一、 numpy概述
numpy（Numerical Python）提供了python对多维数组对象ndarray（应该是N-dimension array）的支持，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
二、实操
1. 创建ndarray数组
ndarray：N维数组对象（矩阵），所有元素必须是相同类型。
ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。
2.生成指定维度的随机数组
(1)生成一个3行4列的随机数组，然后计算数组的各个属性
# 生成指定维度的随机数组 data = np.random.rand(3,4) #随机生成一个3行4列的随机数组 print(data) print(type(data)) #数据结构是：<class ‘numpy.ndarray‘>
[[0.9866426 0.54835475 0.69859764 0.32483656]
[0.27492952 0.23119927 0.97028605 0.08145471]
[0.28869387 0.2712937 0.91773528 0.95094582]]
# 打印出数组的各个属性print(‘数组的维数‘,data.ndim) #number of dimension 数组的维数 2 print(‘数组的大小‘,data.shape) #描述数组各维度的大小 (3,4)print(‘数据类型‘,data.dtype) #描述数组的数据类型 float
(2)将列表转换为np.array形式
# 将list转换为二维数组 list = range(0,10) data = np.array(list) #实现将python列表的数据结构转换为np的array的数据结构 print(data) #[0 1 2 3 4 5 6 7 8 9] print(type(data)) #<class ‘numpy.ndarray‘> print(data.ndim) #1 print(data.shape) #(10,) print(data.dtype) #int32
(3)将嵌套序列转换为ndarray的形式
#将嵌套序列转换为ndarray l1 = [range(10),range(10)] data = np.array(l1) print(‘数据类型‘,type(data)) print(‘数据的维度的大小为：‘,data.shape) print(‘数组的维数为：‘,data.ndim)
(4)np.zeros(shape, dtype=float, order=‘C‘) #注意这里shape是一个元组，对于其他的几个数据结构同理
#np.zeros np.ones 和np.empty #np.zeros zeros_arr = np.zeros((3,4),dtype=float) #生成一个3行4列的全0数组 ，其中的数据类型是int print(‘zeros_arr‘,zeros_arr) ones_arr = np.ones((3,4),dtype=float) #生成一个3行4列的全1数组数据类型为float类型 print(‘ones_arr‘,ones_arr) empty_arr = np.empty((3,4)) print(‘empty_arr‘,empty_arr) empty_int_arr = np.empty((3,4),dtype=int) print(‘empty_int_arr‘,empty_int_arr)
(5)np.arange()
print(np.arange(10)) #生成0到9的数组 print(type(np.arange(10))) #数据类型是numpy.ndarray的数据类型
(6)生成一个全0的矩阵
zero_float_arr = np.zeros((3,4),dtype=np.float) print(zero_float_arr) print(type(zero_float_arr)) #数组的数据类型是numpy.ndarray print(zero_float_arr.dtype) #
# 使用astype做数据类型的转换zero_int_arr = zero_float_arr.astype(np.int)print(type(zero_int_arr))print(zero_int_arr.dtype)
(7)矢量的计算
arr = np.array([[1,2,3],[4,5,6]]) #生成一个列表，使用np.array方法将一个列表转换为np.array print(arr) print(type(arr)) #打印出数组的数据类型 print(arr.dtype) #打印出数据类型
(8)矩阵的运算
#产生一个2行3列的二维矩阵 arr = np.array([[1,2,3],[4,5,6]]) print(arr) print(type(arr)) print(arr.dtype) # 将矩阵进行相乘的运算，这个地方要注意，直接将矩阵进行乘法运算，是将矩阵中元素进行位置上的乘法运算 print(‘矩阵中的元素相乘arr*arr‘,arr*arr) #将矩阵进行加法的运算 print(‘arr+arr‘,arr+arr) # 实现矢量与标量的运算，矢量与标量运算的时候需要进行广播 print(‘1/arr=\n‘,1./arr) #矩阵的除法 print(‘2*arr=\n‘,2*arr)
(9)数组的切片操作
arr1 = np.arange(10) #产生一个10个元素的数组 print(type(arr1)) #数据结构仍然是numpy.ndarray print(arr1.dtype) #元素的数据类型仍然是int32类型 print(arr1) # print(arr1[2:5]) #切片操作 ，左闭右开的切片
arr2 = np.arange(12).reshape(3,4) #产生一个3行4列的二维数组print(arr2)print(arr2[1]) #切片操作，切出数组中第一行的数据，出数组的第一行print(arr2[0:2,1:]) #切片操作，切除第0行第一行以及第一列之后的数组print(arr2[:,1:3]) #切片操作，切出所有的行，以及第1列，第2列的数据
(10)条件索引
#找出data_arr中2015年以后的数据 data_arr = np.random.rand(3,3) # 创建一个3行3列的二维随机数组 print(‘data_arr \n‘,data_arr) year_arr = np.array([[2000,2001,2000],[2005,2002,2009],[2001,2003,2010]]) print(‘year_arr \n‘,year_arr) filtered_arr=data_arr[year_arr>2005] print(‘filtered_arr \n‘,filtered_arr) #多条件索引
#多个条件索引filtered_arr = data_arr[(year_arr<=2005) & (year_arr%2==0)] #打印出年份小于2005年并且为偶数年份的数据# print(year_arr[(year_arr<=2005) & (year_arr%2==0)])print(‘filtered_arr‘,filtered_arr)
(11)二维矩阵的转置
arr1 = np.random.rand(2,3) #生成一个2行3列的二维数组 print(‘arr1=\n‘,arr1) print(‘arr1数组的转置为:\n‘,arr1.transpose())
(12)三维矩阵及其转置
#3维矩阵 arr3d = np.random.rand(2,3,4) print(‘arr3d=\n‘,arr3d) print(‘================================‘) print(arr3d.transpose((1,0,2)))
(13)常见运算（np.around、np.floor、np.ceil、np.where）
①p.ceil 函数返回输入值的上限,就是向上取整，即对于输入 x ，返回最小的整数 i ，使得 i> = x。
arr = np.random.randn(2,3) #生成量行3列的随机数组 print(arr)
②np.floor 返回不大于输入参数的最大整数。 即对于输入值 x ，将返回最大的整数 i ，使得 i <= x。 注意在Python中，向下取整总是从 0 舍入。
print(‘np.floor(arr)=\n‘,np.floor(arr))
③np.rint()是根据四舍五入取整
print(‘np.rint(arr)=\n‘,np.rint(arr))
④np.isnan(arr)是判断数组的每个元素是不是NaN数据类型
print(‘np.isnan(arr)=\n‘,np.isnan(arr))
⑤np.where(condition, x, y)，满足条件(condition)，输出x，不满足输出y。
#np.where arr1 = np.random.rand(3,4) print(arr1) print(np.where(arr1>0.5,1,-1))
14.数组求和
arr1 = np.random.rand(5,2) print(‘arr1=\n‘,arr1) print(‘np.sum(arr1)=\n‘,np.sum(arr1)) #对数组进行求和 print(‘np.sum(arr1),axis=0‘,np.sum(arr1,axis=0)) #在列的方向进行求和 print(‘np.sum(arr1),axis=1‘,np.sum(arr1,axis=1)) #在行的方向进行求和
15.
np.array.any()是或操作，将np.array中所有元素进行或操作，然后返回True或False
np.array.all()是与操作，将np.array中所有元素进行与操作，然后返回True或False
arr1 = np.random.randn(2,3) print(arr1) print(np.any(arr1>0)) print(np.all(arr1>0))
[[-0.03475223 0.21371993 0.84167799]
[ 1.60330052 0.02812848 1.37971765]]
True
False
16unique操作
arr1 = np.array([[1,2,1],[2,3,4]]) print(‘arr1‘,arr1) print(‘np.unique(arr1)‘,np.unique(arr1))
原文地址：https://www.cnblogs.com/bigdata-stone/p/10202363.html