numpy簡單介紹及基礎函數實例應用（數據酷客學習筆記）

NumPy基礎

●NumPy ( Numerical Python , NumPy )庫長期以來一直是Python科學計算的基石,它提供了數值數據的大多數科學應用所需的數據結構和算
法,還有包括以下:
●快速高效的多維數組的對象(numpy.ndarray)
●用於對數組執行元素級計算以及直接對數組執行數學運算的函數
●用於讀寫硬盤上基於數組的數據集的工具
●線性代數運算、傅里葉變換以及隨機數生成
●用於集成由C、C++、Fortran等語言編寫的代碼的工具

●許多數值計算要麼直接使用NumPy的數組作爲其主要數據類型,要麼兼容NumPy的數據類型
●NumPy數組在存儲和處理數值數據時要比內置的Python數據結構高效得多
●NumPy在數據分析中的重要用途之- 是作爲算法和工具庫之間的傳遞容器

NumPy核心數據類型
●NumPy提供了一個N維數組類型ndarray ( numpy.ndarray) , 它描述了相同類型的元素的集合
●ndarray與原生Python列表的區別:
●ndarray數據與數據的地址都是連續的,而Python列表存儲的是引用地址
●ndarray中的所有元素的類型都是相同的,而Python列表中的元素類型是任意的
●ndarray內置了並行運算功能,當系統有多個核心時, NumPy會自動做並行計算

numpy函數簡單應用

import numpy as np

a = np.arange(10)

print(a)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

print(a.dtype)

dtype('int64')

print(a.shape)

(10,)

# 用linspace函數創建一個初始值爲1 ,終止值爲19 ,元素個數爲10個的等差數列向量

b = np.linspace(1,19,10)

b

array([ 1.,  3.,  5.,  7.,  9., 11., 13., 15., 17., 19.])

# endpoint參數指定是否包含終止值

np.linspace(1,19,10,endpoint=False)

array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. , 11.8, 13.6, 15.4, 17.2])

# 用logspace函數創建一個等比數列向量,基數可以通過base參數指定,默認值爲10

from math import e# 引入自然數e

np.logspace(1,20,10,endpoint=False,base=e)

array([2.71828183e+00, 1.81741454e+01, 1.21510418e+02, 8.12405825e+02,
       5.43165959e+03, 3.63155027e+04, 2.42801617e+05, 1.62334599e+06,
       1.08535199e+07, 7.25654884e+07])

# 用zeros函數創建一個元素全部爲0的整數型向量

np.zeros(10,np.int)

​

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

# 創建一個隨機數向量, randn是numpy.random中生成正態分佈隨機數據的函數

np.random.randn(10)

array([ 0.04384946, -1.97646467,  0.56858477, -0.1958997 , -1.43684069,
       -1.09261095,  0.17620979, -0.93042159, -0.41511684, -1.22303696])

# shape屬性表示數組的形狀, ndim屬性表示數組的維數。

c = np.array([np.arange(3),np.arange(3)])

print(c)

print(c.shape)

print(c.ndim)

[[0 1 2]
 [0 1 2]]
(2, 3)
2

# 創建單位矩陣

np.identity(9).astype(np.int8)

array([[1, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 1, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 1, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 1, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 1, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 1]], dtype=int8)

c.tolist()

[[0, 1, 2], [0, 1, 2]]

# 查看完整的ndarray數據類型

print(set(np.typeDict.values()))

{<class 'numpy.complex256'>, <class 'numpy.float128'>, <class 'numpy.uint64'>, <class 'numpy.int64'>, <class 'numpy.str_'>, <class 'numpy.complex128'>, <class 'numpy.float64'>, <class 'numpy.uint32'>, <class 'numpy.int32'>, <class 'numpy.bytes_'>, <class 'numpy.complex64'>, <class 'numpy.float32'>, <class 'numpy.uint16'>, <class 'numpy.int16'>, <class 'numpy.bool_'>, <class 'numpy.timedelta64'>, <class 'numpy.float16'>, <class 'numpy.uint8'>, <class 'numpy.int8'>, <class 'numpy.object_'>, <class 'numpy.datetime64'>, <class 'numpy.uint64'>, <class 'numpy.int64'>, <class 'numpy.void'>}

# 結構數組

# 個購物清單,包含的字段主要有:商品名稱、購買地點、價格、數量，可以事先使用dtype函數自定義這些字段的類型:

goodslist = np.dtype([('name',np.str_,50),('location',np.str_,30),('price',np.float16),('number',np.int32)])

goodslist

dtype([('name', '<U50'), ('location', '<U30'), ('price', '<f2'), ('number', '<i4')])

goods = np.array([('Gree Airconditioner','JD.com',6245,1),('Sony Blueray Player','Amonzon.com',3210,2),('Apple Macbook Pro 13','Tmall.com',12388,5),('iPhoneSE','JD.com',4588,2)],dtype=goodslist)

goods

array([('Gree Airconditioner', 'JD.com',  6244., 1),
       ('Sony Blueray Player', 'Amonzon.com',  3210., 2),
       ('Apple Macbook Pro 13', 'Tmall.com', 12380., 5),
       ('iPhoneSE', 'JD.com',  4588., 2)],
      dtype=[('name', '<U50'), ('location', '<U30'), ('price', '<f2'), ('number', '<i4')])

goodsdict = np.dtype({'names':['name','location','price','number'],'formats':['U50','U30','f','i']})

goods_new = np.array([('Gree Airconditioner','JD.com',6245,1),('Sony Blueray Player','Amonzon.com',3210,2),('Apple Macbook Pro 13','Tmall.com',12388,5),('iPhoneSE','JD.com',4588,2)],dtype=goodsdict)

goods_new

array([('Gree Airconditioner', 'JD.com',  6245., 1),
       ('Sony Blueray Player', 'Amonzon.com',  3210., 2),
       ('Apple Macbook Pro 13', 'Tmall.com', 12388., 5),
       ('iPhoneSE', 'JD.com',  4588., 2)],
      dtype=[('name', '<U50'), ('location', '<U30'), ('price', '<f4'), ('number', '<i4')])

# 多維數組

# shape直接修改內存地址中數組的形狀而reshape不會修改,即shape會修改原始數組, reshape不會修改。

d = np.arange(24).reshape(2,3,4)

d

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

d[1,1,2]

18

d[0,...]# d[0,;,;]

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

d[d>=15]

array([15, 16, 17, 18, 19, 20, 21, 22, 23])

# ndarray對象的latten方法與ravel函數功能相同,但執行flatten函數後,會分配內存保存結果; ravel函數只是返回數組的一個視圖。

# 將爲一維數組

print(d.ravel())

print(c.flatten())

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
[0 1 2 0 1 2]

# 轉置函數a.T    np.transpose(a)

# 水平組合即把所有參加組合的數組拼接起來,各數組行數應該相等.函數hstack和concatenate的效果相同,注意垂直組合時concatenate函數中參數axis=0

# 絕對值

m = np.array([1,-2,3,-6,-9,10])

np.abs(m)

array([ 1,  2,  3,  6,  9, 10])

# 平方

np.square(m)

array([  1,   4,   9,  36,  81, 100])

# numpy中對數組的操作函數

# 平方根sqrt() 以e爲底的指數exp() 以e爲底的對數log(),以2爲底的對數log2(),等等

# 返回各元素的符號sign() 對數組排序sort(),默認升序,對多維數組可在不同軸上排序,對橫軸：參數axis=1

# 去除重複元素unique() 向上取整ceil() 向下取整floor() 四捨五入rint() 小數部分和整數部分分離modf()

# 三角函數sin() cos() tan() 求和sum() 求平均數mean() 求標準差std() 求方差var() 最小值min() 最大值max()

# 最小元素索引argmin() 最大元素索引argmax()

# 計算累計和cumsum()

np.cumsum(m)

array([  1,  -1,   2,  -4, -13,  -3])

# 計算累計積cumprod()

np.cumprod(m)

array([    1,    -2,    -6,    36,  -324, -3240])

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

a

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

# 矩陣操作

# 返回矩陣的對角線元素

np.diag(a)

array([1, 5, 9])

# 若爲一維數組，則返回對角矩陣

m = np.array([1,3])

np.diag(m)

array([[1, 0],
       [0, 3]])

# 計算對角線元素之和trace() 計算矩陣的行列式(線性代數知識:主對角線之和-次對角線之和)np.linalg.det()

# 矩陣的逆np.linalg.inv() 矩陣點乘np.dot(a,b) 

​

# np.random庫產生隨機數

np.random.rand(2,3) # 產生0,1之間的服從均勻分佈的隨機數

array([[0.85317681, 0.4408503 , 0.41369915],
       [0.02701161, 0.29895793, 0.14457146]])

np.random.randint(0,20,size=10) # 給定上下限和數據個數，產生隨機整數

array([13, 17, 17,  0,  5,  3, 17,  5, 10, 19])

np.random.binomial(10,0.5)# 產生滿足二項分佈的隨機數

7