b, b.shape) ar.dtype = 'float32' print(ar, ar.shape) # 结果： [0 1 2] (3,) [0. 1. 2.] (3,) [0.e+00 1.e-45 3.e-45] (3,)

结论：resize()只能用np.resize()

3.ndarray堆叠

注意：hstack()是横向堆叠， vstack是竖直堆叠 eg：

ar = np.array([[1], [2], [3]]) # 3*1 ar2 = np.array([['a'], ['b'], ['c']]) # 3*1 print(np.hstack((ar, ar2))) # 横向连接 3*2 print(np.vstack((ar, ar2))) # 竖向叠加 6*1 # 结果： [['1' 'a'] ['2' 'b'] ['3' 'c']] [['1'] ['2'] ['3'] ['a'] ['b'] ['c']]

3.ndarray的拆分

注意：hsplit()是横向拆分， vsplit()是竖直拆分 eg：

ar = np.arange(16).reshape(4, 4) print(ar) print(np.hsplit(ar, 2)[0]) # 数值2代表的是要分成几列，0是代表取第1列数据 # 结果： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] [[ 0 1] [ 4 5] [ 8 9] [12 13]]

3.ndarray的简单运算

eg：

ar = np.arange(8).reshape(2, 4) print(ar + 10) # 加法 print(ar - 1) # 减法 print(ar * 10) # 乘法 print(ar / 2) # 除法 print(ar.mean()) # 求平均数 print(ar.max()) # 求最大值 print(ar.min()) # 求最小值 print(ar.std()) # 求标准差 print(ar.var()) # 求方差 print(np.sort(ar)) # 排序 print(ar.sum()) # 求和 print(np.sum(ar, axis=1)) # 求方和,axis=1是按照行求和，axis=0是按照列求和

小结

narray的转置是ar.T，不是ar.T()用np的函数的有：np.resize()、np.astype()、按行列求和np.sum(ar, axis=1)、np.sort()

数据分析—科学计算工具numpy（下）

最新回复(0)