python——numpy 常用操作

深碍√TFBOYSˉ_ 2022-03-08 10:52 326阅读 0赞

NumPy 是 Python 语言的一个扩充程序库，支持大量**高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。同时NumPy 是机器学习必不可少的工具之一。

常用操作主要有：

*  创建数组
 *  数组运算
 *  数学函数
 *  数组切片和索引
 *  数组形状操作
 *  数组排序
 *  数组统计

### 环境 ###

*  Python 3.6
 *  NumPy: 1.14.2

1、导包

import numpy as np

2、通过列表创建数组 array()

np.array([1, 2, 3]) #一维数组
    np.array([(1, 2, 3), (4, 5, 6)]) #二维数组

3、0/1数组 zeros()、ones()

np.zeros((3, 3)) #3行3列
    np.ones((2, 3, 4))

4、等差数组 arange() reshape()

#一维等差
    np.arange(5) #array([0, 1, 2, 3, 4]) 
    # 二维等差
    np.arange(6).reshape(2, 3) 
    
    结果：
    array([[0, 1, 2],
           [3, 4, 5]])

5、单位矩阵 eye()

np.eye(3)
    
    结果：
    array([[1., 0., 0.],
           [0., 1., 0.],
           [0., 0., 1.]])

7、等间隔数组

#一维
    np.linspace(1, 10, num=6) #array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ])

8、随机数组

np.random.rand(2, 3)
    
    array([[0.40360777, 0.74141574, 0.32018331],
           [0.15261484, 0.18692149, 0.19351765]])

9、随机整数数组

np.random.randint(10, size=(2, 3)) #数值小于10
    
    array([[2, 1, 0],
           [2, 7, 5]])

10、依据函数创建数组

np.fromfunction(lambda i, j: i + j, (3, 6))
    
    array([[0., 1., 2., 3., 4., 5.],
           [1., 2., 3., 4., 5., 6.],
           [2., 3., 4., 5., 6., 7.]])

## 数组运算 ##

\+-\*/ 加减乘除，对应位置元素

# 矩阵乘法
    np.dot(A, B)
    
    # 如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算
    np.mat(A) * np.mat(B)

转置

A.T

矩阵求逆

np.linalg.inv(A)

e^x

np.exp(a)

平方根

np.sqrt(a)

三次方

np.power(a, 3)

## 数组的切皮与索引 ##

一维数组

a = np.array([1, 2, 3, 4, 5])
    # 一维数组索引
    a[0], a[-1]
    
    # 一维数组切片
    a[0:2], a[:-1]

二维数组

a = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 9)])
    
    # 索引
    a[0], a[-1]
    
    ######## 切片 
    # 取第二列
    a[:, 1]
    
    #取第 2，3 行
    a[1:3, :]

## 数组形状 ##

形状（行列数）

a.shape

更改行列数

a.reshape(2, 3) #指向新对象， reshape 并不改变原始数组
    
    # resize 会改变原始数组
    a.resize(2, 3)

展平数组

a.ravel()

垂直拼合数组，摞起来

np.vstack((a, b))

水平拼合数组，挨着摆

np.hstack((a, b))

分割数组

array([[5, 0, 2],
           [4, 2, 4],
           [4, 7, 9]])
    
    
    # 沿横轴分割数组
    np.hsplit(a, 3)
    
    [array([[5],
            [4],
            [4]]), array([[0],
            [2],
            [7]]), array([[2],
            [4],
            [9]])]
    
    # 沿纵轴分割数组
    np.vsplit(a, 3)
    
    [array([[5, 0, 2]]), array([[4, 2, 4]]), array([[4, 7, 9]])]

数组排序

# 生成示例数组
    a = np.array(([1, 4, 3], [6, 2, 9], [4, 7, 2]))
    
    # #### 返回每列最大值
    np.max(a, axis=0)
    
    # #### 返回每行最小值
    np.min(a, axis=1)
    
    # #### 返回每列最大值索引
    np.argmax(a, axis=0)
    
    # #### 返回每行最小值索引
    np.argmin(a, axis=1)

数组统计

# 继续使用上面的 a 数组
    np.median(a, axis=0)
    
    # #### 统计数组各行的算术平均值
    np.mean(a, axis=1)
    
    # #### 统计数组各列的加权平均值
    np.average(a, axis=0)
    
    # #### 统计数组各行的方差
    np.var(a, axis=1)
    
    # #### 统计数组各列的标准偏差
    np.std(a, axis=0)

进阶

# #### 51. 创建一个 5x5 的二维数组，其中边界值为1，其余值为0
    
    # In[60]:
    
    
    Z = np.ones((5,5))
    Z[1:-1,1:-1] = 0
    Z
    
    
    # #### 52. 使用数字 0 将一个全为 1 的 5x5 二维数组包围
    
    # In[61]:
    
    
    Z = np.ones((5,5))
    Z = np.pad(Z, pad_width=1, mode='constant', constant_values=0)
    Z
    
    
    # #### 53. 创建一个 5x5 的二维数组，并设置值 1, 2, 3, 4 落在其对角线下方
    
    # In[62]:
    
    
    Z = np.diag(1+np.arange(4),k=-1)
    Z
    
    
    # #### 54. 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置
    
    # In[63]:
    
    
    Z = np.zeros((10,10),dtype=int)
    Z[1::2,::2] = 1
    Z[::2,1::2] = 1
    Z
    
    
    # #### 55. 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数
    
    # In[64]:
    
    
    Z = np.arange(11)
    Z[(1 < Z) & (Z <= 9)] *= -1
    Z
    
    
    # #### 56. 找出两个一维数组中相同的元素
    
    # In[65]:
    
    
    Z1 = np.random.randint(0,10,10)
    Z2 = np.random.randint(0,10,10)
    print("Z1:", Z1)
    print("Z2:", Z2)
    np.intersect1d(Z1,Z2)
    
    
    # #### 57. 使用 NumPy 打印昨天、今天、明天的日期
    
    # In[66]:
    
    
    yesterday = np.datetime64('today', 'D') - np.timedelta64(1, 'D')
    today     = np.datetime64('today', 'D')
    tomorrow  = np.datetime64('today', 'D') + np.timedelta64(1, 'D')
    print("yesterday: ", yesterday)
    print("today: ", today)
    print("tomorrow: ", tomorrow)
    
    
    # #### 58. 使用五种不同的方法去提取一个随机数组的整数部分
    
    # In[67]:
    
    
    Z = np.random.uniform(0,10,10)
    print("原始值: ", Z)
    
    print ("方法 1: ", Z - Z%1)
    print ("方法 2: ", np.floor(Z))
    print ("方法 3: ", np.ceil(Z)-1)
    print ("方法 4: ", Z.astype(int))
    print ("方法 5: ", np.trunc(Z))
    
    
    # #### 59. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5
    
    # In[68]:
    
    
    Z = np.zeros((5,5))
    Z += np.arange(1,6)
    
    Z
    
    
    # #### 60. 创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1
    
    # In[69]:
    
    
    Z = np.linspace(0,1,6,endpoint=False)[1:]
    
    Z
    
    
    # #### 61. 创建一个长度为10的随机一维数组，并将其按升序排序
    
    # In[70]:
    
    
    Z = np.random.random(10)
    Z.sort()
    Z
    
    
    # #### 62. 创建一个 3x3 的二维数组，并将列按升序排序
    
    # In[71]:
    
    
    Z = np.array([[7,4,3],[3,1,2],[4,2,6]])
    print("原始数组: \n", Z)
    
    Z.sort(axis=0)
    Z
    
    
    # #### 63. 创建一个长度为 5 的一维数组，并将其中最大值替换成 0
    
    # In[72]:
    
    
    Z = np.random.random(5)
    print("原数组: ",Z)
    Z[Z.argmax()] = 0
    Z
    
    
    # #### 64. 打印每个 NumPy 标量类型的最小值和最大值
    
    # In[73]:
    
    
    for dtype in [np.int8, np.int32, np.int64]:
       print("The minimum value of {}: ".format(dtype), np.iinfo(dtype).min)
       print("The maximum value of {}: ".format(dtype),np.iinfo(dtype).max)
    for dtype in [np.float32, np.float64]:
       print("The minimum value of {}: ".format(dtype),np.finfo(dtype).min)
       print("The maximum value of {}: ".format(dtype),np.finfo(dtype).max)
    
    
    # #### 65. 将 `float32` 转换为整型
    
    # In[74]:
    
    
    Z = np.arange(10, dtype=np.float32)
    print(Z)
    
    Z = Z.astype(np.int32, copy=False)
    Z
    
    
    # #### 66. 将随机二维数组按照第 3 列从上到下进行升序排列
    
    # In[75]:
    
    
    Z = np.random.randint(0,10,(5,5))
    print("排序前：\n",Z)
    
    Z[Z[:,2].argsort()]
    
    
    # #### 67. 从随机一维数组中找出距离给定数值（0.5）最近的数
    
    # In[76]:
    
    
    Z = np.random.uniform(0,1,20)
    print("随机数组: \n", Z)
    z = 0.5
    m = Z.flat[np.abs(Z - z).argmin()]
    
    m
    
    
    # #### 68. 将二维数组的前两行进行顺序交换
    
    # In[77]:
    
    
    A = np.arange(25).reshape(5,5)
    print(A)
    A[[0,1]] = A[[1,0]]
    print(A)
    
    
    # #### 69. 找出随机一维数组中出现频率最高的值
    
    # In[78]:
    
    
    Z = np.random.randint(0,10,50)
    print("随机一维数组:", Z)
    np.bincount(Z).argmax()
    
    
    # #### 70. 找出给定一维数组中非 0 元素的位置索引
    
    # In[79]:
    
    
    Z = np.nonzero([1,0,2,0,1,0,4,0])
    Z
    
    
    # #### 71. 对于给定的 5x5 二维数组，在其内部随机放置 p 个值为 1 的数
    
    # In[80]:
    
    
    p = 3
    
    Z = np.zeros((5,5))
    np.put(Z, np.random.choice(range(5*5), p, replace=False),1)
    
    Z
    
    
    # #### 72. 对于随机的 3x3 二维数组，减去数组每一行的平均值
    
    # In[81]:
    
    
    X = np.random.rand(3, 3)
    print(X)
    
    Y = X - X.mean(axis=1, keepdims=True)
    Y
    
    
    # #### 73. 获得二维数组点积结果的对角线数组
    
    # In[82]:
    
    
    A = np.random.uniform(0,1,(3,3))
    B = np.random.uniform(0,1,(3,3))
    
    print(np.dot(A, B))
    
    # 较慢的方法
    np.diag(np.dot(A, B))
    
    
    # In[83]:
    
    
    # 较快的方法
    np.sum(A * B.T, axis=1)
    
    
    # In[84]:
    
    
    # 更快的方法
    np.einsum("ij, ji->i", A, B)
    
    
    # #### 74. 找到随机一维数组中前 p 个最大值
    
    # In[85]:
    
    
    Z = np.random.randint(1,100,100)
    print(Z)
    
    p = 5
    
    Z[np.argsort(Z)[-p:]]
    
    
    # #### 75. 计算随机一维数组中每个元素的 4 次方数值
    
    # In[86]:
    
    
    x = np.random.randint(2,5,5)
    print(x)
    
    np.power(x,4)
    
    
    # #### 76. 对于二维随机数组中各元素，保留其 2 位小数
    
    # In[87]:
    
    
    Z = np.random.random((5,5))
    print(Z)
    
    np.set_printoptions(precision=2)
    Z
    
    
    # #### 77. 使用科学记数法输出 NumPy 数组
    
    # In[88]:
    
    
    Z = np.random.random([5,5])
    print(Z)
    
    Z/1e3
    
    
    # #### 78. 使用 NumPy 找出百分位数（25%，50%，75%）
    
    # In[89]:
    
    
    a = np.arange(15)
    print(a)
    
    np.percentile(a, q=[25, 50, 75])
    
    
    # #### 79. 找出数组中缺失值的总数及所在位置
    
    # In[90]:
    
    
    # 生成含缺失值的 2 维数组
    Z = np.random.rand(10,10)
    Z[np.random.randint(10, size=5), np.random.randint(10, size=5)] = np.nan
    Z
    
    
    # In[91]:
    
    
    print("缺失值总数: \n", np.isnan(Z).sum())
    print("缺失值索引: \n", np.where(np.isnan(Z)))
    
    
    # #### 80. 从随机数组中删除包含缺失值的行
    
    # In[92]:
    
    
    # 沿用 79 题中的含缺失值的 2 维数组
    
    Z[np.sum(np.isnan(Z), axis=1) == 0]
    
    
    # #### 81. 统计随机数组中的各元素的数量
    
    # In[93]:
    
    
    Z = np.random.randint(0,100,25).reshape(5,5)
    print(Z)
    
    np.unique(Z, return_counts=True) # 返回值中，第 2 个数组对应第 1 个数组元素的数量
    
    
    # #### 82. 将数组中各元素按指定分类转换为文本值
    
    # In[94]:
    
    
    # 指定类别如下
    # 1 → 汽车
    # 2 → 公交车
    # 3 → 火车
    
    
    Z = np.random.randint(1,4,10)
    print(Z)
    
    label_map = {1: "汽车", 2: "公交车", 3: "火车"}
    
    [label_map[x] for x in Z]
    
    
    # #### 83. 将多个 1 维数组拼合为单个 Ndarray
    
    # In[95]:
    
    
    Z1 = np.arange(3)
    Z2 = np.arange(3,7)
    Z3 = np.arange(7,10)
    
    Z = np.array([Z1, Z2, Z3])
    print(Z)
    
    np.concatenate(Z)
    
    
    # #### 84. 打印各元素在数组中升序排列的索引
    
    # In[96]:
    
    
    a = np.random.randint(100, size=10)
    print('Array: ', a)
    
    a.argsort()
    
    
    # #### 85. 得到二维随机数组各行的最大值
    
    # In[97]:
    
    
    Z = np.random.randint(1,100, [5,5])
    print(Z)
    
    np.amax(Z, axis=1)
    
    
    # #### 86. 得到二维随机数组各行的最小值（区别上面的方法）
    
    # In[98]:
    
    
    Z = np.random.randint(1,100, [5,5])
    print(Z)
    
    np.apply_along_axis(np.min, arr=Z, axis=1)
    
    
    # #### 87. 计算两个数组之间的欧氏距离
    
    # In[99]:
    
    
    a = np.array([1, 2])
    b = np.array([7, 8])
    
    # 数学计算方法
    print(np.sqrt(np.power((8-2), 2) + np.power((7-1), 2)))
    
    # NumPy 计算
    np.linalg.norm(b-a)
    
    
    # #### 88. 打印复数的实部和虚部
    
    # In[100]:
    
    
    a = np.array([1 + 2j, 3 + 4j, 5 + 6j])
    
    print("实部：", a.real)
    print("虚部：", a.imag)
    
    
    # #### 89. 求解给出矩阵的逆矩阵并验证
    
    # In[101]:
    
    
    matrix = np.array([[1., 2.], [3., 4.]])
    
    inverse_matrix = np.linalg.inv(matrix)
    
    # 验证原矩阵和逆矩阵的点积是否为单位矩阵
    assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))
    
    inverse_matrix
    
    
    # #### 90. 使用 Z-Score 标准化算法对数据进行标准化处理
    
    # Z-Score 标准化公式：
    # $$Z = \frac{X-\mathrm{mean}(X)}{\mathrm{sd}(X)}$$
    
    # In[102]:
    
    
    # 根据公式定义函数
    def zscore(x, axis = None):
        xmean = x.mean(axis=axis, keepdims=True)
        xstd  = np.std(x, axis=axis, keepdims=True)
        zscore = (x-xmean)/xstd
        return zscore
    
    # 生成随机数据
    Z = np.random.randint(10, size=(5,5))
    print(Z)
    
    zscore(Z)
    
    
    # #### 91. 使用 Min-Max 标准化算法对数据进行标准化处理
    
    # Min-Max 标准化公式：
    # $$Y = \frac{Z-\min(Z)}{\max(Z)-\min(Z)}$$
    
    # In[103]:
    
    
    # 根据公式定义函数
    def min_max(x, axis=None):
        min = x.min(axis=axis, keepdims=True)
        max = x.max(axis=axis, keepdims=True)
        result = (x-min)/(max-min)
        return result
    
    # 生成随机数据
    Z = np.random.randint(10, size=(5,5))
    print(Z)
    
    min_max(Z)
    
    
    # #### 92. 使用 L2 范数对数据进行标准化处理
    
    # L2 范数计算公式：
    # $$L_2 = \sqrt{x_1^2 + x_2^2 + \ldots + x_i^2}$$
    
    # In[104]:
    
    
    # 根据公式定义函数
    def l2_normalize(v, axis=-1, order=2):
        l2 = np.linalg.norm(v, ord = order, axis=axis, keepdims=True)
        l2[l2==0] = 1
        return v/l2
    
    # 生成随机数据
    Z = np.random.randint(10, size=(5,5))
    print(Z)
    
    l2_normalize(Z)
    
    
    # #### 93. 使用 NumPy 计算变量直接的相关性系数
    
    # In[105]:
    
    
    Z = np.array([
        [1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
        [2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
        [2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C
    
    np.corrcoef(Z)
    
    
    # 相关性系数取值从 `[-1, 1]` 变换，靠近 1 则代表正相关性较强，-1 则代表负相关性较强。结果如下所示，变量 A 与变量 A 直接的相关性系数为 `1`，因为是同一个变量。变量 A 与变量 C 之间的相关性系数为 `0.97`，说明相关性较强。
    # ```
    #          [A]     [B]     [C]
    # array([[ 1.  , -0.06,  0.97]   [A]
    #        [-0.06,  1.  , -0.01],  [B]
    #        [ 0.97, -0.01,  1.  ]]) [C]
    # ```
    
    # #### 94. 使用 NumPy 计算矩阵的特征值和特征向量
    
    # In[106]:
    
    
    M = np.matrix([[1,2,3], [4,5,6], [7,8,9]])
    
    w, v = np.linalg.eig(M)
    
    # w 对应特征值，v 对应特征向量
    w, v
    
    
    # 我们可以通过 `P'AP=M` 公式反算，验证是否能得到原矩阵。
    
    # In[107]:
    
    
    v * np.diag(w) * np.linalg.inv(v)
    
    
    # #### 95. 使用 NumPy 计算 Ndarray 两相邻元素差值
    
    # In[108]:
    
    
    Z = np.random.randint(1,10,10)
    print(Z)
    
    # 计算 Z 两相邻元素差值
    print(np.diff(Z, n=1))
    
    # 重复计算 2 次
    print(np.diff(Z, n=2))
    
    # 重复计算 3 次
    print(np.diff(Z, n=3))
    
    
    # #### 96. 使用 NumPy 将 Ndarray 相邻元素依次累加
    
    # In[109]:
    
    
    Z = np.random.randint(1,10,10)
    print(Z)
    
    """
    [第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
    """
    np.cumsum(Z)
    
    
    # #### 97. 使用 NumPy 按列连接两个数组
    
    # In[110]:
    
    
    M1 = np.array([1, 2, 3])
    M2 = np.array([4, 5, 6])
    
    np.c_[M1, M2]
    
    
    # #### 98. 使用 NumPy 按行连接两个数组
    
    # In[111]:
    
    
    M1 = np.array([1, 2, 3])
    M2 = np.array([4, 5, 6])
    
    np.r_[M1, M2]
    
    
    # #### 99. 使用 NumPy 打印九九乘法表
    
    # In[112]:
    
    
    np.fromfunction(lambda i, j: (i + 1) * (j + 1), (9, 9))
    
    
    # #### 100. 使用 NumPy 将实验楼 LOGO 转换为 Ndarray 数组
    
    # In[113]:
    
    
    from io import BytesIO
    from PIL import Image
    import PIL, requests
    
    # 通过链接下载图像
    URL = 'https://static.shiyanlou.com/img/logo-black.png'
    response = requests.get(URL)
    
    # 将内容读取为图像
    I = Image.open(BytesIO(response.content))
    
    # 将图像转换为 Ndarray
    shiyanlou = np.asarray(I)
    shiyanlou
    
    
    # In[114]:
    
    
    # 将转换后的 Ndarray 重新绘制成图像
    from matplotlib import pyplot as plt
    get_ipython().run_line_magic('matplotlib', 'inline')
    
    plt.imshow(shiyanlou)
    plt.show()