numpy简单介绍及基础函数实例应用（数据酷客学习笔记）

NumPy基础

●NumPy ( Numerical Python , NumPy )库长期以来一直是Python科学计算的基石,它提供了数值数据的大多数科学应用所需的数据结构和算
法,还有包括以下:
●快速高效的多维数组的对象(numpy.ndarray)
●用于对数组执行元素级计算以及直接对数组执行数学运算的函数
●用于读写硬盘上基于数组的数据集的工具
●线性代数运算、傅里叶变换以及随机数生成
●用于集成由C、C++、Fortran等语言编写的代码的工具

●许多数值计算要么直接使用NumPy的数组作为其主要数据类型,要么兼容NumPy的数据类型
●NumPy数组在存储和处理数值数据时要比内置的Python数据结构高效得多
●NumPy在数据分析中的重要用途之- 是作为算法和工具库之间的传递容器

NumPy核心数据类型
●NumPy提供了一个N维数组类型ndarray ( numpy.ndarray) , 它描述了相同类型的元素的集合
●ndarray与原生Python列表的区别:
●ndarray数据与数据的地址都是连续的,而Python列表存储的是引用地址
●ndarray中的所有元素的类型都是相同的,而Python列表中的元素类型是任意的
●ndarray内置了并行运算功能,当系统有多个核心时, NumPy会自动做并行计算

numpy函数简单应用

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函数创建一个初始值为1 ,终止值为19 ,元素个数为10个的等差数列向量

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

b

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

# endpoint参数指定是否包含终止值

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函数创建一个等比数列向量,基数可以通过base参数指定,默认值为10

from math import e# 引入自然数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函数创建一个元素全部为0的整数型向量

np.zeros(10,np.int)

​

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

# 创建一个随机数向量, randn是numpy.random中生成正态分布随机数据的函数

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属性表示数组的形状, ndim属性表示数组的维数。

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

# 创建单位矩阵

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数据类型

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'>}

# 结构数组

# 个购物清单,包含的字段主要有:商品名称、购买地点、价格、数量，可以事先使用dtype函数自定义这些字段的类型:

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')])

# 多维数组

# shape直接修改内存地址中数组的形状而reshape不会修改,即shape会修改原始数组, reshape不会修改。

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对象的latten方法与ravel函数功能相同,但执行flatten函数后,会分配内存保存结果; ravel函数只是返回数组的一个视图。

# 将为一维数组

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]

# 转置函数a.T    np.transpose(a)

# 水平组合即把所有参加组合的数组拼接起来,各数组行数应该相等.函数hstack和concatenate的效果相同,注意垂直组合时concatenate函数中参数axis=0

# 绝对值

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中对数组的操作函数

# 平方根sqrt() 以e为底的指数exp() 以e为底的对数log(),以2为底的对数log2(),等等

# 返回各元素的符号sign() 对数组排序sort(),默认升序,对多维数组可在不同轴上排序,对横轴：参数axis=1

# 去除重复元素unique() 向上取整ceil() 向下取整floor() 四舍五入rint() 小数部分和整数部分分离modf()

# 三角函数sin() cos() tan() 求和sum() 求平均数mean() 求标准差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()

# 计算累计和cumsum()

np.cumsum(m)

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

# 计算累计积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]])

# 矩阵操作

# 返回矩阵的对角线元素

np.diag(a)

array([1, 5, 9])

# 若为一维数组，则返回对角矩阵

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

np.diag(m)

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

# 计算对角线元素之和trace() 计算矩阵的行列式(线性代数知识:主对角线之和-次对角线之和)np.linalg.det()

# 矩阵的逆np.linalg.inv() 矩阵点乘np.dot(a,b) 

​

# np.random库产生随机数

np.random.rand(2,3) # 产生0,1之间的服从均匀分布的随机数

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

np.random.randint(0,20,size=10) # 给定上下限和数据个数，产生随机整数

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

np.random.binomial(10,0.5)# 产生满足二项分布的随机数

7