Numpy使用

Numpy

4.1numpy优势

1.numpy定义：

是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy中存储对象ndarray

2.创建ndarray

 np.array([ ])

3.numpy优势

  内存块风格 --一体式存储
  
  支持并行化运算
  
  效率高于纯python代码，内部释放GIL，底部使用c

4.2 N维数组-ndarray

1 ndarray的属性

属性名字            	属性解释         
ndarray.shape   	数组维度的元组      
ndarray.ndim    	数组维数         
ndarray.size    	数组中的元素数量     
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype   	数组元素的类型      

2.ndarray形状

np.array()
  	三维数组不好理解 ---excel中很多sheet

3.ndarray类型

bool
 int
 str

…

 - 注意：若不指定，整数默认int64，小数默认float64

4.3 基本操作

1.生成0和1的数组
np.ones()
 np.ones.like()
 
 2.从现有数组生成
np.array -- 深拷贝
np.asarray --浅拷贝

3.生成固定范围数组
np.linspace()
num -- 生成等间隔多少个
 np.arange()
step --每间隔多少生成数据
np.logspace()
生成以10的N次幂数据

4.生成随机数
1.均匀分布生成
np.random.uniform()
- low
- heigh
- size

2.正态分布

均值，方差
均值 --图形左右位置
方差 --图像是瘦还是胖
- 值越小，图像越瘦高，数据越集中
 - 值越大，图像越矮胖，数据越分散

3.正态分布api

np.random.normal()
- low()
- heigh()
- size()

4.2数组的索引切片

直接索引
先对行进行索引，然后对列索引
高维度数组索引从宏观到微观

形状修改

1.对象.reshape
不进行行列互换，不产生新的变量

2.对象.resize
进项行列互换，对原值进行修改

3.对象.T
进行行列互换

5.类型修改：

5.1 ndarray.astype(type)

返回修改了类型之后的数组
stock_change.astype(np.int32)

5.2 ndarray.tostring([order])或者ndarray.tobytes([order])

构造包含数组中原始数据字节的Python字节
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]])
arr.tostring()

6 数组的去重

6.1 np.unique()

temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])

7.ndarray运算

1 逻辑运算

# 生成10名同学，5门功课的数据
>>> score = np.random.randint(40, 100, (10, 5))

# 取出最后4名同学的成绩，用于逻辑判断
>>> test_score = score[6:, 0:5]

# 逻辑判断, 如果成绩大于60就标记为True 否则为False
>>> test_score > 60
array([[ True,  True,  True, False,  True],
       [ True,  True,  True, False,  True],
       [ True,  True, False, False,  True],
       [False,  True,  True,  True,  True]])

# BOOL赋值, 将满足条件的设置为指定的值-布尔索引
>>> test_score[test_score > 60] = 1
>>> test_score
array([[ 1,  1,  1, 52,  1],
       [ 1,  1,  1, 59,  1],
       [ 1,  1, 44, 44,  1],
       [59,  1,  1,  1,  1]])

2 通用判断函数

np.all()
# 判断前两名同学的成绩[0:2, :]是否全及格
>>> np.all(score[0:2, :] > 60)
False
np.any()
# 判断前两名同学的成绩[0:2, :]是否有大于90分的
>>> np.any(score[0:2, :] > 80)
True

3 np.where（三元运算符）

通过使用np.where能够进行更加复杂的运算

np.where()
# 判断前四名学生,前四门课程中，成绩中大于60的置为1，否则为0
temp = score[:4, :4]
np.where(temp > 60, 1, 0)
复合逻辑需要结合np.logical_and和np.logical_or使用
# 判断前四名学生,前四门课程中，成绩中大于60且小于90的换为1，否则为0
np.where(np.logical_and(temp > 60, temp < 90), 1, 0)

# 判断前四名学生,前四门课程中，成绩中大于90或小于60的换为1，否则为0
np.where(np.logical_or(temp > 90, temp < 60), 1, 0)

4.统计运算

在数据挖掘/机器学习领域，统计指标的值也是我们分析问题的一种方式。常用的指标如下：

min(a, axis)
Return the minimum of an array or minimum along an axis.
max(a, axis])
Return the maximum of an array or maximum along an axis.
median(a, axis)
Compute the median along the specified axis.
mean(a, axis, dtype)
Compute the arithmetic mean along the specified axis.
std(a, axis, dtype)
Compute the standard deviation along the specified axis.
var(a, axis, dtype)
Compute the variance along the specified axis.

进行统计的时候，axis 轴的取值并不一定，Numpy中不同的API轴的值都不一样，在这里，axis 0代表列, axis 1代表行去进行统计

8.数组之间运算

1 数组与数的运算

arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr + 1
arr / 2

# 可以对比python列表的运算，看出区别
a = [1, 2, 3, 4, 5]
a * 3

2 数组与数组的运算

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr2 = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])

数组运算,满足广播机制

9.矩阵

其他知识略…，我也看不懂，api看懂了

矩阵api

np.matmul
np.dot

>>> a = np.array([[80, 86],
[82, 80],
[85, 78],
[90, 90],
[86, 82],
[82, 90],
[78, 80],
[92, 94]])
>>> b = np.array([[0.7], [0.3]])

>>> np.matmul(a, b)
array([[81.8],
       [81.4],
       [82.9],
       [90. ],
       [84.8],
       [84.4],
       [78.6],
       [92.6]])

>>> np.dot(a,b)
array([[81.8],
       [81.4],
       [82.9],
       [90. ],
       [84.8],
       [84.4],
       [78.6],
       [92.6]])

np.matmul和np.dot的区别:

二者都是矩阵乘法。 np.matmul中禁止矩阵与标量的乘法。 在矢量乘矢量的內积运算中，np.matmul与np.dot没有区别。