【数据分析】之【Numpy】学习知识梳理

【数据分析】之【Numpy】学习知识梳理

一、dtype的用法

1. dtype 是用于描述数据类型的对象

2. 常见dtype类型

3. 用途

3.1 创建数据时可以指定dtype

3.2 可用于数据类型转换-->np.astype()

import numpy as np
a=np.arange(1,10)
b=a.astype('float32')
print(b)

3.3 dtype自定义数据类型

import numpy as np
date=[('zhangsan',(90,100,99),18),
      ('lisi',(98,90,99),19),
      ('wangmazi',(97,102,77),17)]
#  1. dtype自定义数据类型
a=np.array(date,dtype={#用字典键值对的形式
    'names':['name','scores','age'],
    'formats':['U8','3int','int']
})
print(a)
#  2. 测试数组中存储日期数据类型
date2=['2006-03-21','2002-03-17','2025','2025-06-08T21:37:50']
b=np.array(date2)
print(b)
print('-'*50)
#用astype转换数据类型
b=b.astype('M8[s]')
print(b)
#两点注意：
#1. 日期中比如三月不能用3表示，要用03表示
#2. M8[*]中限制输出时，年月日为大写Y,M,D;时分秒为小写h,m,s
print('-'*50)

二、数组变维

1. 什么时候用数组变维？

·数据处理：例如将一维数据转换为二维矩阵，便于进行矩阵运算。 ·模型输入要求：机器学习模型通常要求输入特定形状的数组（如(batch_size, height, width, channels)）。 ·内存效率：高维数组可以在不复制数据的情况下重新组织视图。

2. NumPy 数组变维的主要方法

2.1. reshape() 方法

功能：返回一个新的数组对象，具有指定的维度，原数组数据不变。 语法：array.reshape(shape) 或 np.reshape(array, shape)

2.2. 直接赋值修改 shape 属性（就地变维）

功能：直接改变原数组的形状（注意：数据布局不变，可能导致逻辑错误）。 语法：array.shape = new_shape。

2.3. ravel() 和 flatten()：多维数组展平为一维

ravel()：返回视图（不复制数据），修改会影响原数组。 flatten()：返回副本（复制数据），修改不影响原数组。

2.4 上述方法示例代码

import numpy as np
#共享变维---改变d，c也会改变；改变c，d也会改变
c=np.arange(1,10)
print(c)
d=c.reshape(3,3)
print('共享变维',d)
print('-'*50)
#复制变维---数据之间相互独立---flatten
e=c.flatten()
print('复制变维',e)
print('-'*50)
#就地变维
#就地变维法一
e.shape=(3,3)
print('就地变维',e)
print('-'*50)
#就地变维法二
e.resize(9,)
print('就地变维方法二',e)

三、数组切片

1. 基本语法--和列表相似

array[start:stop:step, start:stop:step, ...]  # 多维切片

• start：起始索引（包含，默认 0）。
• stop：结束索引（不包含，默认数组长度）。
• step：步长（默认 1，负数表示反向）。

2. 代码示例

import numpy as np
#数组切片
#数组对象[初始下标（包含）:终止下标（不包含）:步长]
#1. 初始下表省略默认为0，终止下标不写默认到数组结束，步长不写默认为1
#2. 初始、终止下标、步长为负数时，表示从后往前切
#3. 注意啊！！中间用：分隔
e=np.arange(1,10)
print('一维数组切片',e[0:6:1])
 
#多维数组切片
#eg：二维数组：数组对象[初始下标（包含）:终止下标（不包含）:步长 , 初始下标（包含）:终止下标（不包含）:步长]
#                       ->前半部分用来切行                   ->后半部分用来切列
#三维数组也一样   [***,***,***,]   ---> 第一部分用来切页，第二部分切行，第三部分切列
#               其中***就是这个结构：--> 初始下标（包含）:终止下标（不包含）:步长

注 ：NumPy 切片返回原数组的视图，修改切片会影响原数组

四、数组的组合与拆分

1. 速查表

2.上述方法示例代码

import numpy as np
# h 表示水平；v 表示垂直，d 表示深度；stack 表示组合；split 表示拆分
a=np.arange(1,7).reshape(2,3)
b=np.arange(7,13).reshape(2,3)
print(a,'-->a')
print(b,'-->b')
#水平方向的操作
c=np.hstack((a,b))  #要注意！！hstack（）函数中的参数是元组，要再带上括号
print(c,'-->c')
a,b=np.hsplit(c,2) #注意！！拆成几份就要用几个对应的参数来接收
print(a,'-->a')
print(b,'-->b')
#垂直方向的操作类似，将"h"换成"v"即可
 
#深度方向的操作
d=np.dstack((a,b))
print(d,'-->d')    #深度方向组合后得到的可能是从某一个角度看过去的多维数组的shape样子
e,f=np.dsplit(d,2)
print(e,'-->e')
print(f,'-->f')
 
#  代替上述所有的一个函数
#   通过axis作为关键字参数指定组合的方向 ， 取值如下
#    0 : 垂直方向组合拆分
#    1 : 水平
#    2 : 深度  （深度只有三维数组能用）
#    concatenate表示组合
#    spilt表示拆分
h=np.concatenate((a,b),axis=1)
print(h,'-->h')
i,j=np.split(h,2,axis=1)
print(i,'-->i')
print(j,'-->j')
 
#长度不等的数组组合
a=np.array([1,2,3,4,5])
b=np.array([1,2,3,4])
 # 填充b数组使其长度与a相同，头部补充0个元素，尾部补充1个元素
b=np.pad(b,pad_width=(0,1),mode='constant',constant_values=0)
# mode='constant'这一句一般是固定的，意思为补充的是常量，constant_values=0表示要补充进去的值
print(b,'-->b')
c=np.vstack((a,b))
print(c,'-->c')
 
#简单的一维数组组合方案
a=np.arange(1,9)
b=np.arange(9,17)
#将两个数组摞在一起形成两行
c=np.row_stack((a,b))  # 注意！！里面的参数是元组
print(c,'-->c')
#将两个数组并在一起形成两列
c=np.column_stack((a,b))   #注意！没有column_split、row_split
print(c,'-->c')

五、掩码基础

1.掩码

用于根据条件筛选或操作数组元素。掩码本质上是一个布尔数组（True/False），用于标记需要处理的元素位置。

2.基础示例（后续学习之后再补充）

import numpy as np
 
#基于bool数组的掩码
a=np.arange(1,10)
mask=[True,False,True,False,True,False,True,False,True]
print(a[mask])
#eg: 输出100以内三的倍数
b=np.arange(1,100)
mask2=b%3==0
print(b[mask2])
 
#基于索引的掩码
names=np.array(['apple','vivo','oppo','xiaomi','huawei'])
mask3=[1,0,2,4,3]
print(names[mask3])

六、numpy的其他属性

见代码--后续持续补充

#  shape -- 维度
#  dtype -- 元素类型
#  size -- 元素数量
#  ndim -- 维数
#  itemsize -- 元素字节数
#  nbytes -- 总字节数
#  real -- 复数数组的实部数组
#  imag -- 复数数组的虚部数组
#   T -- 数组对象的转置
#  flat -- 扁平迭代器（将高维数组抻平成一维数组）
import numpy as np
a=np.arange(1,10).reshape(3,3)
print(a,'-->a')
print([x for x in a.flat])

第一次写笔记，欢迎大家批评指正!!