Numpy基础

目录：

• 一、简介:
• 二、array数组ndarray：
• • [1.array( )创建数组：](#1.array( )创建数组：)
  • 2.数组赋值和引用的区别：
  • [3.arange( )创建区间数组：](#3.arange( )创建区间数组：)
  • [4.linspace( )创建等差数列：](#4.linspace( )创建等差数列：)
  • [5.logspace( )创建等比数列：](#5.logspace( )创建等比数列：)
  • [6.zeros( )创建全0数组：](#6.zeros( )创建全0数组：)
  • [7.ones( )创建全1数组：](#7.ones( )创建全1数组：)
  • 8.NumPy数组属性：
  • • （1）shape属性：
    • （2）reshape属性：调整数组维度
  • 9.一维数组切片、索引操作：
  • 10.二维数组切片、索引操作：
  • 11.整数数组索引：
  • • （1）一次性取多个元素，返回一维数组：
    • （2）一次性取多个元素，将待返回的一维数组重整成二维数组返回：
    • （3）一次性取连续的多行多列元素，返回二维数组：
    • （4）取特定行特定列不连续元素，返回二维数组：
  • 12.布尔数组索引：
  • • （1）以数组形式返回数组x>6的元素：
    • （2）以数组形式返回数组中奇数的元素：
    • （3）根据True|False返回数组中符合要求的元素数组：
    • • • 取行：
        • 取列：
• 三、广播机制：
• 四、numpy统计：
• • 1.平均值：
  • 2.中位数：
  • 3.标准差：
  • 4.方差：
  • 5.最大值：
  • 6.最小值：
  • 7.加权平均值：
• 五、自定义结构化数据类型：
• • • • *注：数据类型别名：*
• 六、文件操作：
• • 1.读取普通文本文件：
  • 2.读取csv文件：
  • 3.读取不同列表示不同信息文件：
  • 4.空数据处理：
• 七、随机数：
• 八、numpy常用函数：
• • [1.resize( ):](#1.resize( ):)
  • [2.unique( ):](#2.unique( ):)
  • [3.sort( ):](#3.sort( ):)

一、简介:

• 是Python 科学计算库，方便对数组、矩阵进行计算，包含大量线性代数、傅里叶变换、随机数等大量函数。
• 直接以数组、矩阵为粒度计算并支撑大量的数学函数，效率高。
• 各种数据科学类库（Scikit-Learn、TensorFlow、Pandas）等的基础库。

二、array数组ndarray：

1.array( )创建数组：

import numpy as np
my_list = [
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12],
    [13,14,15,16]
]
#先将my_list二维数组元素强转为float型，然后是用该数组创建二维ndarray数组
my_ndarray = np.array(my_list,float,ndmin=2)
print(my_ndarray)

2.数组赋值和引用的区别：

#1.引用机制（指针）
my_ndarray_copy = my_ndarray
print('my_ndarray的内存地址：',id(my_ndarray))
print('my_ndarray_copy的内存地址：',id(my_ndarray_copy))

#2.拷贝机制
my_ndarray_copy = np.array(my_ndarray)
print('my_ndarray的内存地址：',id(my_ndarray))
print('my_ndarray_copy的内存地址：',id(my_ndarray_copy))

3.arange( )创建区间数组：

a = np.arange(10,20,2,dtype=float)
print(a)

4.linspace( )创建等差数列：

等差数列在线性回归经常用作样本集

#创建起始值为0，终止值为100，样本数量为11的等差数列数组
b = np.linspace(0,100,11,dtype=int)
print(b)

5.logspace( )创建等比数列：

#首先将1-5区间均匀取3个数X（1,3,5），然后创建int型等比数列，元素值为X^base(起始值为1^2，终止值为5^2)
c = np.logspace(1,5,3,base=2,dtype=int)
print(c)

6.zeros( )创建全0数组：

'''
第一个参数：
	(a)表示a个元素的一维数组
	(a,b)表示a行b列的二维数组
	(a,b,c)表示a块，每块b行c列的三维数组	
'''
#创建2行2列的全0数组
d = np.zeros((2,2),dtype=int)
print(d)

7.ones( )创建全1数组：

参数同全0

'''
第一个参数：
	(a)表示a个元素的一维数组
	(a,b)表示a行b列的二维数组
	(a,b,c)表示a块，每块b行c列的三维数组	
'''
#创建2行2列的全1数组
e = np.ones((2,2),dtype=int)
print(e)

8.NumPy数组属性：

（1）shape属性：

• shape返回值：
  • (a)表示a个元素的一维数组
  • (a,b)表示a行b列的二维数组
  • (a,b,c)表示a块，每块b行c列的三维数组

（2）reshape属性：调整数组维度

返回调整维度后的副本，而不改变原ndarray

f = np.arange(20).reshape(4,5)
print(f)

9.一维数组切片、索引操作：

• 冒号：：解释
  • [2]将返回与该索引相对应的单个元素
  • [2:7]将返回两个索引之间的元素，不包括停止索引
  • [2:]表示从该索引开始以后的所有元素都将被提取
  • [:7]表示该索引之前的所有元素都将被提取
  • [::-1]表示取反，从后往前取所有元素，步长为-1

a1 = np.arange(10)
print(a1)
#切片操作（注意是引用，a1、a2实际上指向同一片内存空间）
a2 = a1[2:7:2]
print(a2)

#理解引用机制，并理解索引=数组下标=位序-1，
a2[1]=888
print(a1)
print(a2)

10.二维数组切片、索引操作：

• 冒号：：解释
  • [2]将返回一维数组
  • [2][2]将返回特定元素
  • [2:7]将返回两个索引之间的一维数组集，即返回一个二维数组，不包括停止索引
  • [2:]表示从该索引开始以后的所有一维数组集，即返回一个二维数组都将被提取
  • [:7]表示该索引之前的所有一维数组集，即返回一个二维数组都将被提取
  • [...][1]表示[...]先取所有行即取所有元素，[1]再取所有行的第二行一维数组
  • [2,2]将返回特定元素
  • [...,1]或[:,1]返回第二列元素，组成一个一维数组返回
  • x[...,1:]返回第二列之后的所有列，组成一个二维数组返回

11.整数数组索引：

（1）一次性取多个元素，返回一维数组：

x = np.array([
    [1,2],
    [3,4],
    [5,6]
])
#[0,0,2]是行索引，[0,1,1]是列索引，表示取[0,0]、[0,1]、[2,1]的元素，组成一维数组返回
y = x[[0,0,2],[0,1,1]]
y

（2）一次性取多个元素，将待返回的一维数组重整成二维数组返回：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
#行索引
r = np.array([0,0,0,2])
#列索引
c = np.array([0,1,2,2])
#x[r,c]根据索引获取一维数组，reshape(2,2)将返回的4*1一维数组转为2*2的二维数组
s = x[r,c].reshape(2,2)
s

（3）一次性取连续的多行多列元素，返回二维数组：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
#行取2行3行，列取2列3列
y = x[1:3,1:3]
y

（4）取特定行特定列不连续元素，返回二维数组：

#取1,3行、1,3,4列所有元素
x = np.array([
    [1,2,3,4],
    [4,5,6,7],
    [7,8,9,10]
])
#先取1,3行，:可以换成...
temp = x[[0,2],:]
#再根据上一步结果取1,3,4列，:可以换成...
temp[:,[0,2,3]]

12.布尔数组索引：

• 当返回的结果需要经过布尔运算时，会使用到另一种高级索引方式，即布尔数组索引。

（1）以数组形式返回数组x>6的元素：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
# 
x[x>6]

（2）以数组形式返回数组中奇数的元素：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
#将数组中所有奇数置为-1（x[x%2!=0]获取奇数，=-1赋值）
x[x%2!=0] = -1
x

（3）根据True|False返回数组中符合要求的元素数组：

取行：

x = np.array([
    [1,2,3,4],
    [4,5,6,7],
    [7,8,9,10]
])
row = np.array([False,False,True])
print(x[row,...])

取列：

column = np.array([True,False,True,False])
x = np.array([
    [1,2,3,4],
    [4,5,6,7],
    [7,8,9,10]
])
print(x[...,column])

三、广播机制：

• 广播是numpy对不同形状的数组进行数值计算的方式，对数组的算术运算通常在相应的元素上进行。
  • （1）若两个数组形状相同 ，那么两个数组相乘即为数组对应位置元素相乘。
  • （2）若两个数组形状不同，那么两个数组相乘就需要使用广播机制。
• 广播机制的核心是对形状较小的数组，在横向或纵向的进行一定次数的重复，使其与形状较大的数组具有相同的维度后相加。

• 广播的规则：
  • 输出数组 的形状是是输入数组形状的各个维度上的最大值。
  • 如果输入数组 的某个维度和输出数组 的对应维度的长度相同或输入数组 的某个维度的长度为1时，这个输入数组能够用来计算，否则不能运算。
  • 当输入数组的某个维度的长度为1时，沿着此维度运算时都用此维度上的第一组数组值。

四、numpy统计：

1.平均值：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
#计算所有元素平均值
print(x.mean())
#从上至下计算每列平均值，返回一维数组
print(x.mean(axis=0))
#从左至右计算每行平均值，返回一维数组
print(x.mean(axis=1))

2.中位数：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.median(x)

3.标准差：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.std(x)

4.方差：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.var(x)

5.最大值：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.max(x)

6.最小值：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.min(x)

7.加权平均值：

x = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
np.average(x)

五、自定义结构化数据类型：

#创建结构体
teacher = np.dtype([
    #(变量名称,变量数据类型->"数据类型别名+所占字节数")
    ("name","U8"),
    ("age","i1"),
    ("salary","f4")
])
#创建数组，数组元素为teacher类型
b = np.array(
    [
        ("clh",20,30000),
        ("ccc",18,10000)
    ],dtype = teacher
)
print("数组b内容为：",b)
print("数组中所有name:",b["name"])

注：数据类型别名：

六、文件操作：

注意：skiprows不忽略注释行和空白行，从文档第一行跳过

1.读取普通文本文件：

• 文本文件一般用空格分隔数据
  

data = np.loadtxt("data.txt",dtype=np.int32)

2.读取csv文件：

• csv文件是以逗号分隔的文本文件
  

data = np.loadtxt("data.csv",dtype=np.int32,delimiter=",")

3.读取不同列表示不同信息文件：

 #1.定义结构体
user_info = np.dtype(
    [
        ("name","U10"),
        ("age","i1"),
        ("gender","U1"),
        ("height","i2")
    ]
)
#2.用结构体类型接数据，并且使用skiprows跳过第一行不读
data = np.loadtxt("data.txt",dtype=user_info,skiprows=1,encoding="utf-8")

4.空数据处理：

#使用异常机制
def parse_age(age):
    try:
        return int(age)
    except:
        return 0
#converters调用自定义函数进行空数据处理        
data = np.loadtxt("data.csv",delimiter=",",usecols=1,converters={1:parse_age})  
    

七、随机数：

'''
(a)表示a个元素的一维数组
(a,b)表示a行b列的二维数组
(a,b,c)表示a块，每块b行c列的三维数组
'''


#创建[0,1)内给定维度的随机数组，该组元素符合正态分布
np.random.rand(3,3)

#返回5*5个[1,5)内的随机整数
np.random.randint(1,5,size=(5,5))

八、numpy常用函数：

1.resize( ):

#元素不够时使用原数组数据补齐
a = np.array([1,2,3,4,5,6,7,8,9])
np.resize(a,(4,4))

#元素不够时使用0补齐
a = np.array([1,2,3,4,5,6,7,8,9])
a.resize((4,4),refcheck=False)
a

2.unique( ):

#去重+排序，返回去重后的数组+元素所在原数组的索引+各元素重复次数
a = np.array([2,3,4,5,6,1,2,3])
b,indices,nums = np.unique(a,return_index=True,return_counts=True)
print(b)
print(indices)
print(nums)

3.sort( ):

#结构体
teacher = np.dtype([
    #(变量名称,变量数据类型)
    ("name","U8"),
    ("age","i1"),
    ("salary","f4")
])
#创建数组，数组元素为teacher类型
b = np.array(
    [
        ("clh",20,30000),
        ("ccc",18,10000)
    ],dtype = teacher
)
#按年龄排序
np.sort(b,order="age")