Data Science | Numpy基础(一)

什么是Numpy？

Numpy是Python开源的科学计算工具包，是高级的数值编程工具

强大的N维数组对象:ndarray

可以对数组结构数据进行运算(不用遍历循环)

有随机数、线性代数、傅里叶变换等功能

如何安装？

安装anaconda科学计算环境

咸鱼也是从新手一步一坑踩过来,深知新手配置环境的不易，所以这里推荐使用anaconda，里面集成了许多常用的库，并且在配置环境时更容易上手。

下载地址： https://HdhCmsTestanaconda测试数据/download/

具体安装步骤,这里不再赘述,不懂的朋友可以在交流群中讨论，也可以参考下面的博文：

https://cuiqingcai测试数据/5059.html

安装Numpy

方法一：安装anaconda后，numpy是可以直接使用的，无需二次安装。

方法二：没有安装anaconda可以使用 pip install numpy 安装。

安装jupyter notebooks(推荐使用)

方法一：安装anaconda后，jupyter notebooks是可以直接使用的，无需二次安装。

方法二：没有安装anaconda可以使用 pip install jupyter 安装。

Numpy基础数据结构

导入

推荐使用 from numpy import np

不建议使用 from numpy import * , 因为numpy中包含了大量与Python内建函数重名的函数。

生成ndarray

可以使用array生成数组举个栗子：

 import?numpy?as?np ar?=?np.array([[1,2,3,4],[1,2,3,4]]) print(ar,?type(ar))  >>> [[1?2?3?4] ??[1?2?3?4]]?<class?'numpy.ndarray'>

除了np.array之外还有其他函数可以创建新数组，这里列出常用的几个：

 arange?#?python?range的数组版 asarray?#?将输入转换为ndarray ones?#?根据给定的形状和类型生成全1的数组 ones_like?#?根据给定的数组生成形状一样的全1的数组 zeros?#?根据给定的形状和类型生成全0的数组 zeros_like?#?根据给定的数组生成形状一样的全1的数组 eye?#?生成一个N*N的特征矩阵(对角线为1，其余为0) linspance?#?返回在间隔[开始，停止]上计算的num个均匀间隔的样本

这里以zeros，zeros_like以及linspance分别举例：

 arr?=?np.zeros((3,5)) print(arr)  >>> [[0.?0.?0.?0.?0.] ??[0.?0.?0.?0.?0.] ??[0.?0.?0.?0.?0.]]  s?=?np.array([list(range(10)),list(range(10,20))]) print(s) print(np.zeros_like(s))  >>> [[?0??1??2??3??4??5??6??7??8??9] ??[10?11?12?13?14?15?16?17?18?19]] [[0?0?0?0?0?0?0?0?0?0] ??[0?0?0?0?0?0?0?0?0?0]]  print(np.linspace(10,20,num?=?21))?#在10，21之间生成 print(np.linspace(10,20,num?=?21,?endpoint?=?False))?#endpoint默认为True，为False时不包含左边的值 print(np.linspace(10,20,num?=?21,?retstep?=?True))#?restep显示步长  >>> [10.??10.5?11.??11.5?12.??12.5?13.??13.5?14.??14.5?15.??15.5?16.??16.5 ?17.??17.5?18.??18.5?19.??19.5?20.?] [10.?????????10.47619048?10.95238095?11.42857143?11.9047619??12.38095238 ?12.85714286?13.33333333?13.80952381?14.28571429?14.76190476?15.23809524 ?15.71428571?16.19047619?16.66666667?17.14285714?17.61904762?18.0952381 ?18.57142857?19.04761905?19.52380952] (array([10.?,?10.5,?11.?,?11.5,?12.?,?12.5,?13.?,?13.5,?14.?,?14.5,?15.?, ???????15.5,?16.?,?16.5,?17.?,?17.5,?18.?,?18.5,?19.?,?19.5,?20.?]),?0.5)

这里除了常用的几个生成数组的函数外，列举一些常用的方法：

 import?numpy?as?np ar?=?np.array([[1,2,3,4],[1,2,3,4]]) print(ar,?type(ar)) print(ar.ndim)#返回数组的维度的个数 print(ar.shape)#数组的维度，返回几行几列 print(ar.size)#数组元素的个数 print(ar.dtype)#元素的类型 print(ar.itemsize)#数组中元素的大小  >>> [[1?2?3?4] ?[1?2?3?4]]?<class?'numpy.ndarray'> 2 (2,?4) 8 int64 8

Numpy通用函数

数组形状变换（.T/.reshape()/.resize()）

.T是转置函数,转置函数对一维数组无影响

 #?.T import?numpy?as?np ar1?=?np.arange(10) ar2?=?np.zeros((2,5)) print(ar1.T) print(ar2.T)#转置函数  >>> [0?1?2?3?4?5?6?7?8?9] [[0.?0.] ?[0.?0.] ?[0.?0.] ?[0.?0.] ?[0.?0.]]

.reshape(),直接更改数组的形状，但更改前后数组元素个数必须相同

 ar1?=?np.arange(10) print(ar1.reshape(2,5)) print(np.reshape(np.arange(16),(2,8)))  >>> [[0?1?2?3?4] ?[5?6?7?8?9]] [[?0??1??2??3??4??5??6??7] ?[?8??9?10?11?12?13?14?15]]

.resize()

 print(np.resize(np.arange(16),(3,5)))??#?resize当后面的数组元素个数小于前面生成的数量时，按照顺序迭代 print(np.resize(np.arange(12),(3,5)))??#?resize当后面的数组元素个数大于前面的生成的数量，则随机填充  >>> [[?0??1??2??3??4] ?[?5??6??7??8??9] ?[10?11?12?13?14]] [[?0??1??2??3??4] ?[?5??6??7??8??9] ?[10?11??0??1??2]]

数组的复制

和python中的深浅拷贝类似：Python | Python学习之深浅拷贝

数组的类型转化

.astype()可以将数组中元素的类型进行转化,在numpy中元素类型有以下几种(太多了就不都写了)：

 int8,?uint8?#有符号和无符号的8整位整数 int16,?uint16?#有符号和无符号的16整位整数 int32,?uint32?#有符号和无符号的32整位整数 int64,?uint64?#有符号和无符号的64整位整数 float16?#半精度 float32?#单精度 float64?#双精度 bool?#布尔 .....

举个类型转换的栗子：

 ar1?=?np.arange(10,dtype=float) ar2?=?ar1.astype(np.int64) print(ar1,ar2)  >>> [0.?1.?2.?3.?4.?5.?6.?7.?8.?9.]?[0?1?2?3?4?5?6?7?8?9]

数组的堆叠

数组的堆叠有hstack(),vstack()以及stack(),下面分别举例：

 a?=?np.arange(10) b?=?np.arange(10,20) print(ar1,ar2) #?横向链接 print(np.hstack((a,b))) #?竖向链接 a?=?np.array([[1],[2],[3]]) b?=?np.array([['a'],['b'],['c']]) print(np.vstack((a,b))) #?任意堆叠 a?=?np.arange(10) b?=?np.arange(10,20) print(np.stack((a,b),axis=1))?#?竖向堆叠 print(np.stack((a,b)))?#?横向堆叠  >>>> [0?1?2?3?4?5?6?7?8?9]?[10?11?12?13?14?15?16?17?18?19] [?0??1??2??3??4??5??6??7??8??9?10?11?12?13?14?15?16?17?18?19] [['1'] ?['2'] ?['3'] ?['a'] ?['b'] ?['c']] [[?0?10] ?[?1?11] ?[?2?12] ?[?3?13] ?[?4?14] ?[?5?15] ?[?6?16] ?[?7?17] ?[?8?18] ?[?9?19]] [[?0??1??2??3??4??5??6??7??8??9] ?[10?11?12?13?14?15?16?17?18?19]]

数组拆分

数组拆分同样分为横向拆分和竖向拆分。

 #?数组拆分 ar?=?np.arange(16).reshape(4,4) print(ar) print(np.hsplit(ar,2))?#纵向拆分 print(np.vsplit(ar,2))?#横向拆分  >>> [[?0??1??2??3] ?[?4??5??6??7] ?[?8??9?10?11] ?[12?13?14?15]] [array([[?0,??1], ???????[?4,??5], ???????[?8,??9], ???????[12,?13]]),?array([[?2,??3], ???????[?6,??7], ???????[10,?11], ???????[14,?15]])] [array([[0,?1,?2,?3], ???????[4,?5,?6,?7]]),?array([[?8,??9,?10,?11], ???????[12,?13,?14,?15]])]

常用计算函数

这里的计算函数与Python中的计算函数用法相同，这里不再过多论述。

 #计算函数 np.mean()?#求平均值 np.max()?#最大值 np.min()?#最小值 np.gtd()?#标准差 np.var()?#方差 np.sum()?#?其中参数axis=0按列求和axis=1按行求和

巩固练习

生成一个一维数组、二维数组，并且查看其shape

生成一个一维数组，起始值为5，终点值为15，样本数为10个

按照要求创建以下数组

创建一个20个元素的数组，分别改变成两个形状：(4,5),(5,6)

创建一个(4,4)的数组，把其元素类型改为字符型

创建一个二维数组ar，起始值为0，终点值为15，运用数组的运算方法得到结果：result = ar * 10 +100，并求出result的均值及求和

后台回复「作业」查看作业答案