python numpy数组操作

数组的创建

import numpy as np

arr1 = np.array([3,10,8,7,34,11,28,72])

arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),

　　　　　　  (3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))

print('一维数组:  ',arr1)

print('二维数组:  ',arr2)

如上述所示，可以将列表和元组转换为一个数组，在第二个数组中，输入的元素含有整数型和浮点型两种数据类型，但输出的数组

元素全部是浮点型（原来的整型被强制转换为浮点型了，保证数组元素的一致性）

数组元素的获取

import numpy as np
arr1 = np.array([3,10,8,7,34,11,28,72])
arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),
(3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))
print('一维数组: ',arr1)
print('二维数组: ',arr2)
print(arr1[[2,3,5,7]])               #数组1的3 4 6 8个元素
print(arr2[1,2]) 　　　　　　 #二维数组的第2行第3列的元素   输出的是具体的数值
print(arr2[2,:]) 　　　　　　 #二维数组的第3行所有数据    
print(arr2[:,1]) 　　　　　　 #二维数组的第2列所有数组
print(arr2[1:4,1:5]) 　　　　 #二维数组的第2-4行，2-5列的数据   这个地方要注意的，不是分别显示2行5列和2行6列的数据

print(arr2[[0,1],[2,3]])           #对比一下上面的表达，这个表达要比较注意，表示的是 0 2 第1行第3列的数据，和 1 3第2行第4列的数据输                                                #出的是 [4.1,7.3] 组成的一维数组  

print(arr2[np.ix_([0,-1],[1,3])])   #第1行第2列，第1行第4列 ；最后一行第2列，最后一行第4列  组成的二维数组  

print(arr2[np.ix_([0,-1],[1,2,3])])  #第1行第2列，第1行第3列，第1行第4列；最后一行第2列，最后一行第3列，最后一行第4列 组成的二维                                                       #数组

out:
[[ 6.   4.1  2. ]
 [13.4 15.6 17.8]]

数组的常用属性

    如果不是手工写入的数组，而是从外部读入的数据，此时也许对数据就是一无所知，如该数据的维数，行列数，数据类型等信息，下面通过简短的代码来了解数组的几个常用属性，进而跨出了解数据的第一步。

     在numpy模块中，可以通过genfromtxt函数读取外部文文件的数据，这里的文本文件主要为csv文件和txt文件。关于该函数的语法和重要参数含义如下：

np.genfrom xt(fname,dtype=<class 'float' >,

comments = '#',delimiter = None,skip_header = 0,

skip_footer=0,converters=None,missing

_values=None,filling_values=None,usecols=None,

names=None.)

fname:指定需要读入数据的文件路径。

dtype:指定读入数据的数据类型，默认为浮点型，如果原数据集中含有字符型数据，必须指定数据类型为“str”

comments:指定注释符，默认为“#”，如果原数据的行首有“#”，将忽略这些行的读入。

delimiter:指定数据集的列分割符

skip_footer:是否跳过数据集的脚注，默认不跳过

converters：将指定列的数据转换成其他数值。

miss_values:指定缺失值的标记，如果原数据集含指定的标记，读入后这样的数据就为缺失值。

filling_values:指定缺失值的填充值。

usecols:指定需要读入哪些列。

names：为读入数据的列设置列名称。

例：

import numpy as np
stu_score = np.genfromtxt(fname = r'D:BaiduNetdiskDownload从零开始学Python--数据分析与挖掘第4章 Python数值计算工具--Numpystu_score.txt',
delimiter=' ',skip_header=1)
print(type(stu_score))        #查看数据结构
print(stu_score.ndim)        #查看数据维数
print(stu_score.shape)      #查看数据行列数
print(stu_score.dtype)       #查看数组元的数据类型
print(stu_score.size)          #查看数组元素的个数

 out：

<class 'numpy.ndarray'>
2
(1380, 5)
float64
6900

数组的形状处理

    数组形状处理的手段主要有reshape，resize，ravel，flatten，vstack，hstack,row_stack和colum_stack,下面通过简单的案例

来解释这些‘方法’或函数的区别。

arr3 = np.array([[1,5,7],[3,6,1],[2,4,8],[5,8,9],[1,5,9],[8,5,2]])

print(arr3.shape)              #操作前数组的行列数
print(arr3.reshape(2,9))    #使用reshpe方法更改数组的形状
print(arr3.shape)　　        #确认一下原数组的形状有没有被改变

print(arr3.resize(2,9))       #使用resize方法改变数组的形状
print(arr3.shape)    

out:

(6, 3)
[[1 5 7 3 6 1 2 4 8]
 [5 8 9 1 5 9 8 5 2]]
(6, 3)
None
(2, 9)

因此得出：reshape方法不改变原有数组的形状，resize方法改变了原有数组的形状；实际上reshape方法只是返回改变形状后的预览，而resize方法不返回预览，会直接改变数组的形状。

 如果需要将多维数组降为一维数组，利用ravel，flatten和reshape三种方法均可以轻松解决。

例：

import numpy as np
arr4 = np.array([[1,10,100],[2,20,200],[3,30,300]])
print('原数组： ',arr4)
#默认排序降维
print('数组维度： ',arr4.ravel())
print(arr4.flatten())
print(arr4.reshape(-1))
#改变排序模式的降维
print(arr4.ravel(order = 'F'))
print(arr4.flatten(order = 'F'))
print(arr4.reshape(-1,order = 'F'))

 out:

原数组：
 [[  1  10 100]
 [  2  20 200]
 [  3  30 300]]
数组维度：
 [  1  10 100   2  20 200   3  30 300]
[  1  10 100   2  20 200   3  30 300]
[  1  10 100   2  20 200   3  30 300]
[  1   2   3  10  20  30 100 200 300]
[  1   2   3  10  20  30 100 200 300]
[  1   2   3  10  20  30 100 200 300]

import numpy as np
arr4.flatten()[0] = 2000
print('flatten方法： ',arr4)
arr4.ravel()[1] = 1000
print('ravel方法： ',arr4)
arr4.reshape(-1)[2] = 3000
print('reshape 方法： ',arr4)

 out:

flatten方法：
 [[  1  10 100]
 [  2  20 200]
 [  3  30 300]]
ravel方法：
 [[   1 1000  100]
 [   2   20  200]
 [   3   30  300]]
reshape 方法：
 [[   1 1000 3000]
 [   2   20  200]
 [   3   30  300]]

如上结果所示,通过flatten方法实现的降维返回的是复制,因为对降维后的元素做修改,并没有影响到原数组arr4的结果;相反,ravel方法与reshape方法返回的则是视图,通过对视图的改变,是会影响到原数组arr4的.

vastack用于垂直方向(纵向)的数组堆叠,其功能与row_stack函数一致,而hstack则用于水平方向(横向)的数组合并,其功能与colum_stack函数一致,下面通过例子说明差异:

import numpy as np
arr5 = np.array([1,2,3])
print('vstack纵向堆叠数组: ',np.vstack([arr4,arr5]))
print('row_stack纵向堆叠数组: ',np.row_stack([arr4,arr5]))
arr6 = np.array([[5],[15],[25]])
print('hstack横向合并数组: ',np.hstack([arr4,arr6]))
print('column_stack横向合并数组: ',np.column_stack([arr4,arr6]))

out:

vstack纵向堆叠数组:
 [[   1 1000 3000]
 [   2   20  200]
 [   3   30  300]
 [   1    2    3]]
row_stack纵向堆叠数组:
 [[   1 1000 3000]
 [   2   20  200]
 [   3   30  300]
 [   1    2    3]]
hstack横向合并数组:
 [[   1 1000 3000    5]
 [   2   20  200   15]
 [   3   30  300   25]]
column_stack横向合并数组:
 [[   1 1000 3000    5]
 [   2   20  200   15]
 [   3   30  300   25]]

如上结果所示,前两个输出是纵向堆叠的效果,后两个则是横向合并的效果.如果是多个数组的纵向堆叠,必须保证每个数组的列数相同.如果将多个数组按横向合并的话,则必须保证每个数组的行数相同.