【数据分析之Numpy】数据基本操作

Bertha 。 2022-09-05 06:00 207阅读 0赞

### 文章目录 ###

*  1.创建数组
 *  2.创建随机数
 *  3.其他方式创建数组
 *  4.数组维度变换
 *  5.数组拼接
 *  6.数组分隔
 *  7.数组转置
 *  8.函数

2020年5月27日学习了b站 [Numpy][]的简单教程，笔记记录于此

# 1.创建数组 #

import numpy as np
    
    # 使用array函数创建一维数组
    a = np.array([1,2,3])
    print(type(a))  # <class 'numpy.ndarray'>
    
    # 使用array函数创建三维数组
    c = np.array([[[1,2,3],[4,5,6]]])
    
    # array函数中ndmin的使用
    e = np.array([3,4,5],dtype=float,ndmin=3)
    
    # range的使用 range(start,end,step) [start,end)
    a = list(range(1,10,3)) # 默认从0开始，步长为1
    
    # 创建1,10的数组,步长为2
    d = np.arange(1,11,2,dtype=float)

# 2.创建随机数 #

# 使用random创建三维数组[0.0,1.0]
    a = np.random.random(size=(3,4,5))
    # ndim属性
    print('ndim:',a.ndim)	# 3
    # shape属性
    print('shape:',a.shape)	# (3,4,5)
    # dtype属性
    print('dtype:',a.dtype)	# float64
    # size元素的总个数
    print('size:',a.size)	# 60
    # itemsize每个元素所占的字节
    print('itemsize:',a.itemsize)	# 8
    
    # 生成0-5之间的随机整数 一维
    a = np.random.randint(6,size=10)
    # 生成5-10之间的随机整数 三维 类型是float
    a = np.random.randint(5, 11, size=(2,4,3),dtype=np.int64)
    
    # 创建标准正态分布，期望为0，方差为1
    a = np.random.randn(4)
    # 创建三维的数组
    a = np.random.randn(2,3,4)
    
    # 创建指定期望和方差的标准正态分布
    a = np.random.normal(size=5) # 默认的期望loc=0.0 方差scale=1.0
    # 指定期望和方差
    a = np.random.normal(loc=2,scale=3,size=(3,4))

# 3.其他方式创建数组 #

# zeros 全0
    a = np.zeros((3,4),dtype=int)
    
    # ones 全1
    a = np.ones((2,3),dtype=int)
    
    # empty 创建一个指定形状、数据类型且未初始化的数组，里面的元素值是之前内存的值
    a = np.empty((3,4))
    
    # linspace 创建一个一维数组，数组由等差数列组成
    a = np.linspace(5,20,5,endpoint=False) # 不包含20
    
    # logspace 创建一个一维数组，数组由等比数列组成
    a = np.logspace(0,9,10,base=2) # 默认base=10.0

# 4.数组维度变换 #

numpy数组切片方式同python数组

# 通过reshape将一维数组修改为二、三维
    a=np.arange(1,25)
    
    # 将一维修改为二维(3,8)
    b=a.reshape((3,8))
    
    # 通过np.reshape()进行修改
    bb=np.reshape(a,(4,3,2))# 将一维修改为三维
    
    # 将多维数组修改为一维数组
    a=bb.reshape(-1)
    
    # 通过 ravel、flatten函数将多维数组转换为一维数组
    a=bb.ravel()
    a=bb.flatten()

# 5.数组拼接 #

a=np.array([[1,2,3],[4,5,6]])
    b=np.array([[11,12,13],[14,15,16]])
    
    # 使用hstack进行水平拼接
    r=np.hstack((a,b))
    print(r.shape)	# (2, 6)
    
    # 使用vstack进行垂直方向拼接
    r=np.vstack((a,b))	
    print(r.shape)	# (4, 3)
    
    # concatenate的使用
    print('axis=0 默认情况 垂直方向拼接 相当于vstack')
    r1=np.concatenate((a,b),axis=0)
    print(r1)	# (4, 3)
    
    # 二维数组有两个轴 axis=0 axis=1
    print('axis=1 水平方向拼接 相当于hstack')
    r2=np.concatenate((a,b),axis=1)
    print(r2.shape)	# (2, 6)

# 6.数组分隔 #

a=np.arange(1,13)
    # 调用split函数进行分隔
    # 传递整数 平均分隔
    r=np.split(a,4,axis=0)
    
    # 传递数组 按位置分隔
    r=np.split(a,[4,6])
    
    # 二维数组进行分隔
    a=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
    # axis=0 垂直方向 平均分隔
    r,w=np.split(a,2,axis=0)
    
    # axis=1 水平方向 按位置分隔
    r,w=np.split(a,[3],axis=1)
    
    # 使用hsplit() 水平方向分隔
    r,w=np.hsplit(a,2)
    
    # 使用vsplit() 垂直位置分隔
    r,w=np.vsplit(a,[1])

# 7.数组转置 #

a=np.arange(1,25).reshape(8,3)
    b=a.transpose()
    b = a.T
    
    # numpy中transpose()
    c=np.transpose(a)
    
    # 对于三维a[i][j][k] 进行转置 默认的将i和k交换

# 8.函数 #

a=np.arange(9).reshape(3,3)
    b=np.array([10,10,10])
    print(np.add(a,b))	# print(a+b)
    print(np.subtract(b,a))	# print(b-a)
    
    # out参数的使用
    y=np.empty((3,3),dtype=np.int)
    np.multiply(a,10,out=y)
    
    # 三角函数
    a=np.array([0,30,60,90])
    print(np.sin(a))
    
    # around ceil floor
    a = np.array([1.0,4.55,  123,  0.567,  25.332])
    print('around:',np.around(a))
    print('ceil:',np.ceil(a))
    print('floor:',np.floor(a))
    
    # 统计函数
    # power()
    a=np.arange(1,13).reshape(3,4)
    print('power:',np.power(a,2))
    
    # power中out的使用
    x=np.arange(5)
    y=np.zeros(10)
    np.power(2,x,out=y[:5])
    
    # median ()
    # 二维数组 要通过axis指定轴
    a=np.arange(1,13).reshape(3,4)
    print('垂直方向 ',np.median(a,axis=0))
    
    # mean 求平均值
    print('axis=1 水平方向',np.mean(a,axis=1))
    
    # sum() max() min()
    a=np.array([4,3,2,5,2])
    print('max:',np.max(a))
    print('sum:',np.sum(a))
    print('min:',np.min(a))
    
    # argmax argmin
    print('argmin:',np.argmin(a))
    print('argmax:',np.argmax(a))

[Numpy]: https://www.bilibili.com/video/BV1jE411F79F