Numpy学习之(三)

1.利用数组进行数据处理

Numpy可以使你将许多中种数据处理任务表述为简洁的数组表达式.(否则需要编写循环).用数组表达式代替循环的做法,通常被称为矢量化.

以下是矢量化的一个例子:

import numpy as np
import matplotlib.pyplot as plt

points=np.arange(-5,5,0.01)#1000个间隔相等的点
xs,ys=np.meshgrid(points,points)
z=np.sqrt(xs**2+ys**2)
plt.imshow(z,cmap=plt.cm.gray);
plt.colorbar()
plt.title("Image plot of $sqrt{x^2+y^2}$ for a grid of values")

下面是画出来的第一幅图片:

2.小插曲:python中plt.imshow（img）显示不了图片

import pylab 

然后在plt.imshow()这一步后加上

pylab.show()

就可以显示了

或者直接plt.show（）就可以了，新手经常出现这个低级的问题

3.将条件逻辑表述为数组运算

1)假设有一个布尔数组和两个值数组:

xarr=np.array([1.1,1.2,1.3,1.4,1.5])
yarr=np.array([2.1,2,2,2.3,2.4,2.5])
cond=np.array([True,False,True,True,True,False])

想要根据cond中值选取xarr和yarr中的值.当cond中的值为True时,选取xarr的值,否则从yarr中选取.

列表推导式的写法:

result=[(x if c else y)for x,y, c in zip(xarr,yarr,cond)]

更加简洁而高效率的写法:

result=np.where(cond,xarr,yarr)

2)假设有一个随机数据组成的矩阵,希望将所有正值替换为2,将所有负值替换为-2

In [25]: import numpy as np

In [26]: arr=np.random.randn(4,4)

In [27]: arr
Out[27]:
array([[ 2.15965747,  1.10228918, -0.04143705,  0.26530682],
       [-0.7299881 , -0.84176449,  0.71031421, -1.06833011],
       [-1.90799121,  0.24842699,  0.05394588, -1.97281055],
       [ 0.46710425, -0.76024439, -0.98944968,  0.46877683]])

In [28]: np.where(arr>0,2,-2)
Out[28]:
array([[ 2,  2, -2,  2],
       [-2, -2,  2, -2],
       [-2,  2,  2, -2],
       [ 2, -2, -2,  2]])

In [29]:
...: #z若只将正值替换为2
...: np.where(arr>0,2,arr)
Out[29]:
array([[ 2. , 2. , -0.04143705, 2. ],
[-0.7299881 , -0.84176449, 2. , -1.06833011],
[-1.90799121, 2. , 2. , -1.97281055],
[ 2. , -0.76024439, -0.98944968, 2. ]])

3)利用np.where实现更复杂的逻辑

result=[]
for i in range(n)
    if cond1[i]and cond2[i]:
        result.append(0)
    elif cond1[i]:
        result.append(1)
    elif cond2[i]:
        result.append(2)
    else:
        result.append(3)

可以改写成一个嵌套的where表达式:

np.where(cond1&cond2,0,
         np.where(cond1,1,
                  np.where(cond2,2,3)))

可以利用"布尔值在计算过程中可以被当做0或1处理",神神秘秘的写成这个样子:

result=1*(cond1-cond2)+2*(cond2 & -cond1)+3*-(cond1|cond2)