数据科学初阶(一）-- numpy数组基本方法

最新推荐文章于 2022-03-24 22:44:52 发布

DEROOCE

最新推荐文章于 2022-03-24 22:44:52 发布

阅读量286

点赞数

分类专栏：数据科学文章标签：数据科学 python 机器学习

本文链接：https://blog.youkuaiyun.com/JEsoloH/article/details/84575717

版权

数据科学专栏收录该内容

3 篇文章

订阅专栏

本文介绍了数据科学初阶的numpy数组知识，包括数组类型如复数数组及其操作，以及常用方法如创建零矩阵、获取坐标矩阵、转换类型、切片、求均值、中位数、和、乘积、最大最小值、方差和标准差等。通过实例演示了这些操作的使用，帮助读者掌握numpy数组的基本操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章说明： 本系列面向全国大中小学的通用数据科学教材，原项目是由
Jin Li大佬整理的python笔记,鄙人学习后添加了许多自己的见解，于是最后写成了这系列手册。

本文代码均在jupyter notebook上实现。

数组类型

复数数组

产生一个复数数组

a = array([1+1j, 2, 3, 4+4j])
# 判断a数组的类型
a.dtype
# dtype('complex128')

查看复数矩阵的实、虚部

# 查看实部
a.real
# >>> array([1,2,3,4])
# 查看虚部
a.imag
# >>> array([1,0,0,4])

当然，我们也可以为数组设置实部、虚部的值,但是对于浮点类型或整数类型数组，虚部是只读模式，不能对其虚部进行赋值修改。

查看复数数组的共轭数组

a.conj()
# >>> array([1-j,2,3,4-4j])

制定数组类型

a = array([0,1,2,3], dtype=float32)

查看字符对应的ASCII码：

# 使用ord()函数
ord('S')
# 83

改变数组元素类型 ： a.astype(类型说明)

a = np.array([1,2],[3,4])
a.astype(float)
# array([1. , 2.], [3. , 4.])

常用方法

nparr.shape:查看ndarray的行列

将输入值设置为有步长的列表

方法：np.arange(start, end,step)

返回一个零矩阵

方法：numpy.zeros(shape, dtype=float, order='C')

>>> s = (2,2)
>>> np.zeros(s)
array([[ 0.,  0.],
       [ 0.,  0.]])

返回给定形状和类型的新数组，用零填充。

从坐标向量中返回一个坐标矩阵

方法：numpy.meshgrid(*xi, **kwargs)[source]

参数说明：

x1,x2…,xn：数组,一维的数组代表网格的坐标。

nx,ny = (3,2)
#从0开始到1结束，返回一个numpy数组,nx代表数组中元素的个数
x = np.linspace(0,1,nx)
#[ 0.   0.5  1. ]
y = np.linspace(0,1,ny)
# [0.  1.]
xv,yv = np.meshgrid(x,y)
'''
xv
[[ 0.   0.5  1. ]
[ 0.   0.5  1. ]]
yv
[[ 0.  0.  0.]
[ 1.  1.  1.]]
''

通过上面的例子，其实可以发现meshgrid函数将两个输入的数组x和y进行扩展，前一个的扩展与后一个有关，后一个的扩展与前一个有关，前一个是竖向扩展，后一个是横向扩展。因为，y的大小为2，所以x竖向扩展为原来的两倍，而x的大小为3，所以y横向扩展为原来的3倍。通过meshgrid函数之后，输入由原来的数组变成了一个矩阵。通过使用meshgrid函数，可以产生一个表格矩阵。

将输入值转换为数组

使用asarray()函数

a = [1.2, 3.4]
asarray(a, dtype=float32)

注意：使用asarray()函数不会改变原来数组的值，即不会产生新的对象，以保证效率。

另一个函数astype()，该函数会返回一个新数组，且该数组只是原数组的一个备份，不会改变原数组的值。

切片

np_2d[: , 1:3]
# 获取所有行的第二和第三列

取字串：

# regular list of lists
x = [["a", "b"], ["c", "d"]]
[x[0][0], x[1][0]]

# numpy
import numpy as np
np_x = np.array(x)
np_x[:,0]

查看修改数组形状

ndarr.shape
ndarr.shape = 2,2

生成一组等间距的数据

# 使用linspace方法
ndarr = linspace(0, 2*pi, 21)
# 设置精度
%precision 3

linspace()为numpy的函数，返回一个ndarray.

配合matplotlib画图

# 绘制ndarr的正弦函数图像
b = sin(a)
%matplotlib inline
plot(a,b,'ro') # 参数 'ro'表示绘制红色的线

从数组中选择元素

直接使用逻辑运算符即可

# 获取ndarray中值大于0的数据
ndarr > 0

高斯分布

高斯分布（Gaussian Distribution）的概率密度函数（probability density function）：

f(x)=\frac1{\sqrt{2\pi}\sigma}\exp(-\frac{(x-\mu)^2}{2\sigma^2})

对应于numpy中：

numpy.random.normal(loc=0.0, scale=1.0, size=None)

参数的意义为：

loc：float : 此概率分布的均值（对应着整个分布的中心centre）
scale：float :此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints : 输出的shape，默认为None，只输出一个值

求取均值

np.mean()函数功能

经常操作的参数为axis，以m * n矩阵举例：

axis 不设置值，对 m*n 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵

还可以使用average方法求均值：

a = array([[1,2,3],[4,5,6]])
average(a, axis=0)
# average同时支持加权平均值
average(a,axis=1,weights=[1,2]) 
"""
weights = [1,2]
代表对于二维数组a，第一维权重比为 1/(1+2),第二维权重比为 2/(1+2)
"""

求中位数

numpy.median()

计算沿指定轴的中位数
返回数组元素的中位数

其函数接口为：

np.median(a, 
       axis=None, 
       out=None,
       overwrite_input=False, 
       keepdims=False)

各参数为：

a：输入的数组；
axis：计算哪个轴上的中位数，比如输入是二维数组，那么axis=0对应行，axis=1对应列；
out：用于放置求取中位数后的数组。它必须具有与预期输出相同的形状和缓冲区长度；

实例

a = np.array([1,2],[3,4])
np.median(a, axis=0, out=b)
# array([2.5, 3.5])
b
# array([2.5, 3.5])

求和

方法： sum(ndarray)

a = array([1,2,3])
sum(a)
# 6

当然，对数组求和也可以指定需要求和的方向：

%pylab
a = array([1,2,3],[4,5,6])
# 对相应的数组纵向求和
sum(a, axis=0)
# array([5,7,9])
# 对相应的数组横向求和
sum(a, axis=1)
# array([6,15])

另一种方式：

# 对数组元素求和
a.sum()
# 沿着纵向和横向求和
a.sum(axis=0)
a.sum(axis=1)

数组所有元素的乘积

方法：ndarray.prod()

与sum()方法使用方法类似

a.prod()
# 指定方向进行乘积
prod(a, axis=0)
prod(a, axis=1)

可以用来求阶乘

最大最小值

方法:a.min()/max()

可以指定某一方向的最值：

a.max(axis=1)

补充方法①：使用argmin()/argmax()方法返回最值的位置索引。

a.argmin(axis=0)
a.argmax(axis=1)

补充方法②：使用ptp()方法求最大最小值之差

a = array([1,2,3],[4,5,6])
# 求纵向上的最值差
a.ptp(axis=0)
# 返回array([3,3,3])

求方差/标准差

方差公式：

标准差为方差的算术平方根。

方差：

%pylab
# 两种方式表达
ndarray.var(axis=0/1)
var(ndarray, axis=0/1)

标准差

%pylab
ndarray.std(axis=0/1)
std(ndarray, axis=0/1)

限制数组的数字范围

使用clip()方法可以将数组内的元素大小都控制在一个范围内，元素小于范围下界，则将下界的值赋予该元素，元素大于范围上界时同理。

a = array([1,2,3],[4,5,6])
a.clip(2,5)
a
'''
array([[2,2,3],
      [4,5,5]])
'''

对数组元素进行取整

使用round方法可以将数组元素进行近似取整：

a = array([1.33,2.66])
a.round()
# 返回值 array([1,3])

round()方法还可以选择近似到的小数位：

a.round(decimals=1)
# 返回值 array([1.3,2.7])

对于.5的小数，则有限取整到偶数，如1.5取整为2。

使用`fill`方法设定初始值

使用fill()方法将数组设为指定值：

fill()函数的接口为：

ndarray.fill(value)
"""
value : scalar

    All elements of a will be assigned this value.
"""
a = np.array([1, 2])
a.fill(0)
a
#array([0, 0])

关于数组类型和数组常用方法就先介绍到这了，希望大家能够好好练习来掌握。请期待下一篇教学~