python-数据分析工具-numpy
1 数组的索引和切片
1.1 一维数组索引和切片
import numpy as np
# 生成等差array
data1 = np.arange(1,10,2)
data1 #结果 array([1, 3, 5, 7, 9])
# 1.一维数组索引
data1[1] #结果 3
# 2. 一维数组切片
data1[0:3] #结果 array([1, 3, 5])
# 3. 一维数组切片
data1[::2] #结果 array([1, 5, 9])
# 4.一维数组索引
data1[-1]#结果 9
1.2 多维数组
2 布尔索引
3 值的替换
4 广播机制
5 形状操作
5.1 数组叠加
hstack：代表水平方向叠加，要想叠加成功，行必须一致
vstack：代表垂直方向叠加，要想叠加成功，列必须一致
concatenate：手动指定叠加方向，axis=0 表示垂直方向叠加，axis=1表示水平方向叠加，axis=None表示叠加为一维数组。
import numpy as np
h1 = np.random.randint(0,10,size=(3,1))
h1 #结果:
'''array([[4],
[8],
[2]])'''
h2 = np.random.randint(0,10,size=(3,4))
h2 #结果：
'''array([[6, 9, 5, 0],
[6, 1, 9, 4],
[8, 8, 9, 8]])'''
h4 = np.random.randint(0,10,size=(1,4))
h4 # 结果
'''array([[2, 3, 5, 5]])'''
# 2.横向堆叠
h3 = np.hstack([h1,h2])
h3 #结果：
'''array([[4, 6, 9, 5, 0],
[8, 6, 1, 9, 4],
[2, 8, 8, 9, 8]])'''
# 3.使用concatenate进行自定义拼接
np.concatenate([h1,h2],axis=1) #横向拼接 结果：
'''array([[4, 6, 9, 5, 0],
[8, 6, 1, 9, 4],
[2, 8, 8, 9, 8]])'''
# 3.使用concatenate进行自定义堆叠
np.concatenate([h1,h2],axis=None)#拼接成一维数组 结果：
'''
array([4, 8, 2, 6, 9, 5, 0, 6, 1, 9, 4, 8, 8, 9, 8])
'''
# 3.使用concatenate进行自定义堆叠
np.concatenate([h2,h3],axis=0)#纵向拼接 结果
'''array([[6, 9, 5, 0],
[6, 1, 9, 4],
[8, 8, 9, 8],
[2, 3, 5, 5]])'''
5.2 数组分割
hsplit：水平方向分割。
vsplit：垂直方向分割。
split/array_split: 自定义分割，axis=1 水平分割，axis=0 垂直方向分割。
# 4.分割-水平方向分割
h5 = np.random.randint(0,100,size=(6,4))
h5
'''array([[13, 7, 29, 65],
[57, 50, 79, 12],
[ 9, 16, 82, 86],
[97, 62, 43, 92],
[66, 21, 78, 34],
[95, 33, 51, 63]])'''
np.hsplit(h5,2) # 将h5水平分割等分两个数组，被分割的列一定为指定分割数的倍数
'''[array([[13, 7],
[57, 50],
[ 9, 16],
[97, 62],
[66, 21],
[95, 33]]),
array([[29, 65],
[79, 12],
[82, 86],
[43, 92],
[78, 34],
[51, 63]])]'''
np.hsplit(h5,[1,3])#将h5从下标为1、3的地方水平分割
'''[array([[13],
[57],
[ 9],
[97],
[66],
[95]]),
array([[ 7, 29],
[50, 79],
[16, 82],
[62, 43],
[21, 78],
[33, 51]]),
array([[65],
[12],
[86],
[92],
[34],
[63]])]
'''
# 5 分割-纵向分割
np.vsplit(h5,3)
'''
[array([[13, 7, 29, 65],
[57, 50, 79, 12]]),
array([[ 9, 16, 82, 86],
[97, 62, 43, 92]]),
array([[66, 21, 78, 34],
[95, 33, 51, 63]])]
'''
np.vsplit(h5,[1,2])
'''
[array([[13, 7, 29, 65]]),
array([[57, 50, 79, 12]]),
array([[ 9, 16, 82, 86],
[97, 62, 43, 92],
[66, 21, 78, 34],
[95, 33, 51, 63]])]
'''
# 6 分割-自定义分割
np.split(h5,2,axis=1) #横向分割，按列分割
'''
[array([[13, 7],
[57, 50],
[ 9, 16],
[97, 62],
[66, 21],
[95, 33]]),
array([[29, 65],
[79, 12],
[82, 86],
[43, 92],
[78, 34],
[51, 63]])]
'''
np.split(h5,3,axis=0)#纵向分割，按行分割
'''
[array([[13, 7, 29, 65],
[57, 50, 79, 12]]),
array([[ 9, 16, 82, 86],
[97, 62, 43, 92]]),
array([[66, 21, 78, 34],
[95, 33, 51, 63]])]
'''
5.3 转置和轴对换
.T: T属性可对数组进行转置
.transpose：返回一个View(浅拷贝)，修改返回值，会影响到原来的数组
# 7 转置
h6 = np.random.randint(0,100,size=(3,1))
h6
'''
array([[52],
[17],
[80]])
'''
h6.T #T属性转置
'''
array([[52, 17, 80]])
'''
h7 = h6.transpose() #浅拷贝
h7
'''
array([[52, 17, 80]])
'''
h7[0,0]=100
h6
'''
array([[100],
[ 17],
[ 80]])
'''
5.4 矩阵乘法（线代乘法）
# 8 矩阵乘法
h6.dot(h6.T)
'''
array([[10000, 1700, 8000],
[ 1700, 289, 1360],
[ 8000, 1360, 6400]])
'''
6 浅拷贝和深拷贝
6.1 View/浅拷贝
对变量进行拷贝，但是它们指向的内存空间都是相同的。
下图示意
6.2 深拷贝
对变量进行拷贝，但是它们指向的内存空间都是不相同的。
7 文件操作
7.1 文件保存
np.savetxt(frame,array,fmt=’%.18e’,delimiter=None)
frame:文件、字符串或产生器，可以是.gz或.bz2文件
array：存入文件的数组
fmt：写入文件格式.
delimiter：分割字符串，默认是空格
7.2 加载数据
loadtxt(fname, dtype=<class ‘float’>, comments=’#’, delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding=‘bytes’, max_rows=None)
fname：解析文件名，一般为csv文件
dtype：数据类型转换
comments：最开始处的注释标识
delimiter：分隔符解析
skiprows：跳过多少行
7.3 save和load可以保存和加载多维数组
np.save(fname,array):npy后缀名文件，可不设置header
np.savez(fname,array):npz后缀名文件，压缩格式，可不设置header
np.load(fname):
8 NAN和INF值处理
8.1 简介
NAN:not a number。不是一个数字的意思，但它属于浮点类型，想要进行数据操作请注意它的类型。
特点：NAN和NAN是不相等的，NAN和任何值做运算，值都为NAN。
很多时候文件中存在缺失值，读取默认用NAN代替
inf：Infinity，代表无穷大，属于浮点类型，np.inf代表正无穷大，-np.inf代表负无穷大。2/0
8.2 删除缺失值
