01-numpy数组的使用

Numpy本身并没有提供那么多高级的数据分析功能，理解Numpy数组以及面向数组的计算将有助于我们更加高效的使用pandas之类的工具。
Numpy最重要的一个特点就是其N纬数组对象(即ndarray),该对象是一个快速而灵活的大数据集容器。我们可以利用这种数组对整块的数据执行一些数学运算。

1.创建ndarray数组

a.array函数创建数组

import numpy as np
array_a = np.array([1, 2, 3, 4])
array_a
--------------------------------
array([1, 2, 3, 4])

b.arange创建数组

array_b = np.arange(1, 10, 2)
array_b
--------------------------------
array([1, 3, 5, 7, 9])

c.特殊函数创建数组

# 全0矩阵
np.zeros(5)
--------------------------------
array([0., 0., 0., 0., 0.])
# 单位矩阵
np.eye(5)
--------------------------------
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])
# 创建空数组
np.empty(5)
--------------------------------
array([3.99179239e+252, 5.73839929e+180, 2.64521041e+185, 3.32234062e+257,
       1.23701654e-259])

2.数据类型

使用astype函数转换数组类型

# 将字符串类型的数据，转换成整数型
arr_1= np.array(['10', '20', '30', '40'])
arr_1.astype(np.int32)
--------------------------------
array([10, 20, 30, 40])

常见数据类型

类型	类型代码	说明
int8、uint8	i1、u1	有符号和无符号的8位(1个字节长度)整型
int16、uint16	i2、u2	有符号和无符号的16位(2个字节长度)整型
int32、uint32	i4、u4	符号和无符号的32位(4个字节长度)整型
float16	f2	半精度浮点数
float32	f4或f	标准单精度浮点数
float64	f8或d	双精度浮点数
bool	?	布尔类型
object	O	Python对象类型
unicode_	U	固定长度的unicode类型，跟字符串定义方式一样

3.数组运算

import numpy as np
ndarray1 = np.array([1, 2, 3, 4, 5])
ndarray2 = np.array([6, 7, 8, 9, 10])

# 数组和数组之间的运算
ndarray3 = ndarray1 * ndarray2
ndarray3
--------------------------------
array([ 6, 14, 24, 36, 50])

ndarray4 = ndarray1 + ndarray2
ndarray4 
--------------------------------
array([ 7,  9, 11, 13, 15])

# 数组和数字值之间的运算
ndarray5 = ndarray1 + 100
ndarray5 
--------------------------------
array([101, 102, 103, 104, 105])

ndarray6 = 15 / ndarray1
ndarray6 
--------------------------------
array([15.  ,  7.5 ,  5.  ,  3.75,  3.  ])

# 多维数组和多维数组之间的运算
ndarray7 = np.arange(9).reshape((3, 3))
ndarray8 = np.arange(9).reshape((3, 3))
ndarray7 + ndarray8 
--------------------------------
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

# 一维数组和多维数组之间运算
ndarray10 = np.arange(3)
ndarray11 = np.arange(6).reshape((2, 3))
ndarray10 + ndarray11
--------------------------------
array([[0, 2, 4],
       [3, 5, 7]])

4.索引和切片

import numpy as np
arr_1 = np.arange(20).reshape((4, 5))
arr_1
--------------------------------
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

arr_1[1:3]
--------------------------------
array([[ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
# 获取特定值
arr_1[1:3][0][1:3]
--------------------------------
array([6, 7])

np.where用法

# 已知有两个数组: ndarray1 = np.array(["a", "b", "c", "d", "t"]) 
ndarray2 = np.array(["c", "s", "r", "c", "e"]) 对比数组中对应位置的值，取出大的值，组成新的数组.
# 使用格式为: result = np.where(条件, 值1, 值2)
result = np.where(ndarray1 > ndarray2, ndarray1, ndarray2)
result 
--------------------------------
array(['c', 's', 'r', 'd', 't'], dtype='<U1')

5.数组函数

arr_2 = np.arange(5)
arr_2
--------------------------------
array([0, 1, 2, 3, 4])
# 求平方根
np.square(arr_2)
--------------------------------
array([ 0,  1,  4,  9, 16], dtype=int32)

# 四舍五入到最近的整数
arr_3 = np.array([1.3, 1.7, 0.4, 6.8])
np.rint(arr_3)
--------------------------------
array([1., 2., 0., 7.])

通用函数

• 一元

函数	说明
abs	计算整数、浮点数的绝对值。
aqrt	计算各元素的平方根。相当于arr ** 0.5
square	计算各元素的平方。相当于arr ** 2
sign	计算各元素的正负号,1(正数)、0（零）、-1(负数)
ceil	计算各元素的celling值，即大于该值的最小整数。
floor	计算各元素的floor值，即小于等于该值的最大整数。
rint	将各元素值四舍五入到最近的整数，保留dtype
modf	将数组的小数和整数部分以两个独立数组的形式返回
isnan	返回一个表示“那些是NaN（这不是一个数字）”的布尔类型数组.

• 二元

函数	说明
add	将数组中对应的元素相加.
subtract	从第一个数组中减去第二个数组中的元素.
multiply	数组元素相乘
divide、floor_divide	除法、向下整除法(丢弃余数)
power	对第一个数组中的元素A，根据第二数组中的相应元素B,计算A的B次方。
maximum、fmax	元素级的最大值计算。fmax将忽略NaN
minimum、fmin	元素级的最小值计算。fmin将忽略NaN
mod	元素级的求模计算.
copysign	将第二个数组中的值的符号复制给第一个数组中的值.
greater、greater_equal	执行元素级的运算比较，最终产生布尔类型数组。

数组统计函数

方法	说明
mean	算数平均数。零长度的数组的mean为NaN.
sum	所有元素的和.
max、min	所有元素的最大值，所有元素的最小值
std、var	所有元素的标准差，所有元素的方差
argmax、argmin	最大值的下标索引值，最小值的下标索引值
cumsum、cumprod	所有元素的累计和、所有元素的累计积

all和any函数

# 判断两个数组元素是否相等
ndarray1 = np.arange(6).reshape((2, 3))
ndarray2 = np.arange(6).reshape((2, 3))
ndarray3 = np.array([[ 0,  1,  2], [ 8,  9, 10]])
(ndarray1 == ndarray2).all()
--------------------------------
True
(ndarray1 == ndarray3).all()
--------------------------------
False
(ndarray1 == ndarray3).any()
--------------------------------
True

添加和删除函数

方法	说明
delete	返回沿轴删除子数组的新数组
insert(arr, obj, values[, axis])	沿给定轴插入值
append(arr, values[, axis])	将值追加到数组的末尾
resize(a, new_shape)	返回具有指定形状的新数组
concatenate((a1,a2,...), axis=0)	沿现有轴连接数组序列

唯一化和集合函数

方法	说明
unique(x)	计算x中的唯一元素，并返回有序结果
intersect1d(x, y)	计算x和y中的公共元素，并返回有序结果
union1d(x, y)	计算x和y的并集，并返回有序结果
in1d(x, y)	得到一个表示“x的元素是否包含于y”的布尔型数组
setdiff1d(x, y)	集合的差，即元素在x中且不再y中

随机数生成函数

方法	说明
permutation	如果给的数字，则生成指定个数随机数 ，如果是数组，则打乱数组返回
shuffle	打乱一个序列的原有顺序
randint	从给定的上下限随机选取整数

数组排序函数

• 一维数组排序

import numpy as np
ndarray1 = np.random.randint(1, 10, (1, 5))
ndarray1.sort()
ndarray1
--------------------------------
array([[1, 2, 2, 5, 8]])

• 二维数组排序

ndarray2 = np.random.randint(1, 10, (5, 5))
ndarray2
--------------------------------
array([[3, 8, 7, 9, 3],
       [8, 7, 1, 9, 1],
       [2, 6, 8, 1, 2],
       [4, 2, 6, 6, 1],
       [3, 5, 3, 5, 4]])
# 对每行数据进行排序
ndarray2.sort()  
ndarray2
--------------------------------
array([[3, 3, 7, 8, 9],
       [1, 1, 7, 8, 9],
       [1, 2, 2, 6, 8],
       [1, 2, 4, 6, 6],
       [3, 3, 4, 5, 5]])
# 对每列数据进行排序
ndarray2.sort(axis=0)  
ndarray2
--------------------------------
array([[1, 1, 2, 5, 5],
       [1, 2, 4, 6, 6],
       [1, 2, 4, 6, 8],
       [3, 3, 7, 8, 9],
       [3, 3, 7, 8, 9]])

6.数组文件读写

import numpy as np
ndarray1 = np.array([
    ['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
    ['fff', 'ggg', 'hhh', 'iii', 'jjj'],
    ['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
    ['fff', 'ggg', 'hhh', 'iii', 'jjj']
])
ndarray1
--------------------------------
array([['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
       ['fff', 'ggg', 'hhh', 'iii', 'jjj'],
       ['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
       ['fff', 'ggg', 'hhh', 'iii', 'jjj']], dtype='<U3')

# 将数组保存成csv文件，每个数据之间用逗号隔开
np.savetxt('ndarray1.csv', ndarray1, delimiter=',', fmt='%s')
# 读取保存的ndarray1.csv文件
np.genfromtxt('ndarray1.csv', delimiter=',', dtype=np.unicode)
--------------------------------
array([['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
       ['fff', 'ggg', 'hhh', 'iii', 'jjj'],
       ['aaa', 'bbb', 'ccc', 'ddd', 'eee'],
       ['fff', 'ggg', 'hhh', 'iii', 'jjj']], dtype='<U3')

数组的有关知识就先总结到这里，下期猫哥将开始总结pandas的相关知识！