學習筆記，僅供參考，覺得哪裏不錯就記哪裏
學習書目：《python編程從數據分析到數據編程》–朝樂門;
參考自：numpy.random.randn()與rand()的區別;Python numpy.full函數方法的使用
隨機數
生成一個隨機數
輸入：
import random
#設置隨機種子
random.seed(3)
#生成一個[-10, 10]之間的隨機浮點數,並保留2位小數
round(random.uniform(-10, 10), 2)
#生成[1, 100]之間的隨機整數
random.randint(1, 100)
#生成[0.0, 1.0)之間的隨機浮點數
random.random()
輸出：
-5.24
70
0.13042279608514273
生成一個隨機數組
輸入：
import numpy as np
#設置隨機種子
rand = np.random.RandomState(10)
#生成3*4的隨機數組,範圍就是[0,10)內的整數
#生成在半開半閉區間[low,high)上離散均勻分佈的整數值
rand.randint(0, 10, (3, 4))
#生成[0, 100]的隨機數組
#以給定的形狀創建一個數組，並在數組中加入在[0,1]之間均勻分佈的隨機樣本。
rand.rand(10)*100
#生成等距數列
np.linspace(0, 10, 10)
np.linspace(0, 10, 9)
輸出：
array([[9, 4, 0, 1],
[9, 0, 1, 8],
[9, 0, 8, 6]])
array([ 68.53598184, 95.33933462, 0.39482663, 51.21922634,
81.26209617, 61.25260668, 72.17553174, 29.18760682,
91.77741225, 71.45757834])
array([ 0. , 1.11111111, 2.22222222, 3.33333333,
4.44444444, 5.55555556, 6.66666667, 7.77777778,
8.88888889, 10. ])
array([ 0. , 1.25, 2.5 , 3.75, 5. , 6.25, 7.5 , 8.75, 10. ])
np.full方法
語法：
numpy.full(shape, fill_value, dtype=None, order='C')
- 參數解釋
| 參數 | 含義 |
|---|---|
| shape | 參數值爲整數或整數序列，新數組的形態，單個值代表一維，參數傳元組，元組中元素個數就代表是幾維，例如， (2, 3) or 2. |
| fill_value | 參數值爲標量(無向量)，表示填充數組的值 |
| dtype | 參數值爲字符串型數據，表示填充數組的數據類型，默認值爲None |
| order | 參數值爲可選項{‘C’, ‘F’},，在內存中以行爲主（C風格）或列爲主（Fortran風格）連續（行或列)順序存儲多維數據。 |
- 舉個例子
輸入：
np.full((2, 3), 5, 'int64', 'C')
輸出：
array([[5, 5, 5],
[5, 5, 5]], dtype=int64)
形狀與重構
輸入：
import numpy as np
array1 = np.arange(1, 21)
id(array1)
#查看形狀
array1.shape
#利用reshape重構，返回另一個新的數組
reArray = array1.reshape(4, 5)
reArray.shape
id(reArray)
#利用resize重構，更改數組本身，即就地修改
array1.resize(5, 4)
array1
#轉置變換，返回另一個新的數組
array1.swapaxes(0, 1)
#將多維數組轉換爲1維數組，返回另一個新的數組
array1.flatten()
#將多維數組轉換爲嵌套列表，返回另一個新的列表
array1.tolist()
#重新設定數組的數據類型，返回另一個新的數組
array1.astype(np.float)
輸出：
652802545664
(20,)
(4, 5)
652802546784
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[13, 14, 15, 16],
[17, 18, 19, 20]])
array([[ 1, 5, 9, 13, 17],
[ 2, 6, 10, 14, 18],
[ 3, 7, 11, 15, 19],
[ 4, 8, 12, 16, 20]])
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,
18, 19, 20])
[[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16],
[17, 18, 19, 20]]
array([[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[ 13., 14., 15., 16.],
[ 17., 18., 19., 20.]])
ndarray的拆分與合併
拆分
輸入：
import numpy as np
array1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])
#橫向拆分, split方法
x1, x2, x3 = np.split(array1, [3, 5])
x1, x2, x3
#縱向拆分
upper, lower = np.vsplit(array1.reshape(2, 4), [1])
#可以試試[0], [2], [3]
upper
lower
輸出：
(array([1, 2, 3]), array([4, 5]), array([6, 7, 8]))
array([[1, 2, 3, 4]])
array([[5, 6, 7, 8]])
合併
輸入：
#數據的合併
np.concatenate((upper, lower), axis = 0)
#axis = 0表示對列進行拼接,axis = 1表示對行進行拼接
#列拼接, 列數必須相等
np.vstack([upper, lower])
#行拼接，行數必須相等
np.hstack([upper, lower])
輸出：
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
array([[1, 2, 3, 4, 5, 6, 7, 8]])
插入與刪除
輸入：
import numpy as np
array1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])
#刪除某個位置的元素
np.delete(array1, 2)
#在某個位置插入特定元素
np.insert(array1, 1, 10)
輸出：
array([1, 2, 4, 5, 6, 7, 8])
array([ 1, 10, 2, 3, 4, 5, 6, 7, 8])
缺失值處理
檢測缺失值
輸入：
import numpy as np
array1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])
#判斷數組的每個元素是否爲缺失值
np.isnan(array1)
#判斷數組中是否至少有一個缺失值
#any:一個爲True則返回True
np.any(np.isnan(array1))
#判斷數組中是否全都是缺失值
#any:全都爲True則返回True
np.all(np.isnan(array1))
輸出：
array([False, False, False, False, False, False, False, False], dtype=bool)
False
False
在缺失值存在的情況下求和
輸入：
import numpy as np
array1 = np.array([1, 2, 3, np.nan])
#返回給定軸上的數組元素的和，將非數字(nan)處理爲零。
np.nansum(array1)
np.sum(array1)
輸出：
6.0
nan
ndarray的排序
輸入：
import numpy as np
array1 = np.array([5, 4, 6, 3, 7])
#返回排序結果
np.sort(array1)
#返回排序後的index
np.argsort(array1)
array2 = np.random.randint(0, 10, (3, 4))
array2
#分別對多維數組，按照行(1)和列(0)進行排序
np.sort(array2, axis = 1)
np.sort(array2, axis = 0)
輸出：
array([3, 4, 5, 6, 7])
array([3, 1, 0, 2, 4], dtype=int64)
array([[6, 6, 5, 0],
[6, 0, 1, 1],
[6, 6, 3, 5]])
array([[0, 5, 6, 6],
[0, 1, 1, 6],
[3, 5, 6, 6]])
array([[6, 0, 1, 0],
[6, 6, 3, 1],
[6, 6, 5, 5]])