数据分析之Numpy的基本操作

Numpy

• NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

1 创建 ndarray

1. 使用np.array()创建

   import numpy as np
   # 一维数据创建
   ret = np.array([1, 2, 3])
   # 二维数据创建
   ret = np.array([[1, 2, 3], [4, 5, 6]])
   print(ret)
   

   • numpy默认ndarray的所有元素的类型是相同的

   • 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

   • 使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

     import matplotlib.pylab as plt
     # 图片数据转化为数组
     img_arr = plt.imread('./cat.jpg')
     # 数组转图片
     img_show = plt.imshow(img_arr)
     # 操作该numpy数据，该操作会同步到图片中
     plt.imshow(img_arr-100)
     

2. 使用np的routines函数创建

   • np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

     np.linspace(0,100,num=20)
     

   • np.arange([start, ]stop, [step, ]dtype=None)

     np.arange(0,100,2)
     

   • np.random.randint(low, high=None, size=None, dtype='l') 随机生成

     np.random.seed(100) #固定随机性#随机因子：系统的时间
     arr = np.random.randint(0,100,size=(4,5)) #size 4行5列
     

   • np.random.random(size=None)

     生成0到1的随机数，左闭右开 np.random.seed(3)

     np.random.random(size=(4,5))  # 4行5列
     

2 ndarray的属性

• 4个必记参数： ndim：维度 shape：形状（各维度的长度） size：总长度

• dtype：元素类型

  arr = np.random.randint(0, 100, size=(4, 5))
  arr.ndim
  arr.shape
  ...
  

3 ndarray的基本操作

• 索引

  • 一维与列表完全一致 多维时同理

• 切片

  • 一维与列表完全一致 多维时同理

  np.random.seed(100)  # 固定随机性#随机因子：系统的时间
  arr = np.random.randint(0, 100, size=(4, 5))
  #获取二维数组前两行
  arr[0:2]
  #获取二维数组前两列
  arr[:,0:2]
  # 获取二维数组前两行和前两列数据
  arr[0:2,0:2]
  # 将数组的行倒序
  arr[::-1]
  #列倒序
  arr[:,::-1]
  #全部倒序
  arr[::-1,::-1]
  # 图片倒置,裁剪
  plt.imshow(img_arr[:,::-1,:])
  

• 变形

  • 使用arr.reshape()函数，注意参数是一个tuple！

  • 将一维数组变形成多维数组 arr_1.reshape((2,10))

    arr_1 = np.random.randint(0, 100, size=(1,20))
    print(arr_1)
    print(arr_1.reshape((2, 10)))
    '''[[ 9 93 86  2 27  4 31  1 13 83  4 91 59 67  7 49 47 65 61 14]]
    [[ 9 93 86  2 27  4 31  1 13 83]
     [ 4 91 59 67  7 49 47 65 61 14]]
    '''
    

  • 将多维数组变形成一维数组 arr.reshape((20,))

• 级联

  • np.concatenate()

  • 一维，二维，多维数组的级联，实际操作中级联多为二维数组

  • np.concatenate((arr,arr,arr),axis=1)

    array([[ 8, 24, 67, 87, 79],
           [48, 10, 94, 52, 98],
           [53, 66, 98, 14, 34],
           [24, 15, 60, 58, 16]])
    np.concatenate((arr,arr,arr),axis=1)
    array([[ 8, 24, 67, 87, 79,  8, 24, 67, 87, 79,  8, 24, 67, 87, 79],
           [48, 10, 94, 52, 98, 48, 10, 94, 52, 98, 48, 10, 94, 52, 98],
           [53, 66, 98, 14, 34, 53, 66, 98, 14, 34, 53, 66, 98, 14, 34],
           [24, 15, 60, 58, 16, 24, 15, 60, 58, 16, 24, 15, 60, 58, 16]])
    

  • 应用,合并参数一致的图片

    img_3 = np.concatenate((img_arr,img_arr,img_arr),axis=1)
    img_9 = np.concatenate((img_3,img_3,img_3),axis=0)
    plt.imshow(img_9)
    

  • 级联的参数是列表：一定要加中括号或小括号

  • 维度必须相同

  • 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。

  • 可通过axis参数改变级联的方向

4 ndarray的聚合操作

• 求和np.sum

  arr.sum(axis=1)  # 横向（axis=1）级联,纵向（axis=0）级联
  

• 最大最小值：np.max/ np.min

• 平均值：np.mean()

• 其他聚合操作

5 ndarray 的排序

p.sort()与ndarray.sort()都可以，但有区别：

• np.sort()不改变输入
• ndarray.sort()本地处理，不占用空间，但改变输入

np.sort(arr,axis=0)

来源：https://www.cnblogs.com/bigox/p/11460455.html