python数据结构之Numpy

Bertha 。 2022-05-29 07:55 421阅读 0赞

**目录**

1.1 numpy属性

1.2 numpy 创建的关键字

1.3 numpy基础运算

1.4 numpy索引

1.5 numpy array合并

1.6 numpy array分割

1.7 copy & deepcopy

--------------------

python学习顺序：https://morvanzhou.github.io/learning-steps/

参考：https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/1-1-why/

今天我们介绍两个科学运算当中最为重要的两个模块，一个是 numpy,一个是 pandas。任何关于数据分析的模块都少不了它们两个。

为什么使用 numpy & pandas

*  运算速度快：numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本。
 *  消耗资源少：采用的是矩阵运算，会比 python 自带的字典或者列表快好多

# 1.1 numpy属性 #

import numpy as np   #为了方便使用numpy 采用np简写
    
    array1=np.array([[1,2,3],[4,5,6]])  #列表转化为矩阵  array:创建
    print(array1)
    
    print('number of dim:',array1.ndim)   #维度
    print('shape:',array1.shape)   # 行数和列数
    print('size:',array1.size) # 元素个数

结果如下：

[[1 2 3]
     [4 5 6]]
    number of dim: 2
    shape: (2, 3)
    size: 6

# 1.2 numpy 创建的关键字 #

*  `array`：创建数组
 *  `dtype`：指定数据类型
 *  `zeros`：创建数据全为0
 *  `ones`：创建数据全为1
 *  `empty`：创建数据接近0
 *  `arange`：按指定范围创建数据
 *  `linspace`：创建线段

import numpy as np   
    
    a = np.array([2,3,5],dtype = np.int) #指定数据类型，可以是int32、float
    print(a.dtype)
    
    b = np.zeros((3,4))   # 数据全为0，3行4列
    print(b)
    
    c = np.ones((3,4))  # 数据为1，3行4列
    d = np.empty((3,4))   # 数据为empty，3行4列,其中每个值都是接近于零的数
    e = np.arange(10,20,2)   # srange创建连续数组，10-19 的数据，2步长
    f = np.arange(12).reshape((3,4))  # 改变数据的形状,3行4列，0到11
    g = np.linspace(1,10,20)    # linspace创建线段型数据,开始端1，结束端10，且分割成20个数据，生成线段

# 1.3 numpy基础运算 #

import numpy as np   
    
    a = np.array([10,20,30,40])
    b = np.arange(4)   #即 array([0, 1, 2, 3])
    a_1 = np.array([[1,2],[3,4]])
    b_1 = np.arange(4).reshape((2,2))
    print(a)
    print(b)
    print('a_1:',a_1)
    print('b_1:',b_1)
    
    c = a - b
    print(c)
    d = a + b
    e = a_1 * b_1   #a和b对应项相乘 矩阵乘法的第一种
    f = b ** 2
    
    #数学函数工具
    g = np.sin(a)
    
    #对print函数进行逻辑判断
    print(a < 20)  #返回一个bool型矩阵
    
    e_dot = np.dot(a_1,b_1)  #矩阵乘法的第二种，是标准的矩阵乘法运算，  第一种表达
    print(e_dot)
    
    h = a_1.dot(b_1)  #矩阵乘法的第二种  第二种表达
    print(h)
    
    #sum() max() min()的使用  对矩阵中所以元素进行操作
    i = np.random.random((2,4))  #生成随机的2*4矩阵
    print(i)
    print('sum is:',np.sum(i))
    
    #如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。
    #当axis的值为0的时候，将会以列作为查找单元， 当axis的值为1的时候，将会以行作为查找单元。
    print('sum =',np.sum(i,axis=1))

import numpy as np   
    
    A = np.arange(2,14).reshape((3,4))  #生成2-13的12个数字组成的 3*4 矩阵
    print(A)
    
    #argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。
    print(np.argmin(A))   #最小值即2，对应索引0
    print(np.argmax(A))   #最大值为13，对应索引为11
    
    print(np.mean(A))  #矩阵均值 = print(A.mean()) 
    print(np.average(A)) #平均值
    print(np.median(A))   #中位数
    print(np.cumsum(A))   #累加函数，生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和
    print(np.diff(A))     #累差运算 
    print(np.nonzero(A))  #将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵
    
    B = np.arange(14,2, -1).reshape((3,4)) #生成14-3的12个数字组成的 3*4 矩阵
    print(np.sort(A))  #对每一行进行从小到大排序
    
    #矩阵的转置有两种表示方法
    print(np.transpose(A))  #1
    print(A.T)              #2
    
    #函数的格式是clip(Array,Array_min,Array_max)，顾名思义，Array指的是将要被执行用的矩阵，
    #而后面的最小值最大值则用于让函数判断矩阵中元素是否有比最小值小的或者比最大值大的元素，
    #并将这些指定的元素转换为最小值或者最大值。
    print(np.clip(B,5,9))

# 1.4 numpy索引 #

一维索引

import numpy as np   
    
    A = np.arange(3,15)
    # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
             
    print(A[3])    # 6
    
    A = np.arange(3,15).reshape((3,4))
    """
    array([[ 3,  4,  5,  6]
           [ 7,  8,  9, 10]
           [11, 12, 13, 14]])
    """
             
    print(A[2])         
    # [11 12 13 14]
    #这时的A[2]对应的就是矩阵A中第三行(从0开始算第一行)的所有元素

二维索引

import numpy as np   
    
    A = np.arange(3,15).reshape((3,4))
    
    print(A[1][1])      # 8  此时对应的元素即A[1][1]
    print(A[1, 1])      # 8  与上面等价
    
    #在Python的 list 中，我们可以利用:对一定范围内的元素进行切片操作，
    #在Numpy中我们依然可以给出相应的方法：
    print(A[1, 1:3])    # [8 9] 即针对第二行中第2到第4列元素进行切片输出（不包含第4列）
    
    for row in A:     
        print(row)   #逐行进行打印
    """    
    [ 3,  4,  5, 6]
    [ 7,  8,  9, 10]
    [11, 12, 13, 14]
    """
    for column in A.T:    #逐列打印
        print(column)
    """  
    [ 3,  7,  11]
    [ 4,  8,  12]
    [ 5,  9,  13]
    [ 6, 10,  14]
    """
    
    print(A.flatten())   
    # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
    
    #这一脚本中的flatten是一个展开性质的函数，将多维的矩阵进行展开成1行的数列。
    #而flat是一个迭代器，本身是一个object属性。
    for item in A.flat:
        print(item)

# 1.5 numpy array合并 #

import numpy as np   
    
    A = np.array([1,1,1])
    B = np.array([2,2,2])
    
    #1.上下合并，即对括号中的两个整体进行对应操作   
    print(np.vstack((A,B)))    # vertical stack
    """
    [[1,1,1]
     [2,2,2]]
    """
    
    #2.左右合并
    D = np.hstack((A,B))       # horizontal stack
    
    print(D)
    # [1,1,1,2,2,2]
    print(A.shape,D.shape)
    # (3,) (6,)
    
    #3.通过axis控制矩阵的纵向或是横向打印
    C = np.concatenate((A,B,B,A),axis=0)
    
    print(C)
    """
    array([[1],
           [1],
           [1],
           [2],
           [2],
           [2],
           [2],
           [2],
           [2],
           [1],
           [1],
           [1]])
    """
    
    #E = np.concatenate((A,B,B,A),axis=1)
    
    #print(E)
    
    """
    array([[1, 2, 2, 1],
           [1, 2, 2, 1],
           [1, 2, 2, 1]])
    """

# 1.6 numpy array分割 #

split：等量分割    axis=1：纵向      axis=0：横向

array\_split：不等量分割

vsplit：横向分割

hsplit：纵向分割

import numpy as np   
    
    A = np.arange(12).reshape((3, 4))
    print(A)
    """
    array([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
    """
    print(np.array_split(A, 2, axis=1))
    print(np.array_split(A, 3, axis=1))
    print(np.vsplit(A, 3)) #等于 print(np.split(A, 3, axis=0))  等量
    print(np.hsplit(A, 2)) #等于 print(np.split(A, 2, axis=1))  等量

# 1.7 copy & deepcopy #

import numpy as np   
    
    a = np.arange(3)
    a1 = np.array([3,6,7])
    print(a)
    print(a1)
    
    b=a   #这种方式下，b与a完全一样，改变a，b就会变化  b is a = True
    a[2]=6
    print(b)
    
    c=a1.copy()   #这种方式下，改变a1，c不会变化  copy的赋值没有关联性
    a1[2]=9
    print(c)