python numpy看这一篇就够了

numpy基础

1.为什么要学习numpy？
-> 快速
-> 方便
-> 科学计算的基础库
2.什么是numpy？
一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算。
3. 如何在python中使用numpy?

import numpy as np

ndarray 多维数组(N Dimension Array)

NumPy数组是一个多维的数组对象（矩阵），称为ndarray，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。

ndarray拥有的属性
-> ndim属性：维度个数
-> shape属性：维度大小
-> dtype属性：数据类型

numpy生成随机数

# 导入numpy，别名np
import numpy as np

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），rand固定区间0.0 ~ 1.0
arr = np.random.rand(3, 4)
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维整型数据（二维），randint()可以指定区间（-1, 5）
arr = np.random.randint(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），uniform()可以指定区间（-1, 5）
arr = np.random.uniform(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))

print('维度个数: ', arr.ndim)
print('维度大小: ', arr.shape)
print('数据类型: ', arr.dtype)

numpy生成序列

1. np.array(collection) 和 np.arange( )

以下 a,b,c内容相同
a = np.array([1,2,3,4])
b = np.array(range(1,5))
c = np.arange(1,5)

2.np.zeros()
指定大小的全0数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。

np.zeros((3,4))

3. np.ones()
指定大小的全1数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。

np.ones((3,4))

4.np.random.shuffle() 和 reshape()
random.shuffle() 将打乱数组序列（类似于洗牌）。

arr = np.arange(15).reshape(3,5)
print(arr)

np.random.shuffle(arr)
print(arr)

ndarray的数据类型

1. dtype参数
指定数组的数据类型，类型名+位数，如float64, int32
2. astype方法
转换数组的数据类型

# 初始化3行4列数组，数据类型为float64
a = np.zeros((3, 4), dtype=np.float64)
print(a.dtype)

# astype转换数据类型，将已有的数组的数据类型转换为int32
a_int = a.astype(np.int32)
print(a_int.dtype)

ndarray的矩阵运算

1. 矢量运算：相同大小的数组间运算应用在元素上

# 矢量与矢量运算
arr = np.array([[1, 2, 3],
                [4, 5, 6]])

print("元素相乘：")
print(arr * arr)

print("矩阵相加：")
print(arr + arr)

2. 矢量和标量运算：“广播” - 将标量"广播"到各个元素

# 矢量与标量运算
print(1. / arr)
print(2. * arr)
print(arr + 1)

3.矢量和矢量运算：广播原则

举个例子，也就是说，
shape为(3,3,3)的数组能够和(3,2)的数组，进行计算么?
No.
shape为(3,3,2)的数组能够和(3,2)的数组进行计算么?
Yes.

a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])  # 2行6列
b = np.array([1,2,3,4,5,6])    # 1行6列
print(a - b)
print(a * b)

ndarray的索引与切片

1. 一维数组的索引与切片
与Python的列表索引功能相似

# 一维数组
arr1 = np.arange(10)
print(arr1)
print(arr1[2:5])

运行结果：

[0 1 2 3 4 5 6 7 8 9]
[2 3 4]

2. 多维数组的索引与切片：

3. numpy中数值的修改

4. 条件索引

1. 把t中小于10的数字替换为0

t[t<10] = 0

2.把t中小于10的数字替换为0，把大于10的替换为10

np.where(t<10,0,10)   #利用三元运算符

3. 小于10的替换为10，大于18的替换为18

t.clip(10,18)

numpy中的转置

可通过以下三种方法进行转置操作：

1. a. transpose()
2. a.T
3. a.swapaxes(1,0)
   

numpy中的nan和inf

1.nan(NAN,Nan):not a number表示不是一个数字

什么时候numpy中会出现nan：
当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

2.inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷

什么时候回出现inf包括（-inf，+inf）
比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

3.那么如何指定一个nan或者inf呢？

1. 注意他们的type类型 : nan 或 inf 为 float类型
   
2. np.nan != np.nan 利用这个特性，我们可以通过 np.count_nonzero(t != t)来统计数组中nan的个数
   

ndarry缺失值填充均值

for i in range(t.shape[1]):
	nan_num = np.count_nonzero(t[:,i] != t[:i])  # 计算nan的个数
	if nan_num > 0:
		col_sum = t[:,i][np.isnan(t[:,i]) == False].sum() # 求和
		col_mean = col_sum / (t.shape[0] - nan_num) #求每一列的均值
		t[:,i][np.isnan(t[:,i])] = col_mean  #替换

数组的拼接

数组水平或者竖直拼接很简单，但是拼接之前应该注意什么？
竖直拼接的时候：每一列代表的意义相同！！！否则牛头不对马嘴

如果每一列的意义不同，这个时候应该交换某一组的数的列，让其和另外一类相同

那么问题来了？
如何交换某个数组的行或者列呢？

数组的行列交换

numpy中更多好用的方法

1.获取最大值最小值的位置

  np.argmax(t,axis=0)
  np.argmin(t,axis=1)

2.求和，平均值

np.mean(arr)
np.sum(arr)

3.求最大值，最小值

np.max(arr) 
np.min(arr)

3.求标准差，方差

np.std()
np.var()

4.多维数组默认统计全部维度，axis参数可以按指定轴心统计，值为0则按列统计，值为1则按行统计。

arr = np.arange(12).reshape(3,4)
print(arr)

print(np.sum(arr, axis=0)) # 数组的按列统计和

print(np.sum(arr, axis=1)) # 数组的按行统计和

5.判断函数

np.any(): 至少有一个元素满足指定条件，返回True
np.all(): 所有的元素满足指定条件，返回True

arr = np.random.randn(2,3)
print(arr)

print(np.any(arr > 0))
print(np.all(arr > 0))

运行结果：

[[ 0.05075769 -1.31919688 -1.80636984]
 [-1.29317016 -1.3336612  -0.19316432]]

True
False

6.元素去重排序函数

np.unique():找到唯一值并返回排序结果，类似于Python的set集合

arr = np.array([[1, 2, 1], [2, 3, 4]])
print(arr)

print(np.unique(arr))

运行结果：

[[1 2 1]
 [2 3 4]]

[1 2 3 4]

numpy读取数据

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)