《莫烦Python》笔记 -- numpy部分
2018-12-27 本文已影响1人
小T数据站
- 个人感觉，在numpy里，从说法上，数组与矩阵可以互换
1.1 numpy & pandas有什么用？
1.2 numpy & pandas的安装
安装Anaconda
2.1 numpy属性
import numpy as np
# 将一个列表转化为矩阵
array = np.array([[1,2,3],
[2,3,4]])
# 查看矩阵的维度
print('dim of array:',array.ndim)
# 查看矩阵的形状
print('shape:',array.shape)
# 查看矩阵元素的个数
print('size:',array.size)
2.2 numpy创建array
import numpy as np
# 生成一个一维矩阵
a = np.array([2,3,4])
# 利用参数dtype指定列表元素的类型，常用dtype:int32/int64/float32/float64
a = np.array([2,3,4],dtype=int)
print(a.dtype)
- 补充：使用astype方法显示地转化矩阵的数据类型
a.astype(np.float64),这样整数就换成了浮点数
注意：将浮点数转换为整数时，会使用去尾法执行，即2.5会换算成2 - 补充：丢一个有关Numpy 数据类型和基本操作
的博客在这
# 生成一个二维矩阵
b = np.array([[2,3,4],
[3,4,5]])
# 生成一个3行4列全为0的矩阵
c = np.zeros((3,4))
# 生成一个3行4列全为1的矩阵
d = np.ones((3,4))
# 生成一个3行4列全为空值的矩阵
e = np.empty((3,4))
# 生成一个有序的矩阵：10至20步长为2的数
f = np.arange(10,20,2)
# 对生成的矩阵重新塑形
g = np.arange(12).reshape((3,4))
# 将1至10等分得到5个数
h = np.linspace(1,10,5)
i = np.linspace(1,10,6).reshape((2,3))
- 补充：np.random模块常用方法/函数
- np.random.rand()：返回给定形状的一组随机数值
- np.random.randn()：返回一组服从标准正态分布的数值
- np.random.randint(low[, high, size]) :返回一组随机整数值 ，位于[low,high)之间
- np.random.random_integers(low[, high, size])：:返回一组随机整数值 ，位于[low,high]之间
- np.random.random()：返回一组随机的浮点数，位于[0.0,1.0)之间
- np.random.ranf()：返回一组随机的浮点数，位于[0.0,1.0)之间
- np.random.sample()：返回一组随机的浮点数，位于[0.0,1.0)之间
- 详细例子以及其他方法/函数可参见官网以及一篇翻译的不错的中文博客
2.3 numpy的基础运算
import numpy as np
a = np.array([10,20,30,40])
b = np.arange(4)
# 加法 +
a+b
# 减法 -
a-b
# 乘法,指对应位置相乘 *
a*b
# 除法 /
b/a
# 次方 **
b**2
# sin/cos/tan()
np.tan(a)
# 比较>,<,==,>=,<=
b == 3
a = np.array([[1,1],
[0,1]])
b = np.arange(4).reshape((2,2))
# 逐个相乘，即对应位置相乘 *
c = a*b
# 矩阵乘法，两种写法 **
c_dot1 = np.dot(a,b)
c_dot2 = a.dot(b)
# 生成一个2行4列元素为0-1随机的矩阵
a = np.random.random((2,4))
# 参数axis用于控制计算方式，0表示按行计算，1为按列计算
np.sum(a)
np.sum(a,axis=0)
np.min(a)
np.min(a,axis=1)
np.max(a)
2.4 numpy的基础运算2
import numpy as np
A =np.arange(2,14).reshape(3,4)
# 找出A的最小值的索引
print(np.argmin(A))
A.mean()
np.mean(A)
np.cumsum(A) # 累加
np.diff(A) # 累差，印象中另一种说法是错位相减
np.sort(A) # 逐行排序
np.transpose(A)/A.T # 转置
np.clip(A,5,9) # 将矩阵A中小于5的数变为5，大于9的数变为9，介于5至9的数保持不变
2.5 numpy的索引
import numpy as np
A = np.arange(3,15)
A[3] # 找到矩阵A里位置为3的值
图2.5-1
A = np.arange(3,15).reshape((3,4))
A[2] # 矩阵A的行数为2的数据
A[2][1] # 矩阵A第2行第1列的值
A[2,1] # 矩阵A第2行第1列的值
A[:,1] # 矩阵A所有行第1列的数据
A[:,1:3] # 矩阵A所有行第1至2列的值
图2.5-2
# 按行遍历矩阵A
for row in A:
print(row)
# 按列遍历矩阵A
for column in A.T:
print(column)
# 按行遍历矩阵A，并展示为一列值
for item in A.flat:
print(item)
# 将矩阵A按行展示为一行值
A.flatten()
图2.5-3
图2.5-4
2.6 numpy的array合并
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
C= np.vstack((A,B)) # vertical stack 上下合并
D = np.hstack((A,B)) # horizontal stack 左右合并
np.concatenate((A,B,A,B),axis =0) # 0表示纵向合并，1表示横向合并？？
图2.6-1
2.7 numpy的array分割
import numpy as np
A = np.arange(12).reshape((3,4))
# 等分分割
np.split(A,2,axis=1)
# 不等分分割
np.array_split(A,3,axis=1)
# 另外两个等分函数
np.vsplit(A,3) # 按行
np.hsplit(A,2) # 按列
图2.7-1
图2.7-2
2.8 numpy的copy&deep copy
import numpy as np
a = np.arange(4)
b = a
c = b
a[0]=11
a
b
c
c[1:3]=[22,33]
c
a
b
2.8-1
2.8-2
a = np.arange(4)
b = a.copy() # deep copy
a
b
b[1] = 45
b
a
2.8-3
