2.numpy矩阵简单使用

àì夳堔傛蜴生んèń 2022-12-27 08:48 268阅读 0赞

2.numpy矩阵

numpy创建数组(矩阵)

  1. 创建数组

    创建数组

    a = np.array([i for i in range(1, 6)])
    b = np.array(range(1, 6))
    c = np.arange(1, 6)

    a = b = c

    arange([start,] stop[, step,], dtype=None)

    print(a, b, c)

    数组的类名

    print(type(a))

    数组的类型

    print(a.dtype)

  2. 数据类型的操作

    数据类型的操作

    指定创建数组类型

    a=np.array([0,1,0,1], dtype=np.bool)
    print(a)

    修改数组类型

    b = a.astype(“int”)
    print(b)

    a=np.array([0,1,0,1], dtype=int)
    b = a.astype(“float”)
    print(a)
    print(b)

    修改浮点型的小数位数

    a = np.array([i/123 for i in range(1, 10)], dtype=np.float)
    print(a)
    b = np.round(a, 2)
    print(b)

  3. 数组的形状

    a = np.array([[i for i in range(1, 6)], [i for i in range(6, 11)]], dtype=np.int)
    print(a)

    查看数组的形状

    print(a.shape)

    (2, 5)

    修改数组的形状

    b = a.reshape(5, 2)
    print(b)

    把数组转换为一维数据

    c = b.reshape(1, 10)
    print(c)
    print(list(b.flatten()))
    print([*b.flat])
    print(b.ravel())

  4. 数组和数的计算

    数组和数的计算

    a = np.array([[i for i in range(3, 9)], [i for i in range(4, 10)]], dtype=np.int)

    加减

    print(a)
    print(a+1)

    乘除

    print(a*3)

    numpy 广播机制造成的，在运算过程中，加减乘除的值被广播到所有元素上面

    print(a[0]*3)

  5. 数组和数组的计算

    import numpy as np

    数组和数组的计算

    a = np.array([[i for i in range(3, 9)], [i for i in range(4, 10)]], dtype=np.int)

    b = np.array([[i for i in range(13, 19)], [i for i in range(14, 20)]], dtype=np.int)

    多行与多行，行数相同，多列与多列，列数相同

    加减

    print(a+b)

    乘除

    print(a*b)

    多行与多行，行数相同，多列与多列，列数不同

    c = np.array([[i for i in range(13, 18)], [i for i in range(14, 19)]], dtype=np.int)

    print(a*c)

    单行与多行，行数不同，多列与多列，列数相同

    d = np.array([i for i in range(1, 7)])
    print(a-d)
    print(a*d)

    多行与多行，行数相同，单列与多列，列数不同

    e = np.array([[i for i in range(1, 2)], [i for i in range(2, 3)]])
    print(a+e)
    print(a*e)

  6. 广播原则> 如果两个数组的后缘维度(从末尾开始算起的维度)的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失维度和(或)轴长度为1的维度上进行。

怎么理解呢?
可以把维度指的是shape所对应的数字个数
那么问题来了:
shape为(3,3,3)的数组能够和(3,2)的数组进行计算么?
shape为(3,3,2)的数组能够和(3,2)的数组进行计算么?
有什么好处呢?
举个例子:每列的数据减去列的平均值的结果

  1. 轴（axis）> 在numpy中可以理解为方向,使用0,1,2…数字表示,对于一个一维数组,只有一个0轴,对于2维数组(shape(2,2)),有0轴和1轴,对于三维数组(shape(2,2, 3)),有0,1,2轴

有了轴的概念之后,我们计算会更加方便,比如计算一个2维数组的平均值,必须指定是计算哪个方向上面的数字的平均值
那么问题来了:
在前面的知识,轴在哪里?
回顾np.arange(0,10).reshape((2,5)),reshpe中2表示0轴长度(包含数据的条数)为2,1轴长度为5,2X5一共10个数据

二维数组的轴
![image.png](https://img-blog.csdnimg.cn/img\_convert/38525552048b55beeb5a8bcb83371c4d.png\#align=left&display=inline&height=402&margin=\[object Object]&name=image.png&originHeight=402&originWidth=504&size=115247&status=done&style=none&width=504)
三维数组的轴
![image.png](https://img-blog.csdnimg.cn/img\_convert/5acc441bcaa5322a72468c8d166f3e81.png\#align=left&display=inline&height=457&margin=\[object Object]&name=image.png&originHeight=457&originWidth=750&size=166739&status=done&style=none&width=750)

numpy 读取数据

CSV:Comma-Separated Value,逗号分隔值文件
显示：表格状态
源文件：换行和逗号分隔行列的格式化文本,每一行的数据表示一条记录
由于csv便于展示,读取和写入,所以很多地方也是用csv的格式存储和传输中小型的数据,为了方便教学,我们会经常操作csv格式的文件,但是操作数据库中的数据也是很容易的实现的

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

![image.png](https://img-blog.csdnimg.cn/img\_convert/ca74f2b5babddb824e53b17169ac0b51.png\#align=left&display=inline&height=326&margin=\[object Object]&name=image.png&originHeight=326&originWidth=684&size=62702&status=done&style=none&width=684)

![image.png](https://img-blog.csdnimg.cn/img\_convert/3426cbd9145e11193bb6a894199b2352.png\#align=left&display=inline&height=310&margin=\[object Object]&name=image.png&originHeight=310&originWidth=760&size=115091&status=done&style=none&width=760)

假设现在我们有一组从2006年到2016年1000部最流行的电影数据，我们想知道这些电影数据中评分的平均分，导演的人数等信息，我们应该怎么获取？
数据来源：https://www.kaggle.com/damianpanek/sunday-eda/data

1. numpy中的转置

转置是一种变换,对于numpy中的数组来说,就是在对角线方向交换数据,目的也是为了更方便的去处理数据

  1. In [7]: t = np.array([i for i in range(18)]).reshape(3, 6)
  3. In [8]: t
  4. Out[8]:
  5. array([[ 0,  1,  2,  3,  4,  5],
  6.        [ 6,  7,  8,  9, 10, 11],
  7.        [12, 13, 14, 15, 16, 17]])
  9. In [9]: t.transpose()
  10. Out[9]:
  11. array([[ 0,  6, 12],
  12.        [ 1,  7, 13],
  13.        [ 2,  8, 14],
  14.        [ 3,  9, 15],
  15.        [ 4, 10, 16],
  16.        [ 5, 11, 17]])
  18. In [11]: t.swapaxes(1, 0)
  19. Out[11]:
  20. array([[ 0,  6, 12],
  21.        [ 1,  7, 13],
  22.        [ 2,  8, 14],
  23.        [ 3,  9, 15],
  24.        [ 4, 10, 16],
  25.        [ 5, 11, 17]])
  27. In [12]: t.T
  28. Out[12]:
  29. array([[ 0,  6, 12],
  30.        [ 1,  7, 13],
  31.        [ 2,  8, 14],
  32.        [ 3,  9, 15],
  33.        [ 4, 10, 16],
  34.        [ 5, 11, 17]])

numpy 索引和切片

  1. In [16]: t
  2. Out[16]:
  3. array([[ 0,  1,  2,  3,  4,  5],
  4.        [ 6,  7,  8,  9, 10, 11],
  5.        [12, 13, 14, 15, 16, 17]])
  7. In [17]: t[1] # 取一行
  8. Out[17]: array([ 6,  7,  8,  9, 10, 11])
  10. In [18]: t[:,2] # 取一列
  11. Out[18]: array([ 2,  8, 14])
  13. In [19]: t[1:3] # 取多行
  14. Out[19]:
  15. array([[ 6,  7,  8,  9, 10, 11],
  16.        [12, 13, 14, 15, 16, 17]])
  18. In [20]: t[:, 1:3] # 取多列
  19. Out[20]:
  20. array([[ 1,  2],
  21.        [ 7,  8],
  22.        [13, 14]])
  24. In [21]: t[:, [1,3]] 取特定的多列
  25. Out[21]:
  26. array([[ 1,  3],
  27.        [ 7,  9],
  28.        [13, 15]])
  30. In [22]: t[[1,2]]  # 取特定的多行
  31. Out[22]:
  32. array([[ 6,  7,  8,  9, 10, 11],
  33.        [12, 13, 14, 15, 16, 17]])

numpy中数值的修改

  1. In [23]: t
  2. Out[23]:
  3. array([[ 0,  1,  2,  3,  4,  5],
  4.        [ 6,  7,  8,  9, 10, 11],
  5.        [12, 13, 14, 15, 16, 17]])
  7. In [24]: t[:, 2:4] = 0
  9. In [25]: t
  10. Out[25]:
  11. array([[ 0,  1,  0,  0,  4,  5],
  12.        [ 6,  7,  0,  0, 10, 11],
  13.        [12, 13,  0,  0, 16, 17]])
  16. # 布尔索引
  17. In [26]: t=np.arange(24).reshape((4,6))
  19. In [27]: t
  20. Out[27]:
  21. array([[ 0,  1,  2,  3,  4,  5],
  22.        [ 6,  7,  8,  9, 10, 11],
  23.        [12, 13, 14, 15, 16, 17],
  24.        [18, 19, 20, 21, 22, 23]])
  26. In [28]: t<10
  27. Out[28]:
  28. array([[ True,  True,  True,  True,  True,  True],
  29.        [ True,  True,  True,  True, False, False],
  30.        [False, False, False, False, False, False],
  31.        [False, False, False, False, False, False]])
  33. In [29]: t[t<10]=0
  35. In [30]: t
  36. Out[30]:
  37. array([[ 0,  0,  0,  0,  0,  0],
  38.        [ 0,  0,  0,  0, 10, 11],
  39.        [12, 13, 14, 15, 16, 17],
  40.        [18, 19, 20, 21, 22, 23]])
  41. # numpy中三元运算符
  42. In [32]: t=np.arange(24).reshape((4,6))
  44. In [33]: t
  45. Out[33]:
  46. array([[ 0,  1,  2,  3,  4,  5],
  47.        [ 6,  7,  8,  9, 10, 11],
  48.        [12, 13, 14, 15, 16, 17],
  49.        [18, 19, 20, 21, 22, 23]])
  51. In [34]: np.where(t<10, 0, 10)
  52. Out[34]:
  53. array([[ 0,  0,  0,  0,  0,  0],
  54.        [ 0,  0,  0,  0, 10, 10],
  55.        [10, 10, 10, 10, 10, 10],
  56.        [10, 10, 10, 10, 10, 10]])
  57. In [57]: t=np.arange(24).reshape((4,6))
  58. # numpy中的clip(裁剪)
  59. In [58]: t.clip(10, 18)
  60. Out[58]:
  61. array([[10, 10, 10, 10, 10, 10],
  62.        [10, 10, 10, 10, 10, 11],
  63.        [12, 13, 14, 15, 16, 17],
  64.        [18, 18, 18, 18, 18, 18]])
  66. In [59]:

numpy中的nan和inf

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)
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）

1. numpy中的nan的注意点

  1. 两个nan不相等

    In [1]: import numpy as np

    In [2]: np.nan==nap.nan

    NameError Traceback (most recent call last)
    in
    ——> 1 np.nan==nap.nan

    NameError: name ‘nap’ is not defined
    In [7]: np.nan!=np.nan
    Out[7]: True

  2. 判断nan的个数```
    In [13]: t=np.array([1, 2, np.nan])

In [14]: np.count_nonzero(t!=t)

  1. 3. 判断nan```
  2. In [12]: t=np.array([1, 2, np.nan])
  4. In [15]: t[np.isnan(t)]=0
  6. In [16]: t
  7. Out[16]: array([1., 2., 0.])

  1. nan和任何值计算都为nan
    nan 填充均值

    t中存在nan值，如何操作把其中的nan填充为每一列的均值

    import numpy as np
    t = np.array([[ 0., 1., 2., 3., 4., 5.],

    1.    [  6.,   7.,  np.nan,   9.,  10.,  11.],
    2.    [ 12.,  13.,  np.nan,  np.nan,  np.nan,  17.],
    3.    [ 18.,  19.,  20.,  21.,  22.,  23.]])

    print(t.shape)

    def fill_nan_by_column_mean(t):

    1. for i in range(t.shape[1]):
    2.     nan_num = np.count_nonzero(t[:, i][t[:, i] != t[:, i]])  # 计算非nan的个数
    3.     if nan_num > 0:
    4.         now_col = t[:, i]
    5.         now_col_not_nan = now_col[np.isnan(now_col)==False].sum()
    6.         now_col_mean = now_col_not_nan/(t.shape[0]-nan_num)
    7.         now_col[np.isnan(now_col)] = now_col_mean
    8.         t[:, i] = now_col
    9. print(t)

    fill_nan_by_column_mean(t)

numpy中常用统计函数

  1. 求和：t.sum(axis=None)
  3. 均值：t.mean(a,axis=None) 受离群点的影响较大
  5. 中值：np.median(t,axis=None)
  7. 最大值：t.max(axis=None)
  9. 最小值：t.min(axis=None)
  11. 极值：np.ptp(t,axis=None) 即最大值和最小值只差
  13. 标准差：t.std(axis=None)   ==样本标准差

标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值
反映出数据的波动稳定情况，越大表示波动越大，约不稳定

默认返回多维数组的全部的统计结果,如果指定axis则返回一个当前轴上的结果

数据组的拼接

  1. In [30]: t1 = np.arange(0, 12).reshape((2, 6))
  3. In [31]: t2 = np.arange(12, 24).reshape((2, 6))
  5. In [32]: t1
  6. Out[32]:
  7. array([[ 0,  1,  2,  3,  4,  5],
  8.        [ 6,  7,  8,  9, 10, 11]])
  10. In [33]: t2
  11. Out[33]:
  12. array([[12, 13, 14, 15, 16, 17],
  13.        [18, 19, 20, 21, 22, 23]])
  15. In [34]: np.vstack((t1, t2))        # 垂直拼接 行拼接
  16. Out[34]:
  17. array([[ 0,  1,  2,  3,  4,  5],
  18.        [ 6,  7,  8,  9, 10, 11],
  19.        [12, 13, 14, 15, 16, 17],
  20.        [18, 19, 20, 21, 22, 23]])
  22. In [35]: np.hstack((t1, t2))   # 水平拼接 列拼接
  23. Out[35]:
  24. array([[ 0,  1,  2,  3,  4,  5, 12, 13, 14, 15, 16, 17],
  25.        [ 6,  7,  8,  9, 10, 11, 18, 19, 20, 21, 22, 23]])
  27. In [36]:

数组的行列交换

  1. In [50]: t2 = np.arange(12, 24).reshape((3, 4))
  3. In [51]: t2
  4. Out[51]:
  5. array([[12, 13, 14, 15],
  6.        [16, 17, 18, 19],
  7.        [20, 21, 22, 23]])
  9. In [52]: t2[[1,2], :] = t2[[2,1], :]
  11. In [53]: t2
  12. Out[53]:
  13. array([[12, 13, 14, 15],
  14.        [20, 21, 22, 23],
  15.        [16, 17, 18, 19]])
  17. In [55]: t2[:, [0,2]]=t2[:,[2,0]]
  19. In [56]: t2
  20. Out[56]:
  21. array([[14, 13, 12, 15],
  22.        [22, 21, 20, 23],
  23.        [18, 17, 16, 19]])

numpy更多好用的方法

  1. 获取最大值最小值的位置

    1. np.argmax(t,axis=0)获取每一列的最大值得位置
    2. np.argmin(t,axis=1)
  2. 创建一个全0的数组: np.zeros((3,4))
  3. 创建一个全1的数组:np.ones((3,4))
  4. 创建一个对角线为1的正方形数组(方阵)：np.eye(3)

numpy生成随机数

![image.png](https://img-blog.csdnimg.cn/img\_convert/4c57e78a473f2d7e3061743d12a86acc.png\#align=left&display=inline&height=612&margin=\[object Object]&name=image.png&originHeight=612&originWidth=1206&size=200855&status=done&style=none&width=1206)

numpy的注意点copy和view

  1. a=b 完全不复制，a和b相互影响
  2. a = b[:],视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，
  3. a = b.copy(),复制，a和b互不影响

发表评论

表情：
评论列表 （有 0 条评论，268人围观）

还没有评论，来说两句吧...

相关阅读

    相关 Numpy（三）矩阵

    1、矩阵的创建 (1) 在创建矩阵的专用字符串中，矩阵的行与行之间用分号隔开，行内的元素之间用空格隔开。 (2) 用T属性获取转置矩阵 mat函数创建

    旧城等待，旧城等待，/ 0 赞/ 284 阅读

    相关 numpy矩阵

    矩阵 使用 `mat` 方法将 `2` 维数组转化为矩阵： ![70][] 也可以使用 Matlab 的语法传入一个字符串来生成矩阵： ![70 1][] 利用分

    短命女短命女/ 0 赞/ 347 阅读