版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/while10/article/details/78585889
python科学计算库-numpy的使用
一、NumPy 是什么
NumPy 是 Python 科学计算的基础包，它专为进行严格的数字处理而产生。在之前的随笔里已有更加详细的介绍，这里不再赘述。 利用 Python 进行数据分析
二、ndarray 是什么
ndarray 是一个多维的数组对象，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。
import numpy#这句话的意思是用来将numpy的库引用进来
#下面是打开数据的语句，从txt中读取数据，用逗号作为分隔符，取出来的类型是str
#但是他好像是每一行又作为一个元素（自己理解的，不知道对不对）
shuju = numpy.genfromtxt("world_alcohol.txt", delimiter = ",",dtype = str)
print(type(shuju))#打印数据类型 numpy。ndarray所有的numpy都是ndarray结构
print(shuju)#打印数据
print(help(numpy.genfromtxt))#打印帮助文档，可以开两个编译器，一个用于打印帮助文档<class 'numpy.ndarray'>
[['Year' 'WHO region' 'Country' 'Beverage Types' 'Display Value']
['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
...,
['1987' 'Africa' 'Malawi' 'Other' '0.75']
['1989' 'Americas' 'Bahamas' 'Wine' '1.5']
['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]
Help on function genfromtxt in module numpy.lib.npyio:
genfromtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, names=None, excludelist=None, deletechars=None, replace_space='_', autostrip=False, case_sensitive=True, defaultfmt='f%i', unpack=None, usemask=False, loose=True, invalid_raise=True, max_rows=None)
Load data from a text file, with missing values handled as specified.
None
vector = numpy.array([5,10,15,20])#定义一个一维向量
matrix = numpy.array([[5,10],[6,20]])#定义一个二维矩阵，看起来好像是list中有list
#相应的定义三维的矩阵就用三个中括号。
print(vector)
print(vector.shape)#注意一维的输出格式
print(matrix.shape)#打印shape看看矩阵的行和列[ 5 10 15 20]
(4,)
(2, 2)
import numpy
numbers = numpy.array([1,2,3,4])#注意list中元素可以是不同类型的但是numpy.array中元素必须为相同类型的
print(numbers)
print(type(numbers))#输出的是numbers的类型
numbers.dtype#输出的是numbers中data（也叫元素）的类型[1 2 3 4]
<class 'numpy.ndarray'>
dtype('int32')
shuju = numpy.genfromtxt("world_alcohol.txt", delimiter = ",",dtype = str)
print(shuju)
#如果我想取某一行某一列
er_si = shuju[2,4]#将shuju中第二行第四列数据提取出来
print(er_si)
[['Year' 'WHO region' 'Country' 'Beverage Types' 'Display Value']
['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
...,
['1987' 'Africa' 'Malawi' 'Other' '0.75']
['1989' 'Americas' 'Bahamas' 'Wine' '1.5']
['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]
0.5
[2 5 8]
matrix = numpy.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
print(matrix[:,1])#输出第1列，：代表全部
print(matrix[0,:])#输出第0行
print(matrix[:,0:2])#取两列的方式：也代表到[2 5 8]
[1 2 3]
[[1 2]
[4 5]
[7 8]]
import numpy
vector = numpy.array([1,2,3,4])
vector == 3#注意输出结果是bool型的，最后也标注出来了
array([False, False, True, False], dtype=bool)
#二维的也一样
matrix = numpy.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
matrix == 3array([[False, False, True],
[False, False, False],
[False, False, False]], dtype=bool)
#得到了一堆bool的类型有什么用
import numpy
vector = numpy.array([1,2,3,4])
equal_to_three = (vector == 3)
print(equal_to_three)
print(vector[equal_to_three])#如果为真才返回值，可以这样作为索引下标
[False False True False]
[3]
#输出有3元素的那一行
matrix = numpy.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
print_c = (matrix[:,1] == 2)#从第1列中寻找哪一个等于2
print(matrix[2])#这样缺省是输出矩阵的第2行
print(print_c)#因为是从第一列中找的，所以这个地方输出第一列中找的值
print(matrix[print_c,:])#此时print_c返回的是true的值，也就是第0行，所以这输出的是第0行的所有值[7 8 9]
[ True False False]
[[1 2 3]]
import numpy
vector = numpy.array([1,2,3,4])
bool_panduan = (vector == 1) & (vector == 2)#向量中的值即等于1又等于2的，，，，显然没有
print(bool_panduan)#所以输出结果都是false
bool_panduan = (vector == 1) | (vector == 2)#向量中额值等于1或者等于2的，，，，显然有两个
print(bool_panduan)#所以输出结果有两个true[False False False False]
[ True True False False]
#对numpy。array的类型进行改变
import numpy
vector = numpy.array(["1","2","3","4"])#因为带双引号所以是str类型的
print(vector.dtype)#输出当前类型看看
print(vector)
vector = vector.astype(float)#assert type 将类型转换为float
print(vector.dtype)#输出当前类型看看
print(vector)#以前带引号现在不带了，说明转换了类型
print(vector.max())#这样可以用函数直接输出array中的最大值<U1
['1' '2' '3' '4']
float64
[ 1. 2. 3. 4.]
4.0
#对行求和
matrix = numpy.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
matrix.sum(axis = 1)#对行求和
array([ 6, 15, 24])
#对列求和：区别就只有axis的值
matrix = numpy.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
matrix.sum(axis = 0)#对列求和array([12, 15, 18])
import numpy as np#意思就是对numpy重新命名为np
print(np.arange(15))
a = np.arange(15).reshape(3,5)#对这15个元素进行一个reshape，reshape成三行五列的数组array
a#打印出来看看
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
a.shape(3, 5)
a.ndim#打印看看是几维的数组2
a.dtype#打印元素类型dtype('int32')
a.size#打印元素个数
15
#初试化一个空矩阵，初始化都为0用np。zeros函数
np.zeros((3,4))array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
#定义三维数组，每个元素的类型为int32
a = np.ones((3,2,3),dtype = np.int32)
print(a.dtype)
print(a)int32
[[[1 1 1]
[1 1 1]]
[[1 1 1]
[1 1 1]]
[[1 1 1]
[1 1 1]]]
#可以这样构建数组，数组的值为10到50，间隔值为5
np.arange(10,50,5)array([10, 15, 20, 25, 30, 35, 40, 45])
np.random.random((2,3))#numpy中调用random结再调用random函数，所以后面是两个括号。
#目的是为了产生两行三列的随机值array([[ 0.57987265, 0.53664261, 0.0996795 ],
[ 0.95114989, 0.62315414, 0.75531816]])
from numpy import pi#从numpy中将π取出来
np.linspace(0,pi,100)#将π从零开始分成100份array([ 0. , 0.03173326, 0.06346652, 0.09519978, 0.12693304,
0.1586663 , 0.19039955, 0.22213281, 0.25386607, 0.28559933,
0.31733259, 0.34906585, 0.38079911, 0.41253237, 0.44426563,
0.47599889, 0.50773215, 0.53946541, 0.57119866, 0.60293192,
0.63466518, 0.66639844, 0.6981317 , 0.72986496, 0.76159822,
0.79333148, 0.82506474, 0.856798 , 0.88853126, 0.92026451,
0.95199777, 0.98373103, 1.01546429, 1.04719755, 1.07893081,
1.11066407, 1.14239733, 1.17413059, 1.20586385, 1.23759711,
1.26933037, 1.30106362, 1.33279688, 1.36453014, 1.3962634 ,
1.42799666, 1.45972992, 1.49146318, 1.52319644, 1.5549297 ,
1.58666296, 1.61839622, 1.65012947, 1.68186273, 1.71359599,
1.74532925, 1.77706251, 1.80879577, 1.84052903, 1.87226229,
1.90399555, 1.93572881, 1.96746207, 1.99919533, 2.03092858,
2.06266184, 2.0943951 , 2.12612836, 2.15786162, 2.18959488,
2.22132814, 2.2530614 , 2.28479466, 2.31652792, 2.34826118,
2.37999443, 2.41172769, 2.44346095, 2.47519421, 2.50692747,
2.53866073, 2.57039399, 2.60212725, 2.63386051, 2.66559377,
2.69732703, 2.72906028, 2.76079354, 2.7925268 , 2.82426006,
2.85599332, 2.88772658, 2.91945984, 2.9511931 , 2.98292636,
3.01465962, 3.04639288, 3.07812614, 3.10985939, 3.14159265])
a = np.array([10,20,30,40])
b = np.arange(4)
print(a)
print(b)
c = a - b#同维的数组可以相减
print(c)
print(b**2)
print(c<20)[10 20 30 40]
[0 1 2 3]
[10 19 28 37]
[0 1 4 9]
[ True True False False]
A = np.array([[1,1],
[0,1]])
B = np.array([[2,0],
[3,4]])
print(A)
print("------")
print(B)
print("------")
print(A*B)#对应位置进行相乘
print("------")
print(A.dot(B))#传统的A和B相乘
print(np.dot(A,B))#这种相乘的形式我更容易接受[[1 1]
[0 1]]
------
[[2 0]
[3 4]]
------
[[2 0]
[0 4]]
------
[[5 4]
[3 4]]
[[5 4]
[3 4]]
B = np.arange(3)
print(B)
print(np.exp(B))#代表e的B次幂，比如这就是e的0次幂，1次幂，2次幂
print(np.sqrt(B))#代表对B求根号[0 1 2]
[ 1. 2.71828183 7.3890561 ]
[ 0. 1. 1.41421356]
#注意这个地方用random.random结构取到的值是-1到1的
#乘以10的目的就是为了扩大倍数
#floor的目的是为了向下取整
a = np.floor(10*np.random.random((3,4)))
print(a)
a.shape
print("------")
print(a.ravel())#将多维矩阵变为一维向量 ravel磨损的意思
print("------")
a.shape = (6,2)#再将向量变为多维矩阵 shape使变形的意思
print(a)
print("------")
a.shape = (3,-1)#-1代表另一维度自己计算即可
print(a)[[ 0. 8. 9. 8.]
[ 7. 6. 0. 6.]
[ 0. 7. 8. 7.]]
------
[ 0. 8. 9. 8. 7. 6. 0. 6. 0. 7. 8. 7.]
------
[[ 0. 8.]
[ 9. 8.]
[ 7. 6.]
[ 0. 6.]
[ 0. 7.]
[ 8. 7.]]
------
[[ 0. 8. 9. 8.]
[ 7. 6. 0. 6.]
[ 0. 7. 8. 7.]]
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print(b)
print(np.hstack((a,b)))#将两个矩阵横着拼接在一起 stack就是拼接操作的函数
print(np.vstack((a,b)))#将两个矩阵竖着拼接在一起[[ 7. 2.]
[ 1. 1.]]
[[ 6. 1.]
[ 6. 1.]]
[[ 7. 2. 6. 1.]
[ 1. 1. 6. 1.]]
[[ 7. 2.]
[ 1. 1.]
[ 6. 1.]
[ 6. 1.]]
a = np.floor(10*np.random.random((2,12)))
print(a)
print("-----")
print(np.hsplit(a,3))#对数组进行切分，切分三等份
print("-----")
print(np.hsplit(a,(3,4)))#对数组进行切分，切分段为3和4
[[ 2. 6. 8. 7. 0. 2. 3. 3. 8. 2. 2. 8.]
[ 9. 1. 6. 5. 8. 6. 9. 1. 6. 6. 1. 3.]]
-----
[array([[ 2., 6., 8., 7.],
[ 9., 1., 6., 5.]]), array([[ 0., 2., 3., 3.],
[ 8., 6., 9., 1.]]), array([[ 8., 2., 2., 8.],
[ 6., 6., 1., 3.]])]
-----
[array([[ 2., 6., 8.],
[ 9., 1., 6.]]), array([[ 7.],
[ 5.]]), array([[ 0., 2., 3., 3., 8., 2., 2., 8.],
[ 8., 6., 9., 1., 6., 6., 1., 3.]])]
import numpy as np
a = np.arange(12)
print(a)
b = a
print(b)
b.shape = 3,4 #这句话就可以将b设置成三行四列的矩阵
print(b)
print("------")
print(a)#打印a发现a也变了
print(id(a))
print(id(b))#打印发现他们两个，a和b的地址是一样的[ 0 1 2 3 4 5 6 7 8 9 10 11]
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
------
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
124842832
124842832
c = a.view()#这样就不是指向同一个地方了
print(c)
print(c.shape)#三行四列的
c.shape = 2,6
print(c)
print(c.shape)
c[0,4] = 1234#
print(a)#但是对c赋值，依旧能改变a中的值[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
(3, 4)
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]]
(2, 6)
[[ 0 1 2 3]
[1234 5 6 7]
[ 8 9 10 11]]
d = a.copy()
print(d is a)#打印发现d不是a，说明这两个也不是指向同一个地方
d[0,0] = 9999
print(d)#相应的d的值改变也不会改变a的值
print("--------")
print(a)False
[[9999 1 2 3]
[1234 5 6 7]
[ 8 9 10 11]]
--------
[[ 0 1 2 3]
[1234 5 6 7]
[ 8 9 10 11]]
data = np.random.random((5,4))
print(data)
ind = data.argmax(axis=0)
print(ind)#每一列中哪个数最大，如果axis=1就是每一行中哪个数最大
data_max = data[ind,range(data.shape[1])]#ind为找出行，然后再找出列。找列的时候用data中第二个属性就为他的列
print(data_max)[[ 0.67684773 0.44593787 0.44244423 0.76992239]
[ 0.87015584 0.24594329 0.82728904 0.24265102]
[ 0.07925658 0.92387252 0.04531156 0.87333059]
[ 0.2723402 0.93362859 0.48617785 0.50714169]
[ 0.73610068 0.09922339 0.39593682 0.38077017]]
[1 3 1 2]
[ 0.87015584 0.93362859 0.82728904 0.87333059]
a = np.arange(0,40,10)
print(a)
b = np.tile(a,(2,2))#可以指定a的行变为两倍列变为两倍 tile英文为覆盖的意思
print(b)[ 0 10 20 30]
[[ 0 10 20 30 0 10 20 30]
[ 0 10 20 30 0 10 20 30]]
#对adarry进行排序
a = np.array([[1,2,3],[3,6,5],[2,9,8]])
print(a)
print("按照列进行排序")
b = np.sort(a,axis=1)#按照列进行排序
print(b)
print("按照行排序")
a.sort(axis=0)#按照行排序
print(a)
print("*******")
c = np.array([4,3,1,2])
j = np.argsort(c)
print("最小值的索引，第一个最小值是1，索引是2，依次类推")
print(j)
print("依据索引输出值")
print(c[j])[[1 2 3]
[3 6 5]
[2 9 8]]
按照列进行排序
[[1 2 3]
[3 5 6]
[2 8 9]]
按照行排序
[[1 2 3]
[2 6 5]
[3 9 8]]
*******
最小值的索引，第一个最小值是1，索引是2，依次类推
[2 3 1 0]
依据索引输出值
[1 2 3 4]