numpy可以幫助我們處理數值型的數據，注意，是數值型
用於處理數組(或者叫做矩陣)

創建數組(或矩陣)

可以先簡單的通過列表創建數組

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

來看看輸出了什麼

打印出了一個像列表的數據，但是中間沒有逗號~

還有其他一些簡單的創建方式

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

我們可以發現t2和t3其實是一樣的，類型也都是和t1一樣的

當然np.arange()也可以像range()一樣取步長

數組元素的數據類型

我們並沒有指定這些元素的數據類型

我們來看看它們裏面元素的數據類型(因電腦位數不同而會有所不同)

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

# 查看數組元素的數據類型
print(t3.dtype)

這裏打印出是int32位的

還有其他更多的數據類型

在實際形況中，我們可以指定數組裏面的數據類型，可以達到節省空間的目的

創建時指定數據類型

array()函數裏面有個dtype參數可以指定元素的數據類型

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

# 查看數組元素的數據類型
print(t3.dtype)

print("*"*50)

# 指定數據類型
t4 = np.array(range(1,4),dtype='float32')
print(t4)
print(t4.dtype)

好像這個bool類型的蠻有趣的，我們來看看它是怎麼樣的

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

# 查看數組元素的數據類型
print(t3.dtype)

print("*"*50)

# 指定數據類型
t4 = np.array(range(1,4),dtype='float32')
print(t4)
print(t4.dtype)

# numpy中的bool類型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

打印出來效果是這樣的

調整數據類型

需要astype()函數，裏面傳入調整後的數據類型就好了

import numpy as np

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

# 查看數組元素的數據類型
print(t3.dtype)

print("*"*50)

# 指定數據類型
t4 = np.array(range(1,4),dtype='float32')
print(t4)
print(t4.dtype)

# numpy中的bool類型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

t6 = t5.astype('int8')
print(t6)
print(t6.dtype)

numpy中的小數

np.round()可以幫助取幾位小數

import numpy as np
import random

t1 = np.array([1,2,3])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(10)
print(t3)

# 查看數組元素的數據類型
print(t3.dtype)

print("*"*50)

# 指定數據類型
t4 = np.array(range(1,4),dtype='float32')
print(t4)
print(t4.dtype)

# numpy中的bool類型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

t6 = t5.astype('int8')
print(t6)
print(t6.dtype)

# numpy中的小數
t7 = np.array([random.random() for i in range(10)])
print(t7)
print(t7.dtype)

t8 = np.round(t7,2)
print(t8)

數組的形狀

什麼是數組的形狀？
先來看個例子

import numpy as np

t1 = np.arange(12)
print(t1)
print(t1.shape)

t2 = np.array([[1,2,3],[4,5,6]])
print(t2)
print(t2.shape)

原來數組的形狀就是它是描述它的緯度

一維的數組打印出來只有一個數字，二維的兩個數組打印出來有兩個數字

那三維的是不是三個呢，我們來看看

import numpy as np

# 一維
t1 = np.arange(12)
print(t1)
print(t1.shape)

# 二維
t2 = np.array([[1,2,3],[4,5,6]])
print(t2)
print(t2.shape)

# 三維
t3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(t3)
print(t3.shape)

三維打印出來的(2, 2, 3)，第一個2表示塊數，相當於是空間座標的Z軸，後面的(2,3)就是平面的2行3列

調整數組的緯度

我們可以將一維的變成2維的，也可以將2維的變成一維的

用到了reshape()函數

import numpy as np

t4 = np.array(range(12))
print(t4)

t4 = t4.reshape(3,4)
print(t4)

當然轉換的要求要保證前後數量一致，不然就報錯

一維轉三維

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
print(t5)

三維的轉二維的

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
print(t5)
print(t5.reshape(4,6))

轉換的過程大概是三維的先壓平成一維的，然後從一維的變成二維的

二維邊一維

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
t6 = t5.reshape(4,6)

t7 = t6.reshape(24,)
print(t7)

想一想，爲什麼不是t6.reshape(1,24)

我們來打印一下結果你就會發現它其實是二維的

如果有一個二維數組非常大，我想把它變成一維，是不是要知道元素的個數

在二維數組中，shape[0]表示有多少行，shape[1]表示有多少列

那麼我們可以這樣

t6 = t5.reshape(t5.shape[0]*t5.shape[1],)

還有一種簡便的方法變成一維

有個函數叫做flatten()，碾平的意思

這種方式不需要傳入元素的個數

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
t6 = t5.reshape(4,6)

t7 = t6.flatten()
print(t7)

數組的計算

一個數組和一個數計算，所有的元素都會與它運算

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
t6 = t5.reshape(4,6)
print(t6)

t7 = t6 + 1
print(t7)

如果除於0呢，看看會不會出問題

import numpy as np

t5 = np.arange(24).reshape((2,3,4))
t6 = t5.reshape(4,6)
print(t6)

t7 = t6/0
print(t7)

程序只是報了warning，還是可以顯示的，只是這結果不對勁呀

nan意思not a number, 它不是一個數，可以是其他東西，比如字符串，香蕉蘋果啥的

inf意思是無窮大的意思，還有-inf是無窮小

一個數組和一個相同形狀的數組運算，對應位置獨立運算，這個很好理解

如果是不同緯度的數組相互計算，如果存在某個維度上一致，那麼是可以計算的

我們來看看

import numpy as np

t1 = np.arange(6)

t2 = np.array([np.arange(6),np.arange(6,12),np.arange(12,18)])
print(t1)
print(t2)

那麼這兩個數組可以計算嗎？

是可以的，因爲在行的方向上的緯度是一樣的

import numpy as np

t1 = np.arange(6)

t2 = np.array([np.arange(6),np.arange(6,12),np.arange(12,18)])
print(t1)
print(t2)

print(t1+t2)

如果是列方向緯度一致，也是一樣的

三維的和二維的計算也是同一個道理

軸

在numpy中可以理解爲方向，用0，1，2數字表示

對於一個一維數組，只有一個0軸

二維數組，有0軸和1軸，0軸表示行方向，1軸表示列方向

三維數組，有0，1，2軸，0表示高度(Z軸)，1表示行方向，2表示列方向

轉置

numpy中轉置有多種方法，這裏介紹常用的兩種方法

第一種是transpose()

第二種是屬性T

import numpy as np

t1 = np.arange(12).reshape(3,4)

print(t1)
print(t1.transpose())
print(t1.T)

索引和切片

numpy中索引從0開始的

取某一行，注意取出來的是一維的

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第三行
print(t1[2])

取連續的多行

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第2: 3 行
print(t1[1:3])

取不連續的多行
都加了一個方括號

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第2行和第4行
print(t1[[1,3]])

取某一列，注意選出來的是一維的

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第1列
print(t1[:,0])

取連續的幾列

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第2:4列
print(t1[:,1:4])

取不連續的多列

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第1列和第3列
print(t1[:,[0,2]])

取多行多列

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

# 取第3行第4列的值,雖然是一個數但類型要注意
a = t1[2,3]
print(a)
print(type(a))

# 取第2:4行，第3到第6列
print(t1[1:4,2:6])

# 取多個不相鄰的點,有些特殊
# 取(0,2),(3,1)值
print(t1[[0,3],[2,1]])

對數組的修改

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

t1[:,1:3] = 0
print(t1)

如果要把數組中小於10的修改爲10怎麼寫？

先看下面程序

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

print(t1<10)

可以看出那些是小於10的，這就是很常用的bool索引

如果要把數組中小於10的修改成10，那麼這就很簡單了

t1[t1<10] = 10

如果想把小於10的改爲0，大於10的改爲10

按照上面的方法，我們要寫兩行

這裏介紹一個where()函數，一行就能解決

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

print(np.where(t1<10,0,10))

問題升級

如果我想把小於10的改爲10，大於20的改爲20呢？

當然bool索引可以做，也是寫兩行

這裏介紹一個clip()裁剪函數

import numpy as np

t1 = np.arange(24).reshape(4,6)
print(t1)

print("*"*50)

print(t1.clip(10,18))

nan和inf

nan就是not a number，表示不是一個數字

numpy中出現nan的情況：

當我們讀取本地文件爲float的時候，如果有缺少，就會出現nan

當做了一個不合適的計算的時候，比如( 無窮大(inf)減去無窮大）

inf表示正無窮，-inf表示負無窮

什麼時候會出現inf:

當一個數字處於0 (python中會直接報錯，而numpy會出現inf)

在numpy中如何指定一個數爲nan和inf

import numpy as np

a = np.nan
print(a)
print(type(a))

b = np.inf
print(b)
print(type(b))

發現它們都是float類型

numpy中nan的注意點

兩個nan是不想等的

import numpy as np

print(np.nan == np.nan)

這個性質有一些特殊用途

比如，可以判斷數組中nan的個數

先介紹count_nonzero()數組是統計非0的個數

import numpy as np

a = np.arange(12).reshape(3,4).astype('float')
a[2,3] = np.nan
print(a)

print(a!=a)

# 統計a中nan的個數
print(np.count_nonzero(a!=a))

還可以這樣統計nan的個數

import numpy as np

a = np.arange(12).reshape(3,4).astype('float')
a[2,3] = np.nan
print(a)

print(np.isnan(a))

# 統計a中nan的個數
print(np.count_nonzero(np.isnan(a)))

這樣可以把爲nan的地方換成別的值，比如0

a[np.isnan(a)] = 0

nan和任意值運算都爲nan

這裏介紹一個np.sum()函數，統計和的

import numpy as np

a = np.arange(12).reshape(3,4).astype('float')
a[2,3] = np.nan
print(a)

# 計算數組a的和
print(np.sum(a))

# 計算行方向上的值
print(np.sum(a,axis=0))

因爲nan不能參與計算，那麼一般都是把nan替換次別的值

有些時候單純的替換成0是不合適的

更一般是替換成均值(中值)，或者直接刪去

那麼問題來了

怎麼計算一組數據的中值或均值？

如何刪除有缺失的那一行(列) ？【在pandas中介紹】

numpy中常用的統計函數

將數組中nan填充爲均值

import numpy as np

def fill_ndarray(t1):
    '''
    把數組中有nan的地方填充爲均值
    :param t1: 原始的二維數組
    :return: 填充之後的數組
    '''
    # 遍歷所有列
    for i in range(t1.shape[1]):
        # 當前列
        cur_col = t1[:,i]
        # 當前列中nan的個數
        num_not_nan = np.count_nonzero(cur_col!=cur_col)
        # 如果當前列有nan
        if num_not_nan != 0:
            # 當前列不爲nan的ndarray
            array_not_nan = cur_col[cur_col==cur_col]
            # 把nan的位置賦值爲均值
            cur_col[np.isnan(cur_col)] = array_not_nan.mean()
    return t1

if __name__ == '__main__':
    # 創建一個二維數組，類型爲float
    t1 = np.arange(12).reshape(3,4).astype('float')
    # 將t1數組裏面部分值賦值爲nan
    t1[1,2:] = np.nan
    print(t1)
    t1 = fill_ndarray(t1)
    print(t1)

數組拼接

豎直拼接np.vstack()

水平拼接np.hstack()

注意傳入的是一個元組，就是有兩層括號

import numpy as np

t1 = np.arange(10).reshape(2,5)
t2 = np.arange(10,20).reshape(2,5)

print(t1)
print(t2)

# 豎直拼接np.hstack((t1,t2))
t3 = np.vstack((t1,t2))
print(t3)

# 水平拼接
print(np.hstack((t1,t2)))

數組的行列交換

import numpy as np

t1 = np.arange(12).reshape(3,4)
print(t1)

# 第2行和第3行交換
t1[[1,2],:] = t1[[2,1],:]
print(t1)

#第1列和第3列交換
t1[:,[0,2]] = t1[:,[2,0]]
print(t1)

numpy更多好用的方法

創建一個全0的數組 np.zeros((3,4))
創建一個全1的數組 np.ones((3,4))
創建一個對角線爲1的方陣 np.eye(5)

獲取數組最大值，最小值的位置，可以指定方向

import numpy as np

t = np.array([[3,5,1,0],[6,3,8,9]])

print(t)
print(t.argmax())
print(t.argmax(axis=1))
print(t.argmin(axis=0))

隨機數

numpy的注意點copy和view

a=b完全不復制，a和b相互影響，即a和b共享一塊內存
a = b[:] ,視圖操作，也是完全不復制
a = b.copy(), 深拷貝，a和b互不影響

numpy學習(一)

創建數組(或矩陣)

數組元素的數據類型

創建時指定數據類型

調整數據類型

numpy中的小數

數組的形狀

調整數組的緯度

數組的計算

軸

轉置

索引和切片

對數組的修改

nan和inf

numpy中常用的統計函數

數組拼接

數組的行列交換

numpy更多好用的方法

隨機數

numpy的注意點copy和view

這種嵌套字典類型的數據，我想把它讀取到df裏，如何操作？

微調真的能讓LLM學到新東西嗎:引入新知識可能讓模型產生更多的幻覺

iNeuOS工業互聯網操作系統，增加電力IEC104協議

微服務實踐k8s&dapr開發部署實驗（3）訂閱發佈

kbgressdb之數據結構V0.2

numpy學習(一)

Qt製作貪喫蛇(二)

Qt製作貪喫蛇(一)

Qt製作貪喫蛇(三)

dp 最大子段和

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結