TFATS的博客

一，nunpy中的nan和inf1，nan（not a number）:表示不是一个数字当我们读取本地文件为float的时候，如果有缺失，就会出现nan；2，inf:表示正无穷，-inf表示负无穷当我们做了一个不合适的计算的时候，如无穷大减去无穷大。如一个数字除以0，（python会报错，numpy中是一个inf或者-inf）import numpy as npa = np.nanb = np.infprint(a,b,type(a),type(b))# ---------

一，轴的概念可根据数组的shape属性返回的元组长度判断为几维数组一维数组： o轴（个数）二维数组： o轴（行），1轴（列）三维数组： o轴（块），1轴（行），2轴（列）二，numpy读取数组（一般不用，一般使用pandas从数据库、剪切板中读取）import numpy as npfile_dir = './number.csv'# file_dir表示文件位置；delimiter表示数据之间的间隔符；dtype表示数据类型；# unpack表示转置 按列数逐行的读取数据；t1

一，数组的拼接1，竖直拼接import numpy as npt1 = np.arange(30).reshape(6,5).astype(float)t2 = np.arange(30,60).reshape(6,5).astype(float)t1[:,3] = np.nant2[3,:] = np.nan# 竖直拼接t = np.vstack((t1,t2))print(t)2，水平拼接import numpy as npt1 = np.arange(30).reshap

一，数组与数的计算# 数组与数进行计算是，数与数组的每一个数据分别进行计算。# 这是numpy的广播机制造成的，加减乘除的值被广播到所有元素上面。import numpy as nptemp = np.array([[1,2,3,4],[3,4,5,6],[7,8,9,0]],dtype='i4')temp1 = temp + 3temp2 = temp * 3print(temp,temp.shape,temp.ndim)print(temp1,temp1.shape,temp1.nd

一，numpy中常用的统计函数import numpy as npa = np.arange(20).reshape(4,5).astype(float)a[2,3] = np.nanprint(a)# 按行求和# print(a.sum(axis=1))# 按行求均值# print(a.mean(axis=1))# 按行求中值# print(np.median(a,axis=1))# 按行求最大值# print(a.max(axis=1))# 按行求最小值# pri

一，numpy中数值的修改import numpy as nptemp = np.arange(30).reshape(6,5)print(temp)temp[:,1] = 0print(temp)# -------------output---------------------[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29

import numpy as npfile_dir = './number.csv'# file_dir表示文件位置；delimiter表示数据之间的间隔符；dtype表示数据类型；# unpack表示转置 按列数逐行的读取数据；t = np.loadtxt(file_dir,delimiter=',',dtype='int')t = print(t)print('-'*50)# 取出单行数据# print(t[2,:])# 取出连续多行数据# print(t[2:,:])

一，从现有的数据创建数组1，使用arange创建import numpy as nptemp1 = np.arange(12,dtype=np.float32)temp2 = np.arange(3,12,dtype=np.float32)temp3 = temp1.reshape(3,4)print(temp1,temp1.dtype)print(temp3,temp3.dtype)# -----------output-----------------[ 0. 1. 2. 3.

一，Numpy的优势ndarray 对象由计算机内存中的一维连续区域组成，带有将每个元素映射到内存块中某个位置的索引方案。 内存块以按行（C风格）或按列（FORTRAN 或 MatLab 风格）的方式保存元素。1，Numpy的优势numpy的优势在运算速度快，是帮助处理数值型数据的，多用于大型、多维数组上的执行数值运算。numpy是以连续的内存形式进行存储的。内存有两种排列方式“c-type”(行排列)、“Fortran”(列排列)。numpy可以实行并行化运算，不仅使用c来实现，还使用了B