python数据分析系列之——Numpy的使用-创新互联

1.numpy的导入以及查看版本

>>> import numpy as np

>>> print(np.__version__)

1.15.4

2.创建一维(或多维)数组

# 通过list初始化来创建

>>> np.array([1,2,3,4,5])

array([1, 2, 3, 4, 5])

# 通过arange方法生成

>>> np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 指定创建范围和步长

>>> np.arange(3,10,2)

array([3, 5, 7, 9])

# 二维(3,3)

>>> np.array([[1,2,3],[4,5,6],[7,8,9]])

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

# 三维(2,2,2)

>>> np.array([[[1,3],[2,4]],[[3,6],[4,8]]])

array([[[1, 3],

[2, 4]],

[[3, 6],

[4, 8]]])

3.创建布尔数组

# 一维

>>> np.full(3, True, dtype=bool)

array([ True, True, True])

# 二维

>>> np.full((3, 3), True, dtype=bool)

array([[ True, True, True],

[ True, True, True],

[ True, True, True]])

4.从数组中提取(或替换)满足指定条件的元素

# 提取数组中的所有奇数

>>> arr = np.arange(10)

>>> arr[arr % 2 == 1]

array([1, 3, 5, 7, 9])

# 提取大于4的数

>>> arr[arr > 4]

array([5, 6, 7, 8, 9])

# 替换所有奇数为-1

>>> arr[arr % 2 == 1] = -1

>>> arr

array([ 0, -1, 2, -1, 4, -1, 6, -1, 8, -1])

5.改变数组的形状

>>> arr = np.arange(12)

>>> arr.reshape(2,6)

array([[ 0, 1, 2, 3, 4, 5],

[ 6, 7, 8, 9, 10, 11]])

# 设为-1维数会自动匹配

>>> arr.reshape(3,-1)

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>> arr.reshape(2,2,3)

array([[[ 0, 1, 2],

[ 3, 4, 5]],

[[ 6, 7, 8],

[ 9, 10, 11]]])

6.类型转换

>>> a = np.arange(10)

>>> a.dtype

dtype('int32')

# 转换为 str 类型

>>> a.astype(str)

array(['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'], dtype='

# 转换为 float 类型

>>> a.astype(float)

array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

7.垂直合并数组

>>> a = np.arange(8).reshape(2,4)

>>> b = np.arange(8,12)

# 方法1

>>> np.vstack((a, b))

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

# 方法2

>>> np.row_stack((a,b))

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

# 方法3，注意 concatenate 垂直合并的两个数组维数要一致

>>> np.concatenate([a, b], axis=0)

Traceback (most recent call last):

File "", line 1, in

np.concatenate([a, b], axis=0)

ValueError: all the input arrays must have same number of dimensions

>>> np.concatenate([a, [b,b]], axis=0)

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11],

[ 8, 9, 10, 11]])

# 方法4，合并的两个数组维数要一致

>>> np.r_[a,[b,b]]

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11],

[ 8, 9, 10, 11]])

8.水平合并数组

>>> a = np.arange(8).reshape(2,4)

>>> b = np.arange(8,12).reshape(2,2)

# 方法1

>>> np.hstack((a,b))

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法2

>>> np.column_stack((a,b))

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法3

>>> np.concatenate([a, b], axis=1)

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法4

>>> np.c_[a,b]

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

9.保存和读取txt(或csv)

>>> filename = 'data.txt' # or filename = 'data.csv'

>>> a = np.arange(12).reshape(3,4)

# 保存：fmt 指定保存的数据类型，delimiter 指定分隔符

>>> np.savetxt(filename, a, fmt='%d', delimiter=',')

# 读取：dtype 指定读取后的类型，delimiter 指定分隔符

>>> np.loadtxt(filename, dtype=float, delimiter=',')

array([[ 0., 1., 2., 3.],

[ 4., 5., 6., 7.],

[ 8., 9., 10., 11.]])

10.数组的特殊运算

>>> a = np.arange(10)

>>> a.sum() # 求和

45

>>> a.max() # 求大值

9

>>> a.min() # 求最小值

0

>>> a.mean() # 求平均值

4.5

>>> a.ptp() # 求数组中元素大值与最小值的差

9

>>> np.median(a) # 求数组的中位数

4.5

>>> np.std(a) # 求数组的标准差

2.8722813232690143

>>> np.var(a) # 求数组的方差

8.25

>>> a ** 2 # a中每个数平方

array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)

>>> a.dot(a) # 点积运算，对应元素相乘后求和，返回一个标量

285

>>> a.dot(a.T) # a.T是a的转置，也可以用 a.transpose()

285

11.创建零矩阵、1矩阵、单位阵

>>> np.zeros((2, 3)) # 零矩阵

array([[0., 0., 0.],

[0., 0., 0.]])

>>> np.ones((4, 3)) # 1矩阵

array([[1., 1., 1.],

[1., 1., 1.],

[1., 1., 1.],

[1., 1., 1.]])

>>> np.identity(3) # 单位阵，也可以用 np.eye(3)

array([[1., 0., 0.],

[0., 1., 0.],

[0., 0., 1.]])

12.矩阵的特殊运算

(1)array内积运算np.dot()

# 一维内积，对应元素相乘后求和

>>> A=np.array([1, 2, 3])

>>> B=np.array([4, 5, 6])

>>> A.dot(B) # or A.dot(B.T)

32 无锡×××医院 https://yyk.familydoctor.com.cn/20612/

# 二维内积，矩阵A[m,n]的列数等于矩阵B[n,p]的行数，与线性代数的矩阵乘法相同(C[i,j] = sum(A[i,k] * B[k,i]), k in [i,n])

# 假设C=A·B，则C[1,1] = A[1,1]*B[1,1] + A[1,2]*B[2,1] + A[1,3]*B[3,1] = 1*2 + 2*2 + 3*2 = 12

>>> A=np.array([[1, 2, 3], [4, 5, 6]]) # (2, 3)

>>> B=np.array([[2, 3], [2, 3], [2, 3]]) # (3, 2)

>>> A.dot(B) # or np.dot(A, B)

array([[12, 18],

[30, 45]])

(2)array元素乘法运算np.multiply()

# 元素的乘法运算是矩阵指对应元素相乘，可以用np.multiply()，也可以直接写" * "运算符

# 元素的乘法运算要求两个矩阵的维数必须要一致

# 一维数组

>>> A=np.array([1, 2, 3])

>>> B=np.array([4, 5, 6])

>>> A * B

array([ 4, 10, 18])

>>> np.multiply(A, B)

array([ 4, 10, 18])

# 二维数组

>>> A = np.arange(8)

>>> A = A.reshape(2,4)

>>> A

array([[0, 1, 2, 3],

[4, 5, 6, 7]])

>>> A * A

array([[ 0, 1, 4, 9],

[16, 25, 36, 49]])

>>> np.multiply(A, A)

array([[ 0, 1, 4, 9],

[16, 25, 36, 49]])

(3)matrix乘法运算

# matrix乘法运算可使用np.matmul()，也可使用" * "运算符

# matrix乘法运算与array的二维内积相同，所以也可以用np.dot()

>>> MA = np.matrix([[1, 2, 3], [4, 5, 6]])

>>> MB = np.matrix([[2, 3], [2, 3], [2, 3]])

>>> MA

matrix([[1, 2, 3],

[4, 5, 6]])

>>> MB

matrix([[2, 3],

[2, 3],

[2, 3]])

>>> MA * MB

matrix([[12, 18],

[30, 45]])

>>> np.matmul(MA, MB) # or np.dot(MA, MB), MA.dot(MB)

matrix([[12, 18],

[30, 45]])

(4)笛卡尔积运算

# 笛卡尔积也称为直积，其实就是集合的映射关系，可以用itertools.product()来实现

# 比如A={a, b}，B={1,2,3}，则A和B的笛卡尔积为{(a,1), (a,2), (a,3), (b,1), (b,2), (b,3)}

>>> import itertools

>>> A = np.array(['a', 'b'])

>>> B = np.array([1, 2, 3])

>>> D = itertools.product(A, B)

>>> list(D) # 直接转list，list中每个元素为tuple类型

[('a', 1), ('a', 2), ('a', 3), ('b', 1), ('b', 2), ('b', 3)]

# 也可以通过循环来遍历D

>>> for d in D:

print(d)

('a', 1)

('a', 2)

('a', 3)

('b', 1)

('b', 2)

('b', 3)

待更新：

python数据分析系列(二)——Matplotlib的使用

python数据分析系列(三)——Scipy的使用

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。