numpy入门

向右看齐 2023-01-02 15:24 327阅读 0赞

# 1. 待处理的原始数据 #

这里有原始数据文件`world_alcohol.txt`，文件内容如下：

Year,WHO region,Country,Beverage Types,Display Value
    1986,Western Pacific,Viet Nam,Wine,0
    1986,Americas,Uruguay,Other,0.5
    1985,Africa,Cte d'Ivoire,Wine,1.62
    1986,Americas,Colombia,Beer,4.27
    1987,Americas,Saint Kitts and Nevis,Beer,1.98
    1987,Americas,Guatemala,Other,0
    1987,Africa,Mauritius,Wine,0.13
    1985,Africa,Angola,Spirits,0.39

# 2. 读取数据 #

import numpy
    
    world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",", dtype=str)
    print(type(world_alcohol))

*  `delimiter`表示分隔符，这里用`,`进行分割。
 *  `dtype`表示读进来的数据，用string方式进行处理，如果数据中既有`String`又有`int`，那么通常先全部转为`str`，后续可以类型转换。

打印出的结果：  
![在这里插入图片描述][20210106140302713.png]  
**也可以通过`import numpy as np` 的方式可以指定别名np，这里就不指定别名了**

这里的`ndarray`是numpy中最核心的一个结构。  
打印文件内容：`print(world_alcohol)`  
![在这里插入图片描述][20210106143848694.png]

# 3. 查看某个函数的帮助文档 #

*  `print(help(numpy.genfromtxt))`可以显示出该函数的帮助文档：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70]

# 4. numpy.array #

## 4.1 构造向量和矩阵: ##

vector = numpy.array([5,10,15,20])
    matrix = numpy.array([[5,10,15],[20,15,30],[35,40,45]])
    print(vector)
    print(matrix)

打印结果如下：  
![在这里插入图片描述][20210106145019995.png]

*  **需要注意的是，当我们通过`numpy.array`来构造一个矩阵时，里面的元素必须要相同的数据类型，** 例如：

vector = numpy.array([2,4,6,8.0]) # 里面包含float类型的数据
    print(vector)
    print(vector.dtype)
    
    vector = numpy.array([2,4,6,'8.0']) # 里面包含string类型的数据
    print(vector)
    print(vector.dtype)

打印结果如下：  
![在这里插入图片描述][20210106150448503.png]  
那么所有的数据类型都会转换成`float64`甚至是`str`的类型。

## 4.2 查看矩阵的结构 ##

vector = numpy.array([2,4,6,8])
    print(vector.shape) # 向量
    matrix = numpy.array([[2,4,6],[8,10,12]]) # 2行3列
    print(matrix.shape)

查看向量或矩阵的结构：  
![在这里插入图片描述][20210106145423176.png]

## 4.3 数据处理 ##

uruguay_other_1986 = world_alcohol[2,4]
    print(uruguay_other_1986)

打印结果为：`0.5`

## 4.4 使用切片取数据 ##

vector = numpy.array([5,10,15,20])
    print(vector[0:3])

*  表示获取索引在`[0,3)`之间的数据。  
    打印结果`[ 5 10 15]`

**如何获取某一列的数据？**

matrix = numpy.array([[2,4,6],[8,10,12]])
    print(matrix[:,1]) # 获取数据的第1列

*  其中的`:`表示`所有的`，在这里表示`所有的行`

**如何获取前两列的数据？**

print(matrix[:,0:2]) # 表示获取数据第0列和第1列

## 4.5 对数据进行判断 ##

matrix = numpy.array([[2,4,6],[8,10,12]])
    matrix == 10

返回结果:

array([[False, False, False],
           [False,  True, False]])

利用判断结果进行筛选：

matrix = numpy.array([[2,4,6],[8,10,12]])
    equal_to_ten = (matrix == 10)
    print(equal_to_ten)
    print(matrix[equal_to_ten ])

将返回的`equal_to_ten`当做一个索引，对于matrix来说返回对应索引的数据。

**查看某一列中是否包含某个值：**

matrix = numpy.array([[2,4,6],[8,10,12]])
    second_column_4 = (matrix[:,1] == 4)
    print(second_column_4 )
    print(matrix[second_column_4,:])

返回结果如下：

[ True False]
    [[2 4 6]]

这将返回对应的数据行。

## 4.6 对数据进行逻辑判断 ##

vector = numpy.array([5,10,15,20])
    equal_to_ten_and_five = (vector == 10) & (vector ==5) # 判断数据既为5也为10
    print(equal_to_ten_and_five)

输出结果为：`[False False False False]`

vector = numpy.array([5,10,15,20])
    equal_to_ten_or_five = (vector == 10) | (vector ==5)  # 判断数据为5或者为10
    print(equal_to_ten_or_five)

输出结果为：`[ True True False False]`

## 4.7 修改数据类型 ##

vector = numpy.array(['10', '20', '30']) # 当前数据类型为str
    print(vector.dtype)
    print(vector)
    vector = vector.astype(float) # 将数据类型修改为float
    print(vector.dtype)
    print(vector)

输出结果为：

<U2
    ['10' '20' '30']
    float64
    [10. 20. 30.]

## 4.8 求和操作 ##

matrix = numpy.array([[5,10,15],[20,15,30],[35,40,45]]) 
    print(matrix.sum(axis=1)) # 按行维度进行求和
    print(matrix.sum(axis=0)) # 按列维度进行求和

输出结果如下：

[ 30  65 120]
    [60 65 90]

# 5 矩阵变换 #

可以使用`numpy.arange(15)`创造出15个元素。

vector = numpy.arange(15) # 构造向量，包含15个元素
    print("vector=",vector)
    matrix = vector.reshape(3,5) # 将向量转换为3*5的矩阵
    print("matrix=",matrix)
    print("matrix维度:", matrix.ndim)
    print("matrix的shape:", matrix.shape)
    print("matrix的size:", matrix.size)

打印结果如下：

vector= [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
    matrix= [[ 0  1  2  3  4]
     [ 5  6  7  8  9]
     [10 11 12 13 14]]
    matrix维度: 2
    matrix的shape: (3, 5)
    matrix的size: 15

## 5.1 初始化矩阵 ##

print(numpy.zeros((3,4))) # 创建一个3行4列的数值为0的矩阵，默认的数据类型是float
    print(numpy.ones((2,3,4))) # 指定数据类型为np.int32

输出结果如下：

[[0. 0. 0. 0.]
     [0. 0. 0. 0.]
     [0. 0. 0. 0.]]
     
    [[[1. 1. 1. 1.]
      [1. 1. 1. 1.]
      [1. 1. 1. 1.]]
      
     [[1. 1. 1. 1.]
      [1. 1. 1. 1.]
      [1. 1. 1. 1.]]]

## 5.2 初始化某一个序列的矩阵 ##

print(numpy.arange(10, 30, 5)) # 数据从10到30，步长为5

## 5.3 使用random创建矩阵 ##

print(numpy.random.random((2, 3))) # 创建一个2*3的随机矩阵

输出结果：

[[0.45187624 0.5721112  0.76078717]
     [0.43637665 0.08943036 0.46525447]]

## 5.4 使用linespace创建等步长矩阵 ##

print(numpy.linspace(start = 0, stop = 100, num = 5))

输出结果如下：

[  0.  25.  50.  75. 100.]

## 5.5 矩阵加减法 ##

a = numpy.array([20,30,40,50])
    b = numpy.arange(4)
    print("a=",a)
    print("b=",b)
    c = a - b  # 对应数据进行相减
    print("c=",c)
    c = c - 1 # 每个数据都减1
    print("c=",c)
    print("b的2次方:", b**2)
    print("a的数据是否小于35:", a < 35)

输出结果如下：

a= [20 30 40 50]
    b= [0 1 2 3]
    c= [20 29 38 47]
    c= [19 28 37 46]
    b的2次方: [0 1 4 9]
    a的数据是否小于35: [ True  True False False]

## 5.6 矩阵乘法 ##

a = numpy.array([[1,1], [0,1]])
    b = numpy.array([[2,0], [3,4]])
    print(a)
    print('------')
    print(b)
    print('------')
    print(a*b) # 对应位置进行相乘
    print('------')
    print(a.dot(b)) # 矩阵乘法，点乘
    print('------')
    print(numpy.dot(a,b)) # 矩阵乘法，点乘

输出结果如下：

[[1 1]
     [0 1]]
    ------
    [[2 0]
     [3 4]]
    ------
    [[2 0]
     [0 4]]
    ------
    [[5 4]
     [3 4]]
    ------
    [[5 4]
     [3 4]]

## 5.7 floor、ravel、转置 ##

a = numpy.random.random((3,4)) # 生成3*4的矩阵
    print(a)
    b = numpy.floor(a * 10) # 对矩阵进行乘10并向下取整
    print(b)
    print(a.ravel()) # 将矩阵拉成一个向量
    a.shape = (6,2) # 将矩阵a进行变换，修改为6*2的矩阵
    print(a)
    print(a.T) # 将矩阵进行转置

结果如下：

[[0.71815321 0.17789779 0.91459305 0.07703079]
     [0.25360535 0.23830691 0.55384795 0.86235613]
     [0.37502126 0.25378152 0.17624234 0.74019256]]
    [[7. 1. 9. 0.]
     [2. 2. 5. 8.]
     [3. 2. 1. 7.]]
    [0.71815321 0.17789779 0.91459305 0.07703079 0.25360535 0.23830691
     0.55384795 0.86235613 0.37502126 0.25378152 0.17624234 0.74019256]
    [[0.71815321 0.17789779]
     [0.91459305 0.07703079]
     [0.25360535 0.23830691]
     [0.55384795 0.86235613]
     [0.37502126 0.25378152]
     [0.17624234 0.74019256]]
    [[0.71815321 0.91459305 0.25360535 0.55384795 0.37502126 0.17624234]
     [0.17789779 0.07703079 0.23830691 0.86235613 0.25378152 0.74019256]]

*  在使用shape或者reshape时可以不用指定列数，用`-1`代替，例如`a.shape(6, 2)` 相当于`a.shape(6,-1)`

## 5.8 矩阵拼接 ##

a = numpy.floor(10*numpy.random.random((2, 2)))
    b = numpy.floor(10*numpy.random.random((2, 2)))
    print(a)
    print('------')
    print(b)
    print('------')
    print(numpy.hstack((a,b))) # 横向拼接
    print('------')
    print(numpy.vstack((a,b))) # 纵向拼接

输出结果为：

[[5. 2.]
     [5. 8.]]
    ------
    [[3. 5.]
     [7. 9.]]
    ------
    [[5. 2. 3. 5.]
     [5. 8. 7. 9.]]
    [[5. 2.]
     [5. 8.]
     [3. 5.]
     [7. 9.]]

## 5.9 矩阵分割 ##

a = numpy.floor(10*numpy.random.random((2,12)))
    print(a)
    print('------')
    print(numpy.hsplit(a,3)) # 横向切割
    print(numpy.vsplit(a,1)) # 纵向切割

输出结果：

[[0. 2. 8. 2. 3. 8. 5. 1. 1. 5. 9. 6.]
     [1. 9. 3. 1. 5. 2. 5. 7. 6. 9. 5. 2.]]
    ------
    [array([[0., 2., 8., 2.],
           [1., 9., 3., 1.]]), array([[3., 8., 5., 1.],
           [5., 2., 5., 7.]]), array([[1., 5., 9., 6.],
           [6., 9., 5., 2.]])]
    [array([[0., 2., 8., 2., 3., 8., 5., 1., 1., 5., 9., 6.],
           [1., 9., 3., 1., 5., 2., 5., 7., 6., 9., 5., 2.]])]

*  如果想指定具体切割位置，可以通过元组进行设置：`print(numpy.hsplit(a,(3,4)))`

## 5.10 不同的复制操作区别 ##

### 5.10.1 使用b=a方式进行复制 ###

a = numpy.arange(12)
    b = a
    print(b is a)
    b.shape=(3,4)
    print(a.shape)
    print(id(a))
    print(id(b))

输出结果：

True
    (3, 4)
    2215557266608
    2215557266608

说明`a`和`b`指向的时同一个内存空间。

### 5.10.2 使用c = a.view()方式进行复制 ###

a = numpy.arange(12)
    c = a.view()
    print(c is a)
    c.shape = (3,4)
    print(a.shape)
    c[0,3] = 99
    print(a)
    print(id(a))
    print(id(c))

输出结果:

False
    (12,)
    [ 0  1  2 99  4  5  6  7  8  9 10 11]
    2215556901504
    2215556876848

虽然`print(c is a)`的结果为`false`，`id(a)`和`id(a)`也不一样，但是修改c的数值对a同样发生了改变。

### 5.10.3 使用d = a.copy()方式进行复制 ###

a = numpy.arange(12)
    d = a.copy()
    print(d is a)
    d.shape = (3,4)
    print(a.shape)
    d[0,3] = 99
    print(a)
    print(id(a))
    print(id(d))

输出结果：

False
    (12,)
    [ 0  1  2  3  4  5  6  7  8  9 10 11]
    2215557266848
    2215556915408

通过`d = a.copy()`生成的`d`与`a`完全是不同的两个矩阵，只不过数据内容是一样的。

## 5.11 最大值 ##

data = numpy.random.random((5,4))
    print(data)
    index = data.argmax(axis = 0) # 从列维度上找到最大的数据的索引
    print(index)
    data_max = data[index, range(data.shape[1])] # 根据行和列，获取到具体的数据
    print(data_max)

输出结果：

[[0.88208481 0.5851627  0.85001307 0.65674999]
     [0.09055015 0.9222699  0.68814557 0.4388229 ]
     [0.83566756 0.22221162 0.71163892 0.81963848]
     [0.87492499 0.75404706 0.40085437 0.26195849]
     [0.96192246 0.58601327 0.98409703 0.84446547]]
    [4 1 4 4]
    [0.96192246 0.9222699  0.98409703 0.84446547]

## 5.12 矩阵扩展 ##

a = numpy.arange(0, 40, 10)
    print(a)
    print('------')
    b = numpy.tile(a, (2, 2)) # 将矩阵进行扩展
    print(b)
    print('------')
    b = numpy.tile(a, (2, 3)) 
    print(b)

输出结果：

[ 0 10 20 30]
    ------
    [[ 0 10 20 30  0 10 20 30]
     [ 0 10 20 30  0 10 20 30]]
    ------
    [[ 0 10 20 30  0 10 20 30  0 10 20 30]
     [ 0 10 20 30  0 10 20 30  0 10 20 30]]

## 5.13 矩阵排序 ##

a = numpy.array([[4,3,5], [1,2,1]])
    print(a)
    print('------')
    b = numpy.sort(a,axis=1) # 按照行进行排序
    print(b)
    print('------')
    c = numpy.argsort(a) # 根据从小到大，返回每行数据对应的索引
    print(c)

输出结果：

[[4 3 5]
     [1 2 1]]
    ------
    [[3 4 5]
     [1 1 2]]
    ------
    [[1 0 2]
     [0 2 1]]

[20210106140302713.png]: /images/20221119/c6e728e158c842e5bb4f2986a1adb108.png
[20210106143848694.png]: /images/20221119/59946478aa2345c4962a620a538de943.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70]: /images/20221119/099f7f4350d64eb4861d7b6d336fdd30.png
[20210106145019995.png]: /images/20221119/cff0e493e633459dafaecb09116a7e2a.png
[20210106150448503.png]: /images/20221119/46cfab45a0d14035bf711b66248688e0.png
[20210106145423176.png]: /images/20221119/75904b10f7d04898b68a14608126f03f.png