NumPy
2018-04-15 本文已影响8人
天际神游
NumPy本身没有提供多么高级的数据分析功能，理解NumPy数组以及面向对象数组的计算将有利于更加高效的使用诸如pandas之类的工具。默认这样使用numpy：
import numpy as np
NumPy最重要的一个特点就是N维数组对象ndarray，该对象是一个快速而灵活的大数据集容器。
ndarray对象的属性及方法表(下面简称数组)：
| 属性方法 | 作用 |
|---|---|
| shape | 维度大小 |
| dtype | 数据类型 |
| array | 把序列型对象转化为ndarray，dtype可以显式指明类型 |
| ndim | 维度 |
| 矢量化(vectorization)运算 | 数组对应元素相加减乘除，无需编写循环，如：a2 = a*a, c= a-b(数组维度需要相同), 'a/2'a中所有元素都会除以2 |
| np.zeros(10)，np.zeros_like(数组) | 创建全0数组 |
| np.ones((2, 3))，np.ones_like(数组) | 创建全1数组 |
| np.empty((1, 2, 3))，np.empty_like(数组) | 创建空的数组(数组未初始化) |
| np.eye(2) or np.identity(1) | 创建n*n单位矩阵 |
| np.arange(10) | 类似Python内置函数range()
|
| astype(np.int32) | 显式的转化其dtype，字符串也可以转化！但是是新的数组，即使新旧的dtype相同 |
| [3] | 索引 |
| [5:8] | 切片(这里的切片只是视图，而非副本，如要副本，[5:8].copy())
|
| [布尔型数组] | 可以作为索引(大小需匹配)，一般可以这样使用，a[b < 0] = 0
|
| a[b == value, 2:] | 与切片、整数可以混合使用 |
| 花式索引 |
a[[5, 3, -2]]选取a的5,3,-2行；选取矩形区域a[[5,3,-1], [:, [0,2,1]]]，还有一个方法是使用ix_它可以把两个一维数组转化成选取方形区域的索引器，如：a[np.ix_([5,3,-1], [0,2,1]]，注意：花式索引总是把数据复制到新的数组中 |
| reshape | 改变原有数组的形状 |
| T | 返回原数组转置后的视图，不进行任何复制操作 |
| np.dot(a.T, a) | 计算矩阵内积aTa |
| transpose((1,0,3)) | 需要得到一个由轴编号组成的原组才能对这些轴进行转置 |
| swapaxes(1,2) | 接受一对轴编号进行轴对换，只是返回视图，不进行复制操作 |
np的一些方法：
| 属性方法 | 作用 |
|---|---|
| 通用函数(ufunc) | 是对ndarray中的数据执行元素级运算的函数，可以看做是简单函数的矢量包装器 |
| 一元ufunc | |
| abs, fabs | 计算整数、浮点数或复数的绝对值；对于非复数，使用后者速度更快 |
| sqrt | 计算各元素的平方根，类似：a ** 0.5
|
| square | 计算各元素的平方 |
| exp | 计算各元素的指数ex |
| log, log10, log2, log1p | 分别为底数是自然对数e, 10, 2以及log(1+x) |
| sign | 计算各元素正负号，整数、零、负数分别是1,0,-1
|
| ceil | 计算各元素的ceiling值，即大于等于该值的最小整数 |
| floor | 计算各元素的floor值，即大于等于该值的最大整数 |
| rint | 将各元素四舍五入到最接近的整数值，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的布尔型数组 |
| isfinite, isinf | 分别返回一个表示那些元素是有穷的(非inf, 非NaN)或那些元素是无穷的 |
| cos, cosh, sin, sinh，tan, tanh | 普通型和双曲型三角函数 |
| arccos, arccosh, arcsin, arcsinh, arctan, arctanh | 反三角函数 |
| logical_not | 计算各元素的not x的真值(返回一个布尔类型的数组) |
| 二元ufunc | |
| add | 相加 |
| subtract | 相减 |
| multiply | 相乘 |
| divide, floor_divide | 除法或向下取整除法(类似python //) |
| power(a,b) | 求ab |
| maximum, fmax | 最大值计算，fmax将忽略NaN |
| minimum, fmin | 最大值计算，fmin将忽略NaN |
| mod | 求模 |
| copysign | 将第二个数组值的符号复制给第一个数组的 |
| greater、greater_equal、less、less_equal、equal、not_equal | 比较，最终产生布尔型数组 |
| logical_and、logical_or、logical_xor | 逻辑运算 |
| where(a>0,b,c) | 类似python三元表达式 |
| 数学和统计方法 | 既可以被ndarray调用，也可以被np调用 |
| sum | 求和，可以通过axis指定某轴向的元素 |
| mean | 算术平均数，零长度的数组的sum为0 |
| std、var | 分别为标准差，方差，自由度可调整(默认为n) |
| min、max | 最大值和最小值 |
| argmin、argmax | 分别为最大和最小元素的索引 |
| cumsum | 所有元素累计和 |
| cumprod | 所有元素的累计积 |
| 常用于布尔类型的方法 | |
| 举例如下： | |
| a(>0).sum() | 求正值的数量 |
| bools.any() | 是否存在一个或多个True
|
| bools.all() | 是否全部为True
|
| a.sort() | 就地升序排序，可以通过axis指定轴向 |
| unique(a) | 找出数组中唯一值(类似python的set)并返回已排序的结果 |
| intersect1d(a, b) | 计算a、b的公共元素，并返回有序的结果 |
| union1d(a, b) | 计算a、b的并集，并返回有序结果 |
| in1d(a,b) | 得到一个表示a是包含于b的布尔型数组(？a中元素在b中即为True) |
| setdiff1d(a,b) | 集合的差，在a中不在b中 |
| setxor1d(a,b) | 集合的对称差，即只在一个数组中，即，‘异或’ |
| 用于数组的文件输入输出 | |
| save('file1', a) | 默认以未压缩的原始二进制格式保存在拓展名为.npy的文件中 |
| load('file1.npy') | 读取 |
| savez('file1.npz', a=arr1, b=arr2) | 多个数组保存到一个压缩文件，load .npz文件会得到一个字典类型的数组，获取a, b数组，a['a'], a['b']
|
| loadtxt('file1.txt', delimiter=',') | 读取txt文件，以,分割 |
| 线性代数 | |
| a*b | 计算的是a和b对应元素的积，而非点积 |
| dot | 矩阵点积 |
| numpy.linalg | 这个库有常用的矩阵分解运算等关于矩阵的函数，常用函数如下: |
| diag | 以一维数组的形式返回方阵的对角线(或非对角线元素) |
| dot | 矩阵乘法 |
| trace | 计算对角线元素和 |
| det | 计算矩阵行列式 |
| eig | 计算方阵的本征值和本征向量 |
| inv | 求逆 |
| pinv | 计算矩阵的Moore-Penrose伪逆 |
| qr | 计算QR分解 |
| svd | 计算奇异值分解 |
| solve | 解线性方程Ax=b，其中A为一个方阵 |
| lstsq | 计算Ax=b的最小二乘解 |
| 随机数生成 | |
| np.random.normal(size=(4, 4)) | 生成标准正态分布 |
| seed | 确定随机数生成种子 |
| permutation | 返回一个的随机排列或返回一个随机排列的范围 |
| shuffle | 对一个序列就地随机排列 |
| rand | 产生均匀分布的样本值 |
| randint | 给定的上下限范围内随机选取整数 |
| randn | 产生正态分布 |
| binomial | 产生二项分布 |
| normal | 产生高斯分布 |
| beta | 产生Beta分布的样本值 |
| chisquare | 产生卡方分布样本值 |
| gamma | 产生Gamma分布样本值 |
| uniform | 产生在[0, 1)中均匀分布的样本值 |
