非结构化--第二章

浅浅的花香味﹌ 2023-10-04 15:46 5阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70]  
数组名两大写在Spyder里不显示

## 1：创建数组： ##

### 利用array（）函数创建数组 ###

import numpy as np
    d=np.array(列表，元祖，嵌套列表，嵌套数组，等给定的数据结构转化为数组)

**若需要转化的为二维数组以及以上，那么需要有\[ 中括号\]将他们括起来**

### 利用内置函数创建数组 ###

z1=np.ones((n,m)) #创建n行m列元素全为1的数组
    z2=np.zeros((n,m)) #创建n行m列元素全为0的数组
    z3=np.arange(a,b,c) #利用arange(a,b,c)创建以a为初始值，b-1为末值，c为步长 的一维数组

**若需要转化的为二维数组以及以上，那么需要有（中括号）中括号将他们括起来**

## 2：数组尺寸 ##

通过**shape属性**可以返回数组的长度，如果是一维数组，则返回的元祖中仅仅一个元素，代表这个数组的长度。如果是二维数组，元祖中两个值，第一个值代表数组的行数，第二个值代表数组的列表。

d1=[1,2,3,4,5,6]
    d2=[[1,2,3,4],[5,6,7,8]]
    
    import numpy as np
    d11=np.array(d1)
    d22=np.array(d2)
    
    s11=np.shape(d11)
    s22=np.shape(d22)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 1]  
数组进行重排，可以通过**reshape()函数**来实现

r=np.array(range(9))  #一维数组
    r1=r.reshape((3,3))  #重排位3行3列

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 2]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 3]

## 3：数组运算 ##

数组的运算包括加、减、乘、除、乘方于运算，以及数组的数字函数运算。

import numpy as np
    A=np.array([[1,2],[3,4]])
    B=np.array([[5,6],[7,8]])
    
    c1=A-B
    c2=A+B
    c3=A*B
    c4=A/B
    c5=A/3
    c7=A**2
    
    
    #数学运算
    e1=np.sqrt(A) #取平方根
    e2=np.abs([1,-2,-100])  #绝对值，列表里的值进行取绝对值
    e3=np.cos([1,2,3])   #cos值
    e4=np.sin(A)    #sin值
    e5=np.exp(A)    #取指数函数值

## 4：数组切片 ##

### 常见数组的切片方法 ###

D【①，②】：①：为对D的行下标控制，不能超过最大行数；②：为对D的列下表进行控制，不能超过最大列数

**1：数组无直接访问下标值的过程**

B11=D[[2,3],[2,3]]
    print(B11)

![在这里插入图片描述][2021061522360334.png]

总结：  
**2：设置行号和列号同时加上【】，相对应输出值，中括号限制输出，输出前后对应位置，放入一个【】中**  
**3：数据没有维度输出一列**  
**4：冒号前后值取左不取右**

# -*- coding: utf-8 -*-
    """
    Created on Mon Apr 26 15:23:53 2021
    
    @author: Administrator
    """
    import numpy as np
    
    D=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
    
    #访问D中行为1，列为2的数据
    #d1=D.index(1)没有下标访问的形式
    B1=D[1,2]
    #访问D中第1 ，3列数据
    B2=D[:,[1,3]]
    
    #访问D中第1,3行数据
    B3=D[[1,3],:]
    
    #取D中满足第0列大于5的所有列数据
    C=D[D[:,0]>5,:]
    #取D中满足第0列大于5的第1,2列数据
    tt=[False,True,True,False]
    #取D中满足第0中大于5的第2,3列数据
    
    C1=D[D[:,0]>5,[2,3]]
    C2=D[D[:,0]>5,2:4]    
    C3=D[D[:,0]>5,1:3]                                                                                                                                                                                                                                                                                                                                                                                      
    D7=D[D[:,0]>5,tt]
    TF=[True,False,True,False]
    #取D中第0，3行的所有列数据，本质上行及控制为逻辑列表，去逻辑值为真
    D1=D[TF,:]
    #取出第一行
    A=D[1]
    
    A1=D[1,:]
    #取出第一列
    B=D[:,1]
    
    B1=D[D[:,0]<=5,:]
    
    
    #取出第0,3行的2,3列的元素
    Dt4=[D[TF,2:4]]
    
    
    #取出D中大于4的数据
    Dt5=D[D>4]
    
    #取中间几个元素,6,7,10,11
    middle=D[1:3,1:3]

### 利用ix\_()函数进行数组切片（大众的切片逻辑） ###

**1：取相关行对应列的所有数值而不是单个**  
**2：对应列标不用做取舍，只有在：的时候取左不取右**

# -*- coding: utf-8 -*-
    """
    Created on Tue Apr 27 09:54:51 2021
    
    @author: Administrator
    """
    import numpy as np
    D=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
    #取第1,2行，1,3列
    D3=D[np.ix_([1,2],[1,3])]
    #取0,1行，1,3列
    D4=D[np.ix_(np.arange(2),[1,3])]
    #取第一列小于11，列数为1,2行的所有元素
    D6=D[np.ix_(D[:,1]<11,[1,2])]
    
    #取第一列小于11，列数为2行的所有元素
    D7=D[np.ix_(D[:,1]<11,[2])]
    
    TF=[True,False,False,True]
    D8=D[np.ix_(TF,[2])]
    
    D9=D[np.ix_(TF,[1,3])]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 4]

## 5：数组连接： ##

数据处理，多个数据源的集成整合是经常发生的。数组间的集成与整合主要体现在数组间的连接，包括\*\*水平hstack()**和**垂直vstack()\*\*两种方式。

# -*- coding: utf-8 -*-
    """
    Created on Tue Apr 27 10:07:07 2021
    
    @author: Administrator
    """
    
    import numpy as np
    a=np.array([[1,2],[3,4],[5,6]])
    b=np.array([[7,8],[9,10],[11,12]])
    c_s=np.hstack((a,b))
    c_v=np.vstack((a,b))
    #
    d=np.array([[7,8],[9,10],[11,12],[13,14]])
    #D_s=np.hstack((a,d))
    D_v=np.vstack((a,d))
    
    
    z=np.array([[7,8,0],[9,10,0],[11,12,13]])
    D_s=np.hstack((a,z))

水平：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 5]  
垂直：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 6]  
**垂直：只要行数相同，就可以进行垂直连接vstack()，列数相不相同无关**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 7]

**水平：只要行数相同，就可以进行水平连接hstack()，列数相不相同无关**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 8]

## 6：数据存取 ##

import numpy as np
    A=np.array([[1,2],[3,4],[5,6]])
    B=np.array([[7,8],[9,10],[11,12]])
    C_s=np.hstack((A,B))
    #C_s数据集保存为二进制数据文件data.npy
    np.save('data',C_s)
    
    V_s=np.load("data.npy")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 9]

## 7：数组形态变换 ##

**数组都不能改变值  
reshape函数：用于改变数组形态：一维数组变多维数组  
reval函数：多维数组变成一维数组**

import numpy as np
    arr=np.arange(12)
    #reshape一维数组变多维
    arr1=arr.reshape(2,6)
    #ravel多维数组变一维
    arr2=arr1.ravel()

![\*\*加粗样式\*\*][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 10]

## 8：数组排序与搜索 ##

sort()：从小到大的顺序排序  
argmin()：返回待搜索数组的最小值  
argmax():返回待搜索数组的最大值

argmax(arr1,axis=0或axis=1)  
axis=0:返回各列中最大值的索引值  
axis=1：返回各行中最最大值的索引值

argmin(arr1,axis=0或axis=1)  
axis=0:返回各列中最小值的索引值  
axis=1：返回各行中最小值的索引值

## 9:矩阵与线性代数运算 ##

### 1：创建Numpy矩阵 ###

mat(),mtrix(),bamt()

### 2：矩阵的属性和基本运算 ###

### 3：线性代数运算 ###

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210608104757892.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210615212050628.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210615224700828.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210615224651921.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[2021061522360334.png]: https://img-blog.csdnimg.cn/2021061522360334.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210615224346153.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20210615225108125.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20210615225135538.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20210615225442650.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20210615225621433.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20210615230105880.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20210616093600820.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjU2MDc3,size_16,color_FFFFFF,t_70