numpy基础知识

官网简介：

http://www.numpy.org/

ndarry基本属性

• ndarry是Numpy中的N维数组对象(N dimentional arrya,ndarray)
• ndarry中所有的元素必须是相同类型的

  data = [[1,2,3],[4,5,6]]
  a = np.arry(data)

基本属性：

1. ndim:一个衡量数组维度的对象 (a.ndim --> 2)
2. shape:一个衡量各个维度大小的元祖 (a.shape --> (2,3))
3. dtype:一个用于说明数组数据类型的对象 (a.dtype --> int64)

ndarray数组的数据类型

1. Numpy中的数据类型有

int8、uint8、int16、unit16 、int32、unit32、int64、unit64、
float16, float32, float64, float128, complex64, complex128, complex256, bool, object,
 string, unicode.

数据类型的转换

• [x] astype

data = np.array(['1.23','4.56','7.89'])
res = data.astype(float)

• [x] dtype

data = np.array([1,2,3], dtype=np.float64) #默认int64 改成float64d

索引与切片

索引(Indexing)

1. 一维数组：a[0] a[1] a[2]
2. 二维数组：a[0,0] a[0,1] a[0,2]
3. axis 0 --> 列
4. axis 1 --> 行

切片(Slicing)

1. ndarray的切片是原始数组的视图，做修改时，数据不会被复制，而是直接反映到
   源数据上。如果想要得到切片的副本，则需要使用copy()，例如 arr[2:3].copy()。

丰富的索引和切片方式

1. 基本索引和切片方式

import numpy as np
arr1d = np.arange(10)
arr2d = np.array([[1,2,3],[4,5,6]])
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])

[:]、 [x] 、[x : y]、 [x,y]、 [x][y] 、[x:]、 [:y] 、[:y, x:]、 [x,:y]、 [:,:y] (比如x=1,y=2)

2. 布尔型索引

• 布尔型索引可以帮助我们筛选出符合条件的数据(类似Excel中的Vlookup函数)

GDP_Percent = np.array([7.90,7.80,7.30, 6.90,6.70]) 
Year = np.array([2012,2013,2014,2015,2016]) 
print(Year[GDP_Percent>7])

[2012 2013 2014]

3. 花式索引(Fancy Indexing)

• 利用整数数组进行索引，index为默认的以0开始的整数形式。
• fancy indexing概念上很简单：即指传递索引数组以便一次得到多个数组元素。使用fancy indexing时要特别注意的一点是返回数组的shape反映的是索引数组的shape而不是被索引的原数组的shape。

简单情况：一维数组
data= np.random.randn(8,4) print(data)
print(data[[2,4,0,6]])
print(data[[-6,-4,-8,-2]])

高级用法：多维数组
X = np.arange(12).reshape((3,4))
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
       
row = np.array([0, 1, 2])
col = np.array([2, 1, 3])
X[row,col]
array([2, 5, 11]) #第一个元素2代表X[0, 2],在索引中将列向量和行向量结合可以得到二维结果


X[row[:, np.newaxis], col] # 行向量中的每个值与每个列向量配对（用了numpy的broadcasting）
row[:, np.newaxis]
array([[0],
       [1],
       [2]])
       
array([[ 2,  1,  3],
       [ 6,  5,  7],
       [10,  9, 11]])