python学习——NumPy数值计算基础

Dear 丶 2024-03-16 21:45 65阅读 0赞

#### 目录 ####

*  NumPy数值计算基础
 *  1.array创建数组及其属性
 *  2.其他创建方式
 *  3.数据类型及其转换
 *  4.生成随机数
 *  5.数组的索引和切片
 *  6.改变数组形态
 *   *  【案例】两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办
 *  7.创建numpy矩阵
 *  8.矩阵运算
 *  9.ufunc函数
 *  10.利用numpy进行统计分析
 *   *  (1) 二进制数据存储
     *  (2) 统计分析
     *  1) 排序Sort，Argsort，lexsort
     *  2) 去重unique与重复数据
     *  3) 统计函数

--------------------

## NumPy数值计算基础 ##

nan：不是一个数，0除0，属于float类型  
inf：无限，3除0

>  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.  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

![在这里插入图片描述][9c5f2e7df14c4e70a64538bf24021d15.png]

![在这里插入图片描述][e83028c583164c79a7d28c36323eabb1.png]  
![在这里插入图片描述][61eb06bd02714c5292a8c7edde2cd251.png]

## 1.array创建数组及其属性 ##

import numpy as np 
    ar=np.array([[1.2,8,5,8],[1,3,5,2],[5,24,7,7]])
    print(ar)
    print(ar.shape)    #数组结构
    print(ar.dtype)    #数组类型
    print(ar.size)     #数组元素个数
    print(ar.itemsize) #数组每个元素大小

## 2.其他创建方式 ##

np.arange(0,1,0.1)     # 0到1，不包括1，间隔为0.1
    np.linspace(0, 1, 12)  #0到1生成12个数
    np.logspace(0, 2, 20)) #1（102）到100（102）之间，20个等比数列
    np.zeros((2,3)         #2x3零矩阵
    np.eye(3)              #单位矩阵
    np.diag([1,2,3,4]))    #对角阵
    np.ones((5,3)))        #所有元素都为1

## 3.数据类型及其转换 ##

np.float64(42)  #整型转换为浮点型
    np.int8(42.0)   #浮点型转换为整型
    np.bool(42)     #整型转换为布尔型
    np.bool(0)      #整型转换为布尔型
    np.float(True)  #布尔型转换为浮点型
    np.float(False) #布尔型转换为浮点型

#创建一个餐饮数据库
    import numpy as np
    df = np.dtype([("name", np.str_, 40), ("numitems", np.int64),
        ("price",np.float64)])#创建数据类型
    its=np.array([("tomato",42,5.4),("potato",50,6.6)])#定义数组数据
    print('数据类型为：',df["name"])
    print('数据类型为：',np.dtype(df["name"]))
    print('自定义数据为：',its)

## 4.生成随机数 ##

![在这里插入图片描述][73f73e3fa31c42a693c299deeba0c34c.png]

np.random.random(100) 
    np.random.rand(10,5)                  #均匀分布的随机数
    np.random.randn(10,5))                #正态分布的随机数
    np.random.randint(2,10,size =[2,5]))#不小于2，不大于10的2行5列数组

## 5.数组的索引和切片 ##

import numpy as np
    a=np.arange(12).reshape(3,4)
    print(a[[0,2],[1,3]])#取相应位置的四个元素
    print(a[0:2,1:3])#取行和列的元素
    a[a<4]=2 #布尔运算
    a[a>5]=0
    np.where(a<5,0,1) #三元运算符
    b=a.clip(2,3)#小于1的替换为10，大于1的替换为了18
    print(a)
    print(b)

一维数组

arr[5]      #用整数作为下标可以获取数组中的某个元素
    arr[3:5]    #用范围作为下标获取数组的一个切片，包括arr[3]不包括arr[5]
    arr[:5]     #省略开始下标，表示从arr[0]开始
    arr[-1]     #下标可以使用负数，-1表示从数组后往前数的第一个元素
    arr[1:-1:2] #第三个参数表示步长，2表示隔一个元素取一个元素，第2,4,…后1

数组值修改

arr[2:4] = 100,101 #下标还可以用来修改元素的值

多维数组3X5

arr[0,3:5]      #索引第0行中第3和第4列的元素
    arr[2:]         #取第3行之后的所有行
    arr[[0,2,3]]    #取第0,2,3行数据
    arr[1:,2:]      #索引第2和第3行中第3列、第4列和第5列的元素
    arr[:,2]        #索引第2列的元素
    print(a[[0,2],[1,3]])
    print(a[0:2,1:3])
    arr[1:,(0,2,3)] #索引第2、3行中第0、2、3列的元素

#mask是一个布尔数组，它索引第1、3行中第2列的元素
    mask = np.array([1,0,1],dtype = np.bool)
    print('索引结果为：',arr[mask,2])

## 6.改变数组形态 ##

arr.reshape(3,4)           #设置数组的形状
    arr.reshape(3,4).ndim)     #查看数组维度
    np.arange(12).reshape(3,4) #改变一维数组的形状
    arr.ravel()     #数组展平
    arr.flatten()         #横向展平    a=np.arange(12).reshape(12,)
    arr.flatten('F') #纵向展平
    np.hstack((arr1,arr2))               #hstack函数横向组合
    np.vstack((arr1,arr2))               #vstack函数纵向组合
    np.concatenate((arr1,arr2),axis = 1) #concatenate函数横向组合
    np.concatenate((arr1,arr2),axis = 0) #concatenate函数纵向组合
    np.hsplit(arr, 2)       #hsplit函数横向分割
    np.vsplit(arr, 2)       #vsplit函数纵向分割
    np.split(arr, 2, axis=1) #split函数横向分割
    np.split(arr, 2, axis=0) #split函数纵向分割
    t[[1,2],:]=t[[2,1],:]    #行交换
    t[:,[0,2]]=t[:,[2,0]]    #列交换

### 【案例】两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办 ###

#两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办
    import numpy as np  #导入NumPy库
    import matplotlib.pyplot as plt
    us_file_path="./US_video_data_numbers.csv"
    gb_file_path="./GB_video_data_numbers.csv"
    #加载国家数据
    us_data=np.loadtxt(us_file_path,dtype=int,delimiter=",",skiprows=0,usecols=None,unpack=False)
    gb_data=np.loadtxt(gb_file_path,dtype=int,delimiter=",",skiprows=0,usecols=None,unpack=False)
    #添加国家信息
    #构造全为0的数据
    zeros_data=np.zeros((us_data.shape[0],1)).astype(int)
    ones_data=np.ones((gb_data.shape[0],1)).astype(int)
    #拼接两组数据
    us=np.hstack((us_data,zeros_data))
    gb=np.hstack((gb_data,ones_data))
    data=np.vstack((us,gb))
    print(data)

## 7.创建numpy矩阵 ##

M1=np.mat("1 2 3;4 5 6;7 8 9")          #使用分号隔开数据
    M2=np.matrix([[1,2,3],[4,5,6],[7,8,9]]) #使用matrix创建矩阵
    M3=np.bmat("M1,M2")                     #使用bmat创建矩阵

## 8.矩阵运算 ##

matr1+matr2  #矩阵相加
    matr1-matr2  #矩阵相减
    matr1*matr2  #矩阵相乘
    np.multiply(matr1,matr2)) #对应元素相乘
    
    matr1.T  #转置
    matr1.H  #共轭转置（实数的共轭就是其本身）
    matr1.I  #逆矩阵
    matr1.A  #返回二维数组的视图

## 9.ufunc函数 ##

不同形状的数组之间执行算术运算具有广播机制：  
![在这里插入图片描述][4c1efea246704d758105a8dcdc312460.png]

x = np.array([1,2,3])
    y = np.array([4,2,6])
    x + y   #数组相加
    x - y   #数组相减
    x * y   #数组相乘
    x / y   #数组相除
    x ** y  #数组幂运算：1,4,729
    
    x < y   #[ True False False]
    x > y；x == y；x >= y；x <= y；x != y
    
    np.all(x == y))  #np.all()表示逻辑and：True
    np.any(x == y))  #np.any()表示逻辑or ：False

## 10.利用numpy进行统计分析 ##

### (1) 二进制数据存储 ###

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

![在这里插入图片描述][5bc7fa0d29ef4ce0af079b9892e9e482.png]

import numpy as np  #导入NumPy库
    arr = np.arange(100).reshape(10,10)  #创建一个数组
    np.save("F:/python/save_arr",arr)  #保存数组np.save("save_arr.npy",arr)
    print('保存的数组为：\n',arr)

二进制文件

np.save("F:/python/save_arr",arr)  #单个数组存储
    np.savez('../savez_arr',arr1,arr2) #多个数组存储
    np.load("../tmp/save_arr.npy")     #读取含有单个数组的文件
    np.load("../tmp/savez_arr.npz")    #读取含有多个数组的文件
    print('读取的数组1为：',loaded_data1['arr_0'])
    print('读取的数组2为：',loaded_data1['arr_1'])

文本文件

arr = np.arange(0,12,0.5).reshape(4,-1)
    print('创建的数组为：',arr)
    #fmt ="%d"为指定保存为整数
    np.savetxt("../tmp/arr.txt", arr, fmt="%d", delimiter=",")
    #读入的时候也需要指定逗号分隔
    loaded_data = np.loadtxt("../tmp/arr.txt",delimiter=",")
    print('读取的数组为：',loaded_data)
    loaded_data = np.genfromtxt("../tmp/arr.txt", delimiter = ",")
    print('读取的数组为：',loaded_data)

### (2) 统计分析 ###

### 1) 排序Sort，Argsort，lexsort ###

Sort

np.random.seed(42)  #设置随机种子
    arr = np.random.randint(1,10,size = 10)  #生成随机数
    arr.sort()  #直接排序
    
    arr = np.random.randint(1,10,size = (3,3))  #生成3行3列的随机数
    arr.sort(axis = 1)  #沿着横轴排序
    arr.sort(axis = 0)  #沿着纵轴排序

Argsort

print('排序后数组为：',arr.argsort())  #返回值为重新排序值的下标

lexsort

a = np.array([3,2,6,4,5])
    b = np.array([50,30,40,20,10])
    c = np.array([400,300,600,100,200])
    d = np.lexsort((a,b,c))  #lexsort函数只接受一个参数，即（a,b,c）
    #多个键值排序是按照最后一个传入数据计算的
    print('排序后数组为：',list(zip(a[d],b[d],c[d])))

### 2) 去重unique与重复数据 ###

去重

names = np.array(['小明', '小黄', '小花', '小明', 
        '小花', '小兰', '小白'])
    print('创建的数组为：',names)
    print('去重后的数组为：',np.unique(names))

重复

np.tile(arr,3)           #对数组进行重复
    arr.repeat(2, axis = 0)  #按行进行元素重复
    arr.repeat(2, axis = 1)  #按列进行元素重复

### 3) 统计函数 ###

np.sum(arr)        #计算数组的和
    arr.sum(axis = 0)  #沿着横轴计算求和
    arr.sum(axis = 1)  #沿着纵轴计算求和
    np.mean(arr)       #计算数组均值
    arr.mean(axis = 0) #沿着横轴计算数组均值
    arr.mean(axis = 1) #沿着纵轴计算数组均值
    np.std(arr)  #计算数组标准差
    np.var(arr)  #计算数组方差
    np.min(arr)  #计算数组最小值
    np.max(arr)  #计算数组最大值
    np.ptp(arr)  #极值，最大减去最小
    np.argmin(arr)  #返回数组最小元素的索引
    np.argmax(arr)  #返回数组最大元素的索引
    np.cumsum(arr)  #计算所有元素的累计和
    np.cumprod(arr) #计算所有元素的累计积

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；

获取最大值最小值的位置

np.argmax(t,axis=0)
    np.argmin(t,axis=1)

[9c5f2e7df14c4e70a64538bf24021d15.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/22ae47ff8da945e79acc4ff34614a0c3.png
[e83028c583164c79a7d28c36323eabb1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/0e6afdba94f445e0a38c12032a49763d.png
[61eb06bd02714c5292a8c7edde2cd251.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/859083462adc43e096796c2007ffd333.png
[73f73e3fa31c42a693c299deeba0c34c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/51585d3497ea44759a9204aae02d661f.png
[4c1efea246704d758105a8dcdc312460.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/ccedf244291b4230844cf11a21533a73.png
[5bc7fa0d29ef4ce0af079b9892e9e482.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/96d2c286d34a4365ae52a81f8cdf6d2c.png