Numpy

Numpy的概念

是python中一种高性能的数据分析的基础包，主要是提供数组对象，专门用来做数组的运算，是一个多维的数组对象（ndarray)

关于安装

装完anaconda以后，默认会安装Numpy,如果没有的话，直接用pip.install.Numpy

Ndarray

import numpy as np

ar = np.array([1,2,3,4,5])
print(ar)
print([1,2,3,4,5])
print(ar.ndim)
print(ar.shape)
print(ar.size)
print(ar.dtype)
print(ar.itemsize)

 创建数组： array（）函数，列表，元组，数组，生成器，序列

arr1 = np.array(range(10))
arr2 = np.array([1,2,3,4,5.5])
arr3 = np.array([[1,2,3,4],[5,6,7,8]])
print(arr3)
print(arr3.ndim)
print(arr3.shape)

  arange() ,类似于python range()

np.arange(10)
np.arange(10.)
np.arange(1,10,0.1)
np.arange(10000)

  linspace(): 返回在间隔[开始，停止]上 num个均匀间隔的样本

np.linspace(2.0,3.0, num=5)
np.linspace(2.0, 3.0, num=5, endpoint=False)
np.linspace(2.0,3.0, num=5,  retstep=True)

zeros()/zeros_like()/ones()/ones_like()

numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。

np.zeros(5)
np.zeros((2,3,2), dtype=np.int)
arr1 = np.array([[1,2,3],[4,5,6]])
np.zeros_like(arr1)
np.ones(6)

　　

 # eye()
# 正方形的N*N的单位矩阵，对角线为1，其余为0

np.eye(5)

 

numpy 通用函数
基本操作

# 数组形状 .T/.reshape()/.resize()
# 转置 (2, 5) -> (5, 2)

arr1 = np.arange(10)
arr2 = np.ones((5,2))
arr3 = np.array([[1,2,3],[4,5,6]])

print(arr1,arr1.T)
print('_______')
print(arr2)
print(arr2.T)
print('______')
print(arr3)
print(arr3.T)

　　

arr2.reshape((10,))
# reshape只提供形状的改变，元素数量保持一致
arr4 = np.resize(arr2, (3,5))
print(np.arange(1,13).reshape(3,4))
np.resize(np.arange(1,13).reshape(3,4), (3,5))

# np.resize 改变形状，如果元素不够，重复填充

# 数组的复制

arr1 = np.arange(10)
arr2 = arr1
arr1 is arr2
arr3 = arr1.copy()
arr1 is arr3
# copy 复制一个副本
# .T, reshape,resize 返回一个新的数组

　　

# 数组类型转换 .astype()  默认返回一个新的数组
ar1 = np.arange(10, dtype=np.float)
ar1.astype(np.int32)

　　

# 数组的堆叠
a1 = np.arange(5)
a2 = np.arange(4)
# print(a1.shape, a2.shape)
# 水平堆叠
np.hstack((a1, a2))   # 水平堆叠时，行数要一致

ar1 = np.arange(12).reshape((3,4))
ar2 = np.arange(15).reshape((3,5))
np.hstack((ar1, ar2))

# 垂直堆叠
# np.vstack()  # 垂直堆叠，列数要一致
# np.stack() 通过指定哪个维度，哪个轴
# help(np.stack)
ar1 = np.arange(12).reshape((3,4))
ar2 = np.ones((3,4))
print(ar1)
print(ar2)
np.stack((ar1,ar2),axis=0).ndim

# 数组的拆分
ar = np.arange(16).reshape(4,4)
print(ar)
# 水平拆分 按列拆
ars = np.hsplit(ar,2)
#print(ars)
#print(ars[0])
#print(ars[1])
# 垂直拆分，按行拆

ars = np.vsplit(ar,4)
print(ars)
print(ars[0])
print(ars[1])

# 简单的运算
# 矢量化
ar = np.arange(12).reshape(3,4)
# 与标量的运算
# print(ar)
# print(ar+1)
# print(ar*2)
# print(1/(ar+1))
# print(ar**0.5)
# 常用的统计函数
print(ar.mean())  # 求平均值
print(ar.max())  # 求最大值
print(ar.min())  # 求最小值
print(ar.std())  # 求标准差
print(ar.var())  # 求方差

# 可以在不同维度上进行操作
print(ar)
np.sum(ar, axis=0)
np.sum(ar, axis=1)
np.sort(np.array([4,3,2,1]))

 numpy 索引和切片

# 基本索引
ar = np.arange(20)
# print(ar)
# print(ar[4])
# print(ar[:3])
# 一维的
ar = np.arange(16).reshape(4,4)
print(ar)
# print(ar[0])  # 切出一行  切片为下一个维度的一个元素
# print(ar[0][-1]) # 二次索引，得到一维中的一个值
print(ar[:3])  # 切出多行，
print(ar[1,1]) # 类似于二次索引
print(ar[:2, 1:])
# 二维的

#  布尔型索引
ar = np.arange(12).reshape(3,4)
i = np.array([True, False, True])
j = np.array([False, True, False, True])
# print(ar)
# print(i)
# print(j)
# print(ar[i])
# print(ar[i,:])  # 选行
# print(ar[:, j])   # 选列
# 基本的布尔型索引
ai = ar > 5   
print(ar)
print(ai)
print(ar[ar % 2 != 0])  # 选取所有的奇数
print(ar[i,j])

 numpy 随机数

numpy.random

# 生成
samples = np.random.normal(size=(4,4)) # 符合标准正态分布的4*4样本值
print(samples)

#  numpy.random.rand() :  [0, 1) 之间的随机样本或N维浮点数组 ---均匀分布
import matplotlib.pyplot as plt

a = np.random.rand()
b = np.random.rand(4)
c = np.random.rand(3,4)
s1 = np.random.rand(1000)
s2 = np.random.rand(1000)
plt.scatter(s1, s2)
plt.show()

# numpy.random.randn() ：生成一个浮点数或者N维的浮点数组---正态分布
s1 = np.random.randn(1000)
s2 = np.random.randn(1000)
plt.scatter(s1, s2)
plt.show()

# numpy.random.randint(low, high=None, size=None, dtype='l'): 生成一个整数或者N维的整数数组
# 若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数，且high必须大于low 
# dtype参数：只能是int类型  
np.random.randint(2)
np.random.randint(2, 6, size=5)
np.random.randint(1,100, size=[3,5])

 numpy的输入输出
读写数组数据，文本数据

# 二进制文件
# 存数据
import numpy as np
ar = np.random.rand(5,5)
np.save('test.npy',ar)
np.load('test.npy')

# 文本数据
# 存
np.savetxt('test.txt', ar, delimiter=',')

# 读取
np.loadtxt('test.txt', delimiter=',')