目录
- 一、简介
- 二、ndarray -多维数组对象
- 1、为什么要是用ndarray?
- 2、创建ndarray对象
- 3、ndarray多维数组创建
- 4、常用属性
- 5、数据类型
- 6、ndarray 数组创建
- 7、数组运算和转换
- 数组和标量(数字)之间运算
- 一维数组与多维数组之间的转换
- 8、索引和切片
- 索引取值
- 切片
- 布尔型索引
- 三、通用函数
- 1、一元函数
- 2、二元函数
- 3、数学统计方法
- 4、随机数
一、简介
Numpy是高性能科学计算和数据分析的基础包。它也是pandas等其他数据分析的工具的基础，基本所有数据分析的包都用过它。NumPy为Python带来了真正的多维数组功能，并且提供了丰富的函数库处理这些数组。它将常用的数学函数都支持向量化运算，使得这些数学函数能够直接对数组进行操作，将本来需要在Python级别进行的循环，放到C语言的运算中，明显地提高了程序的运算速度。
安装方法：
pip install numpy
在jupyter中:需要加！,!pip3 install numpy
引用方式：
import numpy as np
这是官方认证的导入方式，可能会有人说为什么不用
from numpy import *
,是因为在numpy当中有一些方法与Python中自带的一些方法，例如
max
、
min
等冲突，为了避免这些麻烦大家就约定俗成的都使用这种方法。
二、ndarray -多维数组对象
Numpy的核心特征就是N-维数组对——ndarray.
1、为什么要是用ndarray?
接下来我们可以通过具体的实例来展示一下ndarray的优势。
现在有这样一个需求:
已知若干家跨国公司的市值（美元），将其换算为人民币
按照Python当中的方法
第一种：是将所有的美元通过for循环依次迭代出来，然后用每个公司的市值乘以汇率
第二种：通过map方法和lambda函数映射
这些方法相对来说也挺好用的，但是再来看通过ndarray对象是如何计算的
通过ndarray这个多维数组对象可以让这些批量计算变得更加简单，当然这只它其中一种优势，接下来就通过具体的操作来发现。
2、创建ndarray对象
import numpy as np
np.array()
3、ndarray多维数组创建
接下来就多维数组举个例子：
有的人可能会说了，这个数组跟Python中的列表很像啊，它和列表有什么区别呢？
- 数组对象内的元素类型必须相同
- 数组大小不可修改
4、常用属性
| 属性 | 描述 |
|---|---|
| T | 数组的转置（对高维数组而言） |
| dtype | 数组元素的数据类型 |
| size | 数组元素的个数 |
| ndim | 数组的维数 |
| shape | 数组的维度大小（以元组形式） |
T:转置
就相当于是将行变成列，列变成行，它也是一个比较常用的方法
5、数据类型
- dtype
| 类型 | 描述 |
|---|---|
| 布尔型 | bool_ |
| 整型 | int_ int8 int16 int32 int 64 |
| 无符号整型 | uint8 uint16 uint32 uint64 |
| 浮点型 | float_ float16 float32 float64 |
| 复数型 | complex_ complex64 complex128 |
整型：
int32只能表示(-2**31，2**31-1),因为它只有32个位，只能表示2**32个数
无符号整型：
只能用来存正数，不能用来存负数
补充：
astype()方法可以修改数组的数据类型
6、ndarray 数组创建
| 方法 | 描述 |
|---|---|
| array() | 将列表转换为数组，可选择显式指定dtype |
| arange() | range的numpy版，支持浮点数 |
| linspace() | 类似arange()，第三个参数为数组长度 |
| zeros() | 根据指定形状和dtype创建全0数组 |
| ones() | 根据指定形状和dtype创建全1数组 |
| empty() | 根据指定形状和dtype创建空数组（随机值） |
| eye() | 根据指定边长和dtype创建单位矩阵 |
# 1、arange()使用：
>>> np.arange(3)
array([0, 1, 2])
>>> np.arange(3.0)
array([ 0., 1., 2.])
>>> np.arange(3,7)
array([3, 4, 5, 6])
>>> np.arange(3,7,2)
array([3, 5])
-----------------------------------------------------------------
# 2、linspace()的使用
#解释：在1-10之间等比生成5个数，默认顾头顾尾。endpoint=False顾头不顾尾
# 每个数字之间的距离相等的，前后两个数做减法肯定相等
np.linspace(1,10,5)
执行结果：
array([ 1. , 3.25, 5.5 , 7.75, 10. ])
np.linspace(1,10,5,endpoint=False)
执行结果：
array([1. , 2.8, 4.6, 6.4, 8.2])
----------------------------------------------------------------
# 3、zeros() # 创建全0数组占位
>>> np.zeros(5)
array([ 0., 0., 0., 0., 0.])
>>> np.zeros((5,), dtype=int)
array([0, 0, 0, 0, 0])
>>> np.zeros((2, 1))
array([[ 0.],
[ 0.]])
>>> s = (2,2)
>>> np.zeros(s)
array([[ 0., 0.],
[ 0., 0.]])
---------------------------------------------------------------------
# 4、ones() # 厨房间全为1的数组占位
>>> np.ones(5)
array([1., 1., 1., 1., 1.])
>>> np.ones((5,), dtype=int)
array([1, 1, 1, 1, 1])
>>> np.ones((2, 1))
array([[1.],
[1.]])
>>> s = (2,2)
>>> np.ones(s)
array([[1., 1.],
[1., 1.]])
------------------------------------------------------------------------
# 5、empty()
np.empty(10)
执行结果：
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
# 这个方法只申请内存，不给它赋值
-----------------------------------------------------------------------
# 6、eye() # 生成对称矩阵 k控制向右偏移量
np.eye(5)
执行结果：
array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])
>>> np.eye(2, dtype=int)
array([[1, 0],
[0, 1]])
>>> np.eye(5,k=2)
array([[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
7、数组运算和转换
数组和标量(数字)之间运算
arr = np.array([1,2,3,4,5,6])
arr*2
# 执行结果：
array([ 2, 4, 6, 8, 10, 12])
-----------------------------------------------------------------------
arr = np.array([1,2,3,4,5,6])
arr1 = np.array([11,22,33,44,55,66])
arr*arr1
# 执行结果：
array([ 11, 44, 99, 176, 275, 396])
arr+arr1
# 执行结果：
array([12, 24, 36, 48, 60, 72])
一维数组与多维数组之间的转换
# 一维数组-->多维数组
res1 = np.arange(30).reshape(5,-1) # -1无任何作用，占位。系统自动算出几列
res1
array([[ 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]])
# 多维数组-->一维数组
res2 = res1.reshape(30)
res2
array([ 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])
8、索引和切片
索引取值
# 多维数组索引使用方法
array([[ 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]])
现在有这样一组数据，需求：找到20
列表写法：arr[3][2]
数组写法：arr[3,2] # 中间通过逗号隔开就可以了
# 一维数组索引使用
array([1, 2, 3, 4, 5, 6])
arr[0] # 1
arr[2] # 3
# 花式索引，列表里放索引。需要提前知道索引
array([1, 2, 3, 4, 5, 6])
arr[[0,3]] # array([1, 4])
切片
# 一维数组切片：和python一至
array([1, 2, 3, 4, 5, 6])
arr[0:2] # array([1, 2]
arr[::-1] # array([6, 5, 4, 3, 2, 1])
arr[::2] # array([1, 3, 5])
# 多维数组切片：arr[行：列]
arr数组
array([[ 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]])
arr[1:4,1:4] # 切片方式
执行结果：
array([[ 7, 8, 9],
[13, 14, 15],
[19, 20, 21]])
布尔型索引
现在有这样一个需求：给一个数组，选出数组种所有大于5的数。
array([1, 2, 3, 4, 5, 6])
arr > 4
array([False, False, False, True, True, True])
取值：
arr[arr>3]
array([4, 5, 6])
三、通用函数
能对数组中所有元素同时进行运算的函数就是通用函数
常见通用函数：
能够接受一个数组的叫做一元函数，接受两个数组的叫二元函数，结果返回的也是一个数组
1、一元函数
| 函数 | 功能 |
|---|---|
| abs、fabs | 分别是计算整数和浮点数的绝对值 |
| sqrt | 计算各元素的平方根 |
| square | 计算各元素的平方 |
| exp | 计算各元素的指数e**x |
| log | 计算自然对数 |
| sign | 计算各元素的正负号 |
| ceil | 计算各元素的ceiling值 |
| floor | 计算各元素floor值，即小于等于该值的最大整数 |
| rint | 计算各元素的值四舍五入到最接近的整数，保留dtype |
| modf | 将数组的小数部分和整数部分以两个独立数组的形式返回，与Python的divmod方法类似 |
| isnan | 计算各元素的正负号 |
| isinf | 表示那些元素是无穷的布尔型数组 |
| cos，sin，tan | 普通型和双曲型三角函数 |
2、二元函数
| 函数 | 功能 |
|---|---|
| add | 将数组中对应的元素相加 |
| subtract | 从第一个数组中减去第二个数组中的元素 |
| multiply | 数组元素相乘 |
| divide、floor_divide | 除法或向下圆整除法（舍弃余数） |
| power | 对第一个数组中的元素A，根据第二个数组中的相应元素B计算A**B |
| maximum，fmax | 计算最大值，fmax忽略NAN |
| miximum，fmix | 计算最小值，fmin忽略NAN |
| mod | 元素的求模计算（除法的余数） |
补充内容：浮点数特殊值
浮点数：float
浮点数有两个特殊值：
1、nan(Not a Number):不等于任何浮点数（nan != nan）
---------------------------------------------
2、inf(infinity):比任何浮点数都大
---------------------------------------------
- Numpy中创建特殊值：np.nan、np.inf
- 数据分析中，nan常被用作表示数据缺失值
3、数学统计方法
| 函数 | 功能 |
|---|---|
| sum | 求和 |
| cumsum | 求前缀和 |
| mean | 求平均数 |
| std | 求标准差 |
| var | 求方差 |
| min | 求最小值 |
| max | 求最大值 |
| argmin | 求最小值索引 |
| argmax | 求最大值索引 |
4、随机数
随机数生成函数在np.random的子包当中
常用函数
| 函数 | 功能 |
|---|---|
| np.random.rand | 给定形状产生随机数组（0到1之间的数） |
| np.random.randint | 给定形状产生随机整数 |
| np.random.chocie | 给定形状产生随机选择 |
| np.random.shuffle | 与random.shuffle相同 |
| np.random.uniform | 给定形状产生随机数组 |