全球快看点丨一文弄懂numpy数组

前言

学习数据分析,必绕不开numpy和pandas这两个库,numpy的ndarray数据结构和矩阵数据非常类似,最近搞科研的时候总是会用到,之前学的都忘记完了,所以,这次打算把numpy库的基本用法记录在一篇文章里,以便后面复习和使用。


(资料图片)

ndarray多维数组创建

不要管复杂的概念,我们把多维数组看做成矩阵就行(实际使用中也是这样的),例如,下面的二维数据,我们就可以看做成2行3列的矩阵。

import numpy as npb = np.array([[1,2,3],[4,5,6]])print(b)# [[1 2 3]# [4 5 6]]

一切从创建说起

一个特定的数据结构,肯定有着特定的创建方式,例如列表我们就是通过[]来创建,字典我们用{}来创建。ndarray多维数组用numpy库的array方法来创建。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object 数组或嵌套的数列(列表,元祖,数组,或者其他序列类型)

dtype 数组元素的数据类型,可选

copy 对象是否需要复制,可选

order 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认)

subok 默认返回一个与基类类型一致的数组

ndmin 指定生成数组的最小维度

# 1维数组a = np.array([1,2,3])print(a)# [1,2,3]# 2维数组b = np.array([[1,2,3],[4,5,6]])print(b)# [[1 2 3]# [4 5 6]]# 指定数据类型c = np.array([[1,2,3],[4,5,6]], dtype = np.float64)print(c)# reslut[[1. 2. 3.] [4. 5. 6.]]

特殊创建方式

numpy也提供了一些函数用于创建特殊的数组。

zeros,全为0数组;

ones,全为1数据;

empty,垃圾值数组。

full,填充任意值

数值范围创建数组

我们做循环的时候经常会用到range,可以取数值范围,numpy中有个arange函数,可用于创建数组。

arr4 = np.arange(9)arr4# [0, 1, 2, 3, 4, 5, 6, 7, 8]

这样创建的数组只能是一维的,arange函数经常和reshape一起使用(后面还会介绍),可以创建多维的数组。

arr5 = np.arange(9).reshape(3,3)arr5array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])

ndarray数据属性

属性我们常需要调用的就是ndim,shape和dtype。

ndarray.ndim 秩,即轴的数量或维度的数量

ndarray.shape 数组的维度,对于矩阵,n 行 m 列

ndarray.size 数组元素的总个数,相当于 .shape 中 n*m 的值

ndarray.dtype ndarray 对象的元素类型

ndarray.itemsize ndarray 对象中每个元素的大小,以字节为单位

ndarray.flags ndarray 对象的内存信息

ndarray.real ndarray元素的实部

ndarray.imag ndarray 元素的虚部

ndarray.data 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元- 素,所以通常不需要使用这个属性。

arr5 = np.arange(9).reshape(3,3)print(arr5.ndim)print(arr5.shape)print(arr5.dtype)2(3, 3)int64

改变数组数据类型

这个我们经常会用到,例如我们把整数数组转换为浮点数数组,使用astype方法,用np.float64和"float64"都可以。

切片和索引

这部分内容非常重要,我们经常要选取特定的部分数据来操作,这里就必须要用到切片和索引。

小试牛刀

和列表的切片和索引很类似,都是从0开始计数,一维数组很简单,也很好理解(和列表一样操作就行),这里就不多介绍了。

二维数组,选取数据无非就以下几种情况,选取特定的行,特定的列,或者组合,我们来看看怎么写。

特定行

特定列

特定的行和列,这部分就有点不一样了,如果行或者列中有切片,就能得到我们想要的结果,例如获取2,3行以及1,3列。

如果我们想要获取1,3行以及1,3列,用这种写法结果就不对。

这其实获取的是第一行第一列以及第三行第三列的值,这时候我们就需要用到花式索引。

花式索引

要使用np.ix_来完成。

其实不用这样写也可以,就是稍微复杂一点。我们先选取第一行和第三行,选完之后,再选取列。

布尔索引

还有一个很重要的概念,就是布尔索引。

这里有两个函数需要介绍下,一个是all,一个是any,all是都为True,就返回True,any是一个为True,就返回True。

数组操作

修改数组形状

之前我们简单了解过reshape方法,可以改变数组的形状。通过flatten或者ravel可以将数组从新进行展开。

合并和分割数组

合并数组主要有以下几种方法:

concatenate 连接沿现有轴的数组序列

stack 沿着新的轴加入一系列数组。

hstack 水平堆叠序列中的数组(列方向)

vstack 竖直堆叠序列中的数组(行方向)

axis参数就是制定轴的方向,很多numpy函数都有这个参数,但是这个轴又不是很好理解,网上有很多的解释,我这里说一个很简单的解释。例如二维数组,我们索引的时候arr[i,j],i就代表0,j就代表1,也就是说,行的方向就是0,列的方向就是1。

分割数组的函数为:

split 将一个数组分割为多个子数组

hsplit 将一个数组水平分割为多个子数组(按列)

vsplit 将一个数组垂直分割为多个子数组(按行)

numpy.split(ary, indices_or_sections, axis)

ary:被分割的数组

indices_or_sections:如果是一个整数,就用该数平均切分,如果是一个数组,为沿轴切分的位置(左开右闭)

axis:设置沿着哪个方向进行切分,默认为 0,横向切分,即水平方向。为 1 时,纵向切分,即竖直方向

修改数组

resize 返回指定形状的新数组

append 将值添加到数组末尾

insert 沿指定轴将值插入到指定下标之前

delete 删掉某个轴的子数组,并返回删除后的新数组

unique 查找数组内的唯一元素

这里要注意的是,如果不指定轴修改数组,会返回一维数组。

numpy.unique 函数用于去除数组中的重复元素。

numpy.unique(arr, return_index, return_inverse, return_counts)

arr:输入数组,如果不是一维数组则会展开

return_index:如果为true,返回新列表元素在旧列表中的位置(下标),并以列表形式储

return_inverse:如果为true,返回旧列表元素在新列表中的位置(下标),并以列表形式储

return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数

翻转数组

transpose 对换数组的维度

ndarray.T 和 self.transpose() 相同

rollaxis 向后滚动指定的轴

swapaxes 对换数组的两个轴

numpy.rollaxis 函数向后滚动特定的轴到一个特定位置,格式如下:

numpy.rollaxis(arr, axis, start)

参数说明:arr:数组 axis:要向后滚动的轴,其它轴的相对位置不会改变 start:默认为零,表示完整的滚动。会滚动到特定位置。

numpy.swapaxes 函数用于交换数组的两个轴。

数学和统计函数

numpy 包含大量的各种数学运算的函数,包括三角函数,算术运算的函数,复数处理函数等。这里就不一一介绍了,我们着重了解下复数处理函数。

numpy.around() 函数返回指定数字的四舍五入值。

numpy.around(a,decimals)

numpy.floor() 返回小于或者等于指定表达式的最大整数,即向下取整。

numpy.ceil() 返回大于或者等于指定表达式的最小整数,即向上取整。

算数函数

这里不一一介绍了,大家需要用到的时候自查即可。

add,相加

subtract,相减

multiply,相乘

divide,相除

reciprocal,函数返回参数逐元素的倒数。如 1/4 倒数为 4/1

power,第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂

mod,计算输入数组中相应元素的相除后的余数。函数 numpy.remainder() 也产生相同的结果。

统计函数

numpy 提供了很多统计函数,用于从数组中查找最小元素,最大元素,百分位标准差和方差等。sum,average等等,可以去numpy的官方文档了解更多。

条件函数

numpy.where() 函数返回输入数组中满足给定条件的元素的索引。

numpy.extract() 函数根据某个条件从数组中抽取元素,返回满条件的元素。

文件的存储与读取

load() 和 save() 函数是读写文件数组数据的两个主要函数,默认情况下,数组是以未压缩的原始二进制格式保存在扩展名为 .npy 的文件中。

savez() 函数用于将多个数组写入文件,默认情况下,数组是以未压缩的原始二进制格式保存在扩展名为 .npz 的文件中。

loadtxt() 和 savetxt() 函数处理正常的文本文件(.txt 等)。

savetxt() 函数是以简单的文本文件格式存储数据,对应的使用 loadtxt() 函数来获取数据。

np.loadtxt(FILENAME, dtype=int, delimiter=" ")np.savetxt(FILENAME, a, fmt="%d", delimiter=",")

总结

numpy是Python数据科学必学的第三方库,但是说实话,一上来就学numpy其实是很痛苦的,他不像pandas那么直观,有很多实际的有趣的案例,所以本篇文章主要是将numpy的基础语法记录下来,供大家和自己以后查询所使用,最后附上numpy小抄给大家,我们下期再见。

推荐DIY文章
爆款预定!瑞虎7 PLUS新能源渲染图曝光,双拼内饰,还有超大尺寸双联屏
“干面荟”出圈之路,创新的背后是要读懂年轻人!
打破技术壁垒 得力彩色喷墨打印机的自研之路
海外直播带货正当潮!维卓旗下润杨力量获TikTok TSP官方认证资质
大力推动美妆市场的变革泉意品牌义不容辞
全球要闻:什么是400电话?400电话怎么办理?
精彩新闻

超前放送