[Python知识库]numpyday 学习

?import numpy as np
a=np.array([[1,2,3],[2,3,4]],dtype=np.float32)
print(a[:,2],a.dtype,a.size,a.ndim,a.shape)#dtype:数据元素类型,size:数据总个数,ndim:维度,可以看方括号个数,shape:(2,3)
print(a[0:1,0:2])#前面是行,后面是列,参数中间用:
#type:返回的是数据结构类型，如list、dict、numpy.ndarray、pandas.core.frame.DataFrame等
#dtype:返回的是数据元素类型，如int、str、float等。
#astype:改变数据元素类型如：float64 --> int32

# 固定数组

b=np.linspace(0,10,5)
c=np.arange(0,10,2)
print(b,c)

输出:[ 0. 2.5 5. 7.5 10. ] [0 2 4 6 8]

#均匀分布
d=np.random.uniform(low=-1,high=1,size=(2,3))
print(d.T)#d.T转置
#print(d.reshape(10,10))
#正态分布
e=np.random.normal(loc=5,scale=0.2,size=(2,3))#scale是标准差,loc是均值
print(e)
#数据类型修改
astype(),list等可以包含多种类型数据的不可以用dtype

# 形状修改

mport numpy as np
e=np.array([[1,2,3],[2,3,4]])
e.reshape((3,2))#对e没有修改
#e.resize((3,2))#对e修改了

数组去重:

temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])
np.unique(temp)#ndarray去重
set(temp.flatten())#set只能运行一维的,所以flatten是把ndarray从多维拍扁到一维

输出:{1, 2, 3, 4, 5, 6}

逻辑运算:

e[e>2]=9#修改了e
print(e)

输出:[[1 2 9] [2 9 9]]

np.all(e>2)#有一个为false,则输出false
np.any(e>2)#只要有一个为true,则输出为true

三元运算符

np.where(e>2,1,0)#没有修改e,第二个参数为符合条件的值修改的值,第三个参数为不符合条件修改的值

np.where(np.logical_and(e>1,e<3),1,0)#同上,只是有两个约束条件

np.where(np.logical_or(e>1,e<9),1,0)

#max:最大值,min:最小值,median:中位数,var:方差,std:标准差
#不同库的axis是不同的,这里的axis=0,求列,axis=1 or -1,求行的(最大)
#temp.max() 和np.max(temp)是一样的

#列表乘以5是列表的值复制5遍,加上一个数:无法加上一个数
#数组是否可以运算:可以运算:256*256*3 和 3 ? ? 9*1*7*1 和8*1*5 ? ?5*4 和 1 ?15*3*5 和15*1*1

要符合广播法则
?

#矩阵必须是二维的,np.mat():矩阵类型
import numpy as np

a=np.array([[1,2,3],[2,3,4]])
b=np.array([[1],[2],[3]])
c=np.dot(a,b)
d=np.matmul(a,b)
print(c)
print(d)

输出:

[[14]
 [20]]
[[14]
 [20]]

合并:

numpy.hstack #水平拼接

numpy.vstack #竖拼接

numpy.concatenate((a1,a2),axis=0) #水平或竖拼接?axis=0时:行数发生变化.axis=1时,列数发生变化

分割:

x=np.array([1,2,3,4,5,6])
print(np.split(x,3)) # 分三份
#np.split(x,[3,4]) # 按索引分割

读取数据:

np.genfromtxt("yyds.csv", delimiter=",") # 会有问题，只能读取数字类型的数据

一般都是用pandas去读,然后处理什么缺失值这类的,也是pandas,numpy应该发挥它的长处:计算能力

明天pandas...

?