python numpy基础 数组和矢量计算
cjcz1854
8年前
<p>在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率,</p> <p>类似于R的向量化操作,使得数据的操作趋于简单化,在python 中是使用numpy模块可以进行数组和矢量计算。</p> <p>下面来看下简单的例子</p> <pre> <code class="language-python">importnumpyas np data=np.array([2,5,6,8,3]) #构造一个简单的数组 print(data) </code></pre> <p>结果:</p> <p>[2 5 6 8 3]</p> <pre> <code class="language-python">data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组 print(data1) </code></pre> <p>结果:</p> <p>[[2 5 6 8 3]</p> <p>[0 1 2 3 4]]</p> <p>我们也可以通过shape和dtype方法查看数组的维度和数据格式</p> <pre> <code class="language-python">print(data.shape) print(data.dtype) print(data1.shape) print(data1.dtype) </code></pre> <p>结果:</p> <p>(5,)</p> <p>int32</p> <p>(2, 5)</p> <p>int32</p> <p>可以看出data是一维数组,每组元素为5个,数据类型为32位int 类型</p> <p>data1 为二维数组,每个组有5个元素,数据类型为32位int类型</p> <p>有一个较好的区分方法是看打印结果中,中括号的层数和位置,就可以看出数组的维度,一层中括号代表一个维度。</p> <p>其他的数组属性方法还有:</p> <p>array.ndim 数组的维数,一维数组结果为1,二维数组打印结果为2</p> <p>array.size 数组的元素个数</p> <p>array.itemsiz 数组每个元素的字节大小</p> <p>接下来我们了解下数组中的数据类型:</p> <table cellspacing="1"> <caption> NumPy中的基本数据类型 </caption> <tbody> <tr> <td>名称</td> <td>描述</td> </tr> <tr> <td>bool</td> <td>用一个字节存储的布尔类型(True或False)</td> </tr> <tr> <td>inti</td> <td>由所在平台决定其大小的整数(一般为int32或int64)</td> </tr> <tr> <td>int8</td> <td>一个字节大小,-128 至 127</td> </tr> <tr> <td>int16</td> <td>整数,-32768 至 32767</td> </tr> <tr> <td>int32</td> <td>整数,-2 ** 31 至 2 ** 32 -1</td> </tr> <tr> <td>int64</td> <td>整数,-2 ** 63 至 2 ** 63 – 1</td> </tr> <tr> <td>uint8</td> <td>无符号整数,0 至 255</td> </tr> <tr> <td>uint16</td> <td>无符号整数,0 至 65535</td> </tr> <tr> <td>uint32</td> <td>无符号整数,0 至 2 ** 32 – 1</td> </tr> <tr> <td>uint64</td> <td>无符号整数,0 至 2 ** 64 – 1</td> </tr> <tr> <td>float16</td> <td>半精度浮点数:16位,正负号1位,指数5位,精度10位</td> </tr> <tr> <td>float32</td> <td>单精度浮点数:32位,正负号1位,指数8位,精度23位</td> </tr> <tr> <td>float64或float</td> <td>双精度浮点数:64位,正负号1位,指数11位,精度52位</td> </tr> <tr> <td>complex64</td> <td>复数,分别用两个32位浮点数表示实部和虚部</td> </tr> <tr> <td>complex128或complex</td> <td>复数,分别用两个64位浮点数表示实部和虚部</td> </tr> </tbody> </table> <p>基础的数组运算</p> <p>数组也可以进行我们常用的加减乘除运算</p> <pre> <code class="language-python">arr=np.array(np.arange(10)) arr1=np.array(np.arange(1,11)) print(arr*2) </code></pre> <p>结果:</p> <p>[ 0 2 4 6 8 10 12 14 16 18]</p> <pre> <code class="language-python"> print(arr+arr1) </code></pre> <p>结果:</p> <p>[ 1 3 5 7 9 11 13 15 17 19]</p> <p>注意,相加两个数组长度要一样</p> <p>接下来我们看下数组索引</p> <pre> <code class="language-python">arr=np.arange(10) </code></pre> <p>用下标直接进行索引</p> <pre> <code class="language-python">print(arr[5]) </code></pre> <p>结果为:</p> <p>5</p> <p>切片索引</p> <pre> <code class="language-python">print(arr[5:8]) </code></pre> <p>结果为:</p> <p>[5 6 7]</p> <p>可以利用索引对数据进行更改操作</p> <pre> <code class="language-python">arr[5]=120 print(arr) </code></pre> <p>结果为:</p> <p>[ 0 1 2 3 4 120 6 7 8 9]</p> <p>可以看到下标为5的数已经变成120了。</p> <p>此外,数组还可以进行布尔操作</p> <pre> <code class="language-python">arr=np.arange(5) name=np.array(['a','b','b','c','a']) print(name=='a') </code></pre> <p>结果为:</p> <p>[ True False False False True]</p> <p>即满足条件的数据全部以True的结果输出。</p> <p>接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作</p> <pre> <code class="language-python">print(arr[name=='a']) </code></pre> <p>结果为:</p> <p>[0 4]</p> <p>即把arr中对应于name中a相对应位置的元素打印出来。</p> <p>多条件操作</p> <pre> <code class="language-python">result=(name='a')|(name='c') print(result) print(name[result]) </code></pre> <p>结果为:</p> <p>[ True False False True True]</p> <p>[‘a’ ‘c’ ‘a’]</p> <p>接下来,我们了解下ufunc方法</p> <p>用于操作单个数组的函数有如下:</p> <p><img src="https://simg.open-open.com/show/7bd4e197d3dab7b68a381fae7b103065.png"></p> <p>用于操作两个或多个数组的方法</p> <p><img src="https://simg.open-open.com/show/a7b481fe267e1f65e528c4fda28081ab.png"></p> <p>相关的函数方法使用</p> <p>np.meshgrid 用于生成多维矩阵</p> <pre> <code class="language-python">a,b=np.meshgrid(np.arange(1,5),np.arange(2,4)) print(a) print(b) </code></pre> <p>结果为:</p> <p>[[1 2 3 4]</p> <p>[1 2 3 4]]</p> <p>[[2 2 2 2]</p> <p>[3 3 3 3]]</p> <p>按照数据最少的数组形成数组</p> <p>np.where 是三元表达式 x if condition else y的矢量化版本</p> <pre> <code class="language-python">arr1=np.arange(5) arr2=np.arange(20,25) condition=np.array([1,0,1,0,0]) result=np.where(condition,arr1,arr2) print(arr1) print(arr2) print(result) </code></pre> <p>结果为:</p> <p>[0 1 2 3 4]</p> <p>[20 21 22 23 24]</p> <p>[ 0 21 2 23 24]</p> <p>可以看出,result的结果中,条件为1的显示数组arr1的内容,条件为0的显示arr2的内容</p> <p>数学统计方法</p> <p>在数组中我们也可以使用数学统计方法进行计数,例如sum mean std 等</p> <pre> <code class="language-python">arr=np.random.randint(1,20,10) print(arr) print(np.mean(arr)) print(np.sum(arr)) print(np.std(arr)) </code></pre> <p>结果为:</p> <p>[19 14 8 13 13 10 10 9 19 7]</p> <p>12.2</p> <p>122</p> <p>4.01995024845</p> <p>具体的方法内容如下图所示:</p> <p><img src="https://simg.open-open.com/show/b2b2c74c6d1eda8656deb857f5c41eae.png"></p> <p>布尔型数组的相关统计方法</p> <pre> <code class="language-python">arr=np.arange(-20,10) result=(arr>5).sum() print(arr) print(result) </code></pre> <p>结果为:</p> <p>-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3</p> <p>-2 -1 0 1 2 3 4 5 6 7 8 9]</p> <p>4</p> <p>可以对数据进行判断后进行个数求和</p> <p>其他的数组方法还有</p> <p><img src="https://simg.open-open.com/show/cd592f539de04954493069c7315d66fa.png"></p> <p>数据的读取和存储</p> <p><img src="https://simg.open-open.com/show/83c0e7b1827521053a1b1b79971266f6.png"></p> <p>线性函数的常用方法</p> <pre> <code class="language-python">arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)]) print(arr) print(np.dot(arr,2)) </code></pre> <p>结果为</p> <p>[[ 4 6 5 1 6]</p> <p>[14 16 11 10 18]]</p> <p>[[ 8 12 10 2 12]</p> <p>[28 32 22 20 36]]</p> <p>dot方法可以进行矩阵相乘操作</p> <p>其他方法如下图</p> <p><img src="https://simg.open-open.com/show/69937376e4d56908ec5fa4cd8209bb59.png"></p> <p>最后我们了解下numpy中的随机数生成方法</p> <p>上面的很多例子中我们已经用到了随机数生成,</p> <pre> <code class="language-python">arr=np.random.random(10) print(arr) </code></pre> <p>结果为</p> <p>[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776</p> <p>0.42150977 0.27728599 0.50888291 0.62288808]</p> <p>其他形式的随机数生成方法</p> <p><img src="https://simg.open-open.com/show/6e5cf13de351db5052e4f3e3803e7235.png"></p> <p>了解以上numpy的操作方法,基本的数据操作问题应该不是很大了。</p> <p> </p> <p>来自:http://python.jobbole.com/87352/</p> <p> </p>