本篇文章我們繼續(xù)帶大家學(xué)習(xí)Numpy的數(shù)據(jù)操作部分，主要給大家系統(tǒng)的介紹一下Numpy中常用的方法和屬性。

　　雖然我們前面也用過(guò)一些方法，但是我們沒(méi)有系統(tǒng)的給大家介紹，本次我們分成兩部分，詳細(xì)的給大家介紹一下Numpy中的一些方法和使用。

　　Numpy的常用方法

　　Ndarray對(duì)象的常用方法

　　Numpy的常用方法

　　生成函數(shù)

　　生成ndarray對(duì)象的函數(shù),注意所有np即為numpy的簡(jiǎn)寫(xiě)。

　　np.arange(n): 生成指定范圍的一個(gè)數(shù)據(jù)序列，返回的是ndarray對(duì)象。其實(shí)np.arange()的使用很類(lèi)似內(nèi)置函數(shù)range()，只不過(guò)range()函數(shù)生成的數(shù)據(jù)類(lèi)似一個(gè)列表，而np.arange()生成的是ndarray對(duì)象。

　　np.array(list)：將一個(gè)列表轉(zhuǎn)成ndarray對(duì)象。

　　import numpy as np #導(dǎo)入numpy模塊，起別名為np

　　import warnings

　　warnings.filterwarnings("ignore") # 忽略警告信息

　　data = np.arange(10)

　　display(data)

　　data1= list(range(10))

　　display(type(data1))

　　data1=np.array(data1)

　　display(data1)

　　# 當(dāng)然使用np.array()還可以創(chuàng)建二維的數(shù)組

　　array = [[1,2],[3,4],[5,6],[7,8],[9,10]]

　　array = np.array(array)

　　display(array)

　　# 如果是一維數(shù)組：向量

　　# 如果是二維數(shù)組，那么就看做是一個(gè)矩陣

　　結(jié)果：

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　list

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([[ 1, 2],

　　[ 3, 4],

　　[ 5, 6],

　　[ 7, 8],

　　[ 9, 10]])

　　使用np.ones()、np.zeros()、np.full() 生成ndarray對(duì)象

　　np.ones(N) : 生成一個(gè)N長(zhǎng)度的一維全1的ndarray對(duì)象

　　np.zeros(N): 生成一個(gè)N長(zhǎng)度的一維全0的ndarray對(duì)象

　　np.full(N) : 生成一個(gè)N長(zhǎng)度的一維值全為指定值的ndarray對(duì)象

　　import numpy as np

　　array1 = np.ones((3,4)) # 創(chuàng)建值全為1的數(shù)組。

　　display(array1)

　　array2 = np.zeros((3,4)) # 創(chuàng)建值全為0的數(shù)組。

　　display(array2)

　　array3 = np.full((3,4),6) # 創(chuàng)建值全為指定值的數(shù)組。

　　display(array3)

　　結(jié)果：

　　array([[1., 1., 1., 1.],

　　[1., 1., 1., 1.],

　　[1., 1., 1., 1.]])

　　array([[0., 0., 0., 0.],

　　[0., 0., 0., 0.],

　　[0., 0., 0., 0.]])

　　array([[6, 6, 6, 6],

　　[6, 6, 6, 6],

　　[6, 6, 6, 6]])

　　大家可以發(fā)現(xiàn)ones和zeros得到的數(shù)組是浮點(diǎn)型的。那如何設(shè)置它的數(shù)據(jù)類(lèi)型呢?

　　A. 在聲明的時(shí)候可以使用，比如array1 = np.ones((3,4),dtype=np.int)

　　B. 使用ndarray對(duì)象.astype(數(shù)據(jù)類(lèi)型)進(jìn)行類(lèi)型轉(zhuǎn)換

　　Numpy的數(shù)據(jù)類(lèi)型有哪些呢?

　　當(dāng)然若想得到一些隨機(jī)數(shù)組成的數(shù)組，我們還可以使用numpy.random中的方法完成

　　np.random.rand 生成指定形狀的0­～1之間的隨機(jī)數(shù)

　　np.random.random 生成指定形狀的0­～1之間的隨機(jī)數(shù)

　　np.random.randn 標(biāo)準(zhǔn)正態(tài)分布

　　np.random.normal 指定均值和方法的正態(tài)分布

　　np.random.randint 生成指定數(shù)值范圍內(nèi)的隨機(jī)整數(shù)

　　np.random.seed 按照種子來(lái)生成隨機(jī)數(shù)，種子一樣，則生成的結(jié)果必一致

　　np.random.shuffle 打亂數(shù)組元素順序

　　np.random.uniform 均勻分布

　　np.random.choice 按照指定概率從指定集合中，生成隨機(jī)數(shù)

　　選出幾個(gè)給大家介紹一下

　　np.random.rand 與np.random.random兩者類(lèi)似，都是產(chǎn)生0­～1之間的隨機(jī)數(shù)，但是函數(shù)的參數(shù)不一樣。

　　import numpy as np

　　d1 = np.random.random((2,3)) #注意區(qū)別多(少)了一對(duì)()

　　d2 = np.random.rand(2,3)

　　display(d1,d2)

　　np.random.randn() 服從正態(tài)分布的從0­～1之間的隨機(jī)數(shù)

　　dn = np.random.randn(2,3)

　　display(dn)

　　np.random.normal() 指定均值和方差的正態(tài)分布

　　# loc：float 此概率分布的均值(對(duì)應(yīng)著整個(gè)分布的中心centre)

　　# scale：float 此概率分布的標(biāo)準(zhǔn)差(對(duì)應(yīng)于分布的寬度，scale越大越矮胖，scale越小，越瘦高)

　　# size：int or tuple of ints 輸出的shape，默認(rèn)為None，只輸出一個(gè)值

　　dn= np.random.normal(loc=4, scale=0.01, size=4)

　　dn1= np.random.normal(loc=4, scale=0.01, size=(2,4))

　　display(dn,dn1)

　　np.random.randint() 隨機(jī)整數(shù)

　　# 在1-10范圍里，隨機(jī)生成5個(gè)int32類(lèi)型的數(shù)值，生成的結(jié)果集可能出現(xiàn)重復(fù)數(shù)值 arr1 = np.random.randint(1, high=10, size=5, dtype=np.int32) display(arr1) # 生成一個(gè)指定范圍[-10,0]的隨機(jī)二維數(shù)組 arr2 = np.random.randint(-10, high=10, size=(4, 6), dtype=np.int32) display(arr2)

　　np.random.choice() 從指定數(shù)據(jù)集中，隨機(jī)抽選一個(gè)數(shù)據(jù)

　　# 從數(shù)值集合中，按照指定概率生成隨機(jī)數(shù)，參數(shù)P的總和一定得是1

　　arr = np.random.choice([0,3,5,7,8,9], p=[0.1, 0.2, 0.3, 0.4,0.2,0.5]) display(arr)

　　數(shù)學(xué)函數(shù)與運(yùn)算操作

　　數(shù)學(xué)相關(guān)

　　Numpy提供了許多數(shù)學(xué)操作相關(guān)函數(shù)，常用的函數(shù)有：

　　abs / fabs ：絕對(duì)值

　　ceil / floor ：向上/向下取整

　　log / log2 / log10 ：對(duì)數(shù)

　　exp ：e為底的指數(shù)

　　modf ：將浮點(diǎn)數(shù)num分解成整數(shù)部分和小數(shù)部分。

　　sin / sinh / cos / cosh ：正玄、余玄...

　　sqrt ：開(kāi)平方

　　import numpy as np

　　arr = np.array([[-1,1.2,0.8,-3.9],[-6,1,-1.8,0.9]])

　　display(arr)

　　#絕對(duì)值

　　a = np.abs(arr)

　　display(a)

　　#向上/向下取整

　　b = np.ceil(arr)

　　b1 = np.floor(arr)

　　display(b,b1)

　　# 對(duì)數(shù)函數(shù)

　　c = np.log(arr)

　　display(c)

　　# e為底數(shù)的指數(shù)函數(shù)

　　d = np.exp(arr)

　　display(d)

　　# 浮點(diǎn)數(shù)拆分成 整數(shù) 和 浮點(diǎn)數(shù) 兩部分

　　# 返回一個(gè)元組，含有兩個(gè)元素(數(shù)組類(lèi)型)，第一個(gè)元素返回小數(shù)部分，第二個(gè)元素返回整數(shù)部分。

　　e = np.modf(arr)

　　display(e)

　　#開(kāi)平方

　　f = np.sqrt(arr)

　　display(f)

　　運(yùn)算相關(guān)的有：

　　數(shù)組與數(shù)(一維數(shù)組與一維數(shù)組)的運(yùn)算(加+、減­、乘*、除/、取整//、取模%、平方 * * 、立方 * * * )：

　　加：“+” 或者np.add(a, b)

　　減：“­-” 或者np.subtract(a, b)

　　乘：“*” 或者np.multiply(a, b)

　　除：“/” 或者np.divide(a, b)

　　次方：“ ** ” ，如2^7=2**7

　　取整函數(shù)：“ // ”或者 np.ceil(), np.floor(), np.trunc()/fix(), np.rint(), np.around()

　　取模：“%”或者np.mod()和np.remainder()

　　矩陣乘積：np.dot(a, b)

　　判斷： > 、 >= 、< 、 <= 、 == 、 !=

　　條件：all() 、any()

　　邏輯條件： & 、 | 、 !

　　上篇文章我們提到過(guò)運(yùn)算相關(guān)的符號(hào)，當(dāng)然每個(gè)符號(hào)還有對(duì)應(yīng)的方法。在Numpy中的運(yùn)算基本都是遵守廣播機(jī)制的。現(xiàn)在我們?cè)诳匆幌玛P(guān)系運(yùn)算符：

　　import numpy as np

　　arr1 = np.array([1,2,3,4,5])

　　arr2 = np.array([0,2,-5,-4,8])

　　display(arr1>arr2,arr1<arr2,arr1!=arr2,arr1==arr2)< p="">

　　結(jié)果如下：

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

　　其中all()和any()返回的也是bool類(lèi)型的結(jié)果,any()表示只要有一個(gè)True 就返回 True,all()表示所有為T(mén)rue 就返回 True

　　display(np.all(arr1),np.any(arr2))

　　邏輯運(yùn)算符的使用：

　　np.all(arr1<0) & np.all(arr2>0)

　　數(shù)組的鏈接(拼接、組合)和拆分

　　np.concatenate 對(duì)多個(gè)數(shù)組按指定軸的方向進(jìn)行連接。

　　np.stack / np.vstack / np.hstack / np.dstack / np.tile 組合

　　np.split / np.hsplit / np.vsplit / np.dsplit 拆分

　　本文章不做具體講解，可以參看上篇文章

　　排序與去重

　　np.unique( arr,return_index,return_inverse,return_counts,axis) : 返回ndarray中的元素，排除重復(fù)元素之后，并進(jìn)行排序

　　np.sort( ndarray) : 作為函數(shù)使用時(shí)，不更改被排序的原始arrays,返回副本

　　arr = np.array([[1,2,3,4,5,5,6,6,6,8],[2,2,3,4,5,5,6,6,7,9]])

　　arr = np.unique(arr)

　　display(arr)

　　arr1 = np.array([1,5,6,6,6,2,3,4,5])

　　arr1 = np.sort(arr1)

　　display(arr1)

　　結(jié)果：

　　array([1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([1, 2, 3, 4, 5, 5, 6, 6, 6])

　　改變形狀與數(shù)組扁平化

　　我們可以通過(guò)數(shù)組對(duì)象的reshape方法(或者np的reshape函數(shù))來(lái)改變數(shù)組的形狀。

　　arr1 = np.arange(30).reshape(3, 10)

　　arr2 = np.arange(30).reshape(5, -1)

　　# 也可以使用

　　a = np.arange(10)

　　b = np.reshape(a, (2,5))

　　display(b)

　　我們可以通過(guò)調(diào)用ravel或flatten方法，對(duì)數(shù)組對(duì)象進(jìn)行扁平化處理。

　　np.ravel / ravel

　　flatten

　　shape, reshape, resize, ravel

　　二者的區(qū)別在于，ravel返回原數(shù)組的視圖，而flatten返回原數(shù)組的拷貝。

　　x = np.arange(16).reshape(4, 4)

　　display(x.ravel())

　　display(np.ravel(x))

　　display(x.flatten())

　　結(jié)果：

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　統(tǒng)計(jì)函數(shù)

　　Numpy(或數(shù)組對(duì)象)具有如下常用的統(tǒng)計(jì)函數(shù)。

　　mean / sum / prod(乘積)

　　max / min / amax / amin

　　argmax / argmin

　　std / var

　　cumsum / cumprod

　　all / any

　　median / percentile

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機(jī)生成4行5列的數(shù)組

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求積

　　print(np.std(a)) # 求標(biāo)準(zhǔn)差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位數(shù)

　　print(np.argmax(a)) # 最大值索引

　　print(np.argmin(a)) # 最小值索引

　　當(dāng)然也可以指定axis進(jìn)行計(jì)算，比如按照軸進(jìn)行計(jì)算，比如axis=0即列軸計(jì)算

　　print(np.mean(a,axis=0)) # 平均值

　　print(np.max(a,axis=0)) # 最大值

　　print(np.min(a,axis=0)) # 最小值

　　print(np.sum(a,axis=0)) # 求和

　　Ndarray對(duì)象屬性與索引使用

　　Ndarray對(duì)象的屬性

　　ndim ­ 維度數(shù)

　　shape ­ 維度/形狀

　　dtype ­ 元數(shù)數(shù)據(jù)類(lèi)型

　　size ­ 元素個(gè)數(shù)

　　itemsize ­ 返回?cái)?shù)組元素占用空間的大小。以字節(jié)為單位

　　nbytes ­ 總字節(jié)數(shù) = size * itemsize

　　T ­ 數(shù)組對(duì)象的轉(zhuǎn)置視圖

　　flat ­ 扁平迭代器

　　arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

　　print(arr.ndim) #維度數(shù)

　　print(arr.shape) #維度形狀

　　print(arr.dtype) #元數(shù)數(shù)據(jù)類(lèi)型

　　print(arr.size) #元素個(gè)數(shù)

　　print(arr.itemsize) # 返回?cái)?shù)組元素占用空間的大小。以字節(jié)為單位

　　print(arr.nbytes) #返回占用空間的總長(zhǎng)度

　　Ndarray對(duì)象的切片和索引

　　當(dāng)然Numpy的方法有很多也是可以轉(zhuǎn)成ndarray中的方法使用，比如統(tǒng)計(jì)函數(shù)

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機(jī)生成4行5列的數(shù)組

　　print(np.mean(a)) # 平均值

　　print(a.mean()) # 通過(guò)ndarray對(duì)象調(diào)用mean方法

　　print(np.max(a)) # 最大值

　　print(a.max()) # 通過(guò)ndarray對(duì)象調(diào)用max方法

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機(jī)生成4行5列的數(shù)組

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求積

　　print(np.std(a)) # 求標(biāo)準(zhǔn)差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位數(shù)

　　print(np.argmax(a)) # 最大值索引

　　print(np.argmin(a)) # 最小值索引

　　更多關(guān)于“Python培訓(xùn)”的問(wèn)題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學(xué)，課程大綱緊跟企業(yè)需求，更科學(xué)更嚴(yán)謹(jǐn)，每年培養(yǎng)泛IT人才近2萬(wàn)人。不論你是零基礎(chǔ)還是想提升，都可以找到適合的班型，千鋒教育隨時(shí)歡迎你來(lái)試聽(tīng)。