©2020-2024 ioDraw All rights reserved
<>一、NumPy简介
* NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础
* NumPy的主要功能：
* ndarray，一个多维数据结构，高效且节省空间
* 无需循环对整组数据进行快速运算的数学函数
* 线性代数、随机数生成和傅里叶变换功能
* 安装方法：pip install numpy
<>二、初体验
<>1、案例一
已知若干家跨国公司的市值（美元），将其换算成人名币
import numpy as np import random a = [random.uniform(100.0, 200.0) for i in
range(3)] print(a) b = np.array(a) c = b * 6.8 print(c, c[1])
结果：
[129.70799881689956, 115.85222551317838, 161.37833819727018] [ 882.01439195
787.79513349 1097.37269974] 787.795133489613
<>2、案例二
已知购物车中每件商品的价格与商品件数，求总金额
import numpy as np import random a = [random.uniform(10.0, 20.0) for i in
range(3)] # 金额 a = np.array(a) print(a) b = [random.randint(1, 10) for i in
range(3)] # 件数 b = np.array(b) print(b) print(a * b, (a*b).sum())
结果：
[18.21776421 13.63878433 13.37232689] [9 3 7] [163.95987791 40.916353
93.60628826] 298.48251916984424
<>三、ndarray（多维数组对象）
<>1、简介
* 创建ndarray：np.array(array_like)
* 数组与列表的区别：
* 数组对象内的元素类型必须相同
* 数组大小不可修改
<>2、常用属性
import numpy as np a = np.array([1, 2, 3, 4, 5]) print(a) b =
np.array(range(10)) print(b) print(b.size, b.ndim, b.shape, b.dtype)
print('------------------\n') c = np.array([[1, 2, 3], [4, 5, 6]]) print(c)
print(c.T, c.size, c.ndim, c.shape, c.dtype)
结果：
[1 2 3 4 5] [0 1 2 3 4 5 6 7 8 9] 10 1 (10,) int64 ------------------ [[1 2 3]
[4 5 6]] [[1 4] [2 5] [3 6]] 6 2 (2, 3) int64
<>3、数据类型
<>4、numpy创建
import numpy as np print(np.array([0] * 10)) print(np.zeros(10), np.zeros(10,
dtype='int'), np.ones(10)) # 默认float64 print("empty: ", np.empty(3))
print("arange: ", np.arange(1, 5), np.arange(1, 5, 0.3)) print("linspace: ",
np.linspace(0, 3, 4)) print("eye:\n", np.eye(5))
结果：
[0 0 0 0 0 0 0 0 0 0] [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [0 0 0 0 0 0 0 0 0 0]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] empty: [6.94190175e-310 6.94190175e-310
1.28822032e-057] arange: [1 2 3 4] [1. 1.3 1.6 1.9 2.2 2.5 2.8 3.1 3.4 3.7 4.
4.3 4.6 4.9] linspace: [0. 1. 2. 3.] eye: [[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.]]
<>5、ndarray批量运算
<>（1）数组与标量
import numpy as np a = np.arange(1, 5) print(a) print(a + 1, a * 3, 1 // a, a
** 2, a > 2)
结果：
[1 2 3 4] [2 3 4 5] [ 3 6 9 12] [1 0 0 0] [ 1 4 9 16] [False False True True]
<>（2）同样大小数组与数组
import numpy as np a = np.arange(1, 5) b = np.arange(4, 8) print(a, b) print(a
+ b, b / a, b ** a, b % a, a == b)
结果：
[1 2 3 4] [4 5 6 7] [ 5 7 9 11] [4. 2.5 2. 1.75] [ 4 25 216 2401] [0 1 0 3]
[False False False False]
<>四、索引与切片
<>1、ndarray索引
import numpy as np a = np.arange(1, 5) print(a, a[0]) b = np.arange(1,
7).reshape((2, 3)) print(b, b[0][0], b[0, 0])
结果：
[1 2 3 4] 1 [[1 2 3] [4 5 6]] 1 1
<>2、ndarray切片
注意：array切片没有复制对象
import numpy as np a = np.arange(1, 5) print(a, a[0:2], a[:2], a[2:])
print('--------------------') b = [1, 2, 3, 4] c = a[:2] # 如果不想修改a[:2].copy() d
= b[:2] c[0] = 10 d[0] = 10 print(a, b) print('--------------------') e =
np.arange(1, 7).reshape((2, 3)) print(e) print(e[0:2, 0:2])
结果：
[1 2 3 4] [1 2] [1 2] [3 4] -------------------- [10 2 3 4] [1, 2, 3, 4]
-------------------- [[1 2 3] [4 5 6]] [[1 2] [4 5]]
<>五、布尔型索引
import numpy as np a = np.arange(1, 5) print(a, a[a > 2], a > 2) # 取出偶数
print(a[a % 2 == 0], a[(a > 1) & (a % 2 == 0)]) print(a[(a > 3) | (a % 2 ==
0)]) # 或
结果：
[1 2 3 4] [3 4] [False False True True] [2 4] [2 4] [2 4]
<>六、花式索引
import numpy as np a = np.arange(20, 40) print(a) print(a[[1, 4, 5, 6]])
print("----------------") b = np.arange(20, 40).reshape(4, 5) print(b)
print(b[0, 2:4], b[0, b[0] > 22]) # 特殊取法 print("----------------") print(b[[1,
3], :][:, [1, 3]])
结果：
[20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39] [21 24 25 26]
---------------- [[20 21 22 23 24] [25 26 27 28 29] [30 31 32 33 34] [35 36 37
38 39]] [22 23] [23 24] ---------------- [[26 28] [36 38]] [[26 28] [36 38]]
<>七、通用函数
<>1、简介
*
通用函数：能同时对数组中所有元素进行运算的函数
*
常见通用函数：
* 一元函数：abs,sqrt,exp,log,ceil,floor,rint,trunc,modf,isnan,isinf,cos,sin,tan
* 二元函数：add,sbustract,multiply,divide,power,mod,maximum,mininum
*
补充：
* nan(Not a Number)：不等于任何浮点数（nan != nan）
* inf(infinity)：比任何浮点数都大
* NumPy中创建特殊值：np.nan np.inf
* 在数据分析中，nan常被用作表示数据缺失值
<>2、案例
import numpy as np a = np.arange(-2.5, 2.5) b = np.array([4, 16]) print(a,
abs(a), np.abs(a), np.sqrt(b)) # floor: 往小取整 ceil: 往大取整 round,rint: 四舍五入 trunc:
去掉小数位 print(np.floor(a), np.ceil(a), np.round(a), np.trunc(a)) # modf: 整数和小数分开
print(np.modf(a))
结果：
[-2.5 -1.5 -0.5 0.5 1.5] [2.5 1.5 0.5 0.5 1.5] [2.5 1.5 0.5 0.5 1.5] [2. 4.]
[-3. -2. -1. 0. 1.] [-2. -1. -0. 1. 2.] [-2. -2. -0. 0. 2.] [-2. -1. -0. 0. 1.]
(array([-0.5, -0.5, -0.5, 0.5, 0.5]), array([-2., -1., -0., 0., 1.]))
<>八、统计方法
<>1、简介
sum 求和 min 求最小值 mean 求平均数 max 求最大值 std 求标准差 argmin 求最小值索引 var 求平方差 argmax
求最大值索引
<>2、案例
import numpy as np a = np.array([4, 3, 5, 6]) print(a.sum(), a.mean(),
a.std(), a.var()) print(a.min(), a.max(), a.argmin(), a.argmax())
结果：
18 4.5 1.118033988749895 1.25 3 6 1 3
<>九、随机数生成
<>1、简介
rand 给定形状产生随机数组（0到1之间的数） randint 给定形状产生随机整数 choice 给定形状产生随机选择 shuffle
与random.shutffle相同，打乱 uniform 给定形状产生随机数组
<>2、案例
import numpy as np a = np.array([4, 3, 5, 6]) print(np.random.rand(2))
print(np.random.randint(2, 5)) print(np.random.choice([1, 2, 3], 3)) li = [4,
2, 5, 1] np.random.shuffle(li) print(li) print(np.random.uniform(2.0, 4.0, 3))
结果：
[0.72368355 0.55070405] 2 [2 3 1] [2, 4, 1, 5] [3.08668595 2.13194105
2.28684747]