|
Python 数据分析（一）：NumPy 基础知识 |
|
旁观者
L21
• 2021-03-07 • 回复 0 • 只看楼主
• 举报
|
1. 简介
NumPy（Numerical Python）是一个开源的 Python 科学计算扩展库，主要用来处理任意维度数组与矩阵，通常对于相同的计算任务，使用 NumPy 要比直接使用 Python 基本数据结构要简单、高效的多。安装使用 pip install numpy 命令即可。
2. 使用
2.1 ndarray
ndarray 即 n 维数数组类型，它是一个相同数据类型的集合，以 0 下标为开始进行集合中元素的索引。
创建数组可以使用 NumPy 的 array 方法，具体格式如下：
array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
-
p_object：数组或嵌套的数列
-
dtype：数组元素的数据类型
-
copy：是否需要复制
-
order：创建数组的样式，C 为行方向，F 为列方向，A 为任意方向（默认）
-
subok：默认返回一个与基类类型一致的数组
-
ndmin：生成数组的最小维度
当然，还可以使用 arange 方法，下面看一下具体使用示例。
创建数组
看一下如何创建一维数组
import numpy as nparr1 = np.array([1, 2, 3, 4, 5])arr2 = np.array(range(1, 6))arr3 = np.arange(1, 6)print (arr1)print (arr2)print (arr3)
看一下如何创建多维数组，以二维数组为例
import numpy as nparr = np.array([[1, 2], [3, 4], [5, 6]])print(arr)
常用属性
通过示例来看一下 ndarray 对象的常用属性
import numpy as nparr = np.array([1, 2, 3])# 元素类型print(arr.dtype)# 形状print(arr.shape)# 元素个数print(arr.size)# 维度print(arr.ndim)# 每个元素大小（字节）print(arr.itemsize)
改变数组的形状
import numpy as nparr = np.arange(30)print(arr)# 变成二维数组arr.shape = (5, 6)print(arr)# 变成三维数组arr = arr.reshape((2, 3, 5))print(arr)
2.2 数据类型
通过下表来看一下 NumPy 的常用数据类型。
| 类型 | 描述 |
|---|---|
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| bool_ | 布尔型数据类型（True 或者 False） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
通过示例来看一下如何修改数据类型。
import numpy as nparr1 = np.array([1, 2, 3])arr2 = np.array([1.111, 2.222, 3.333])# 当前数据类型print(arr1.dtype)# 修改数据类型arr1 = arr1.astype(np.int64)print(arr1.dtype)# 保留一位小数arr2 = np.round(arr2, 1)print(arr2)
2.3 索引与切片
NumPy 数组支持索引、切片操作，还可以进行迭代，先看一下一维数组。
import numpy as nparr = np.array([1, 2, 3, 4, 5, 6])print(arr[3])# 修改元素值arr[3] = 10print(arr[3])print(arr[2:])print(arr[2:4])print(arr[4:])for i in arr:print(i)
再看一下多维数组的这些操作。
import numpy as nparr = np.arange(12).reshape(3, 4)print(arr)# 取某一个值print(arr[2, 3])# 取多个不连续的值print(arr[[0, 2],[1, 3]])# 取一行print(arr[0])# 连续取多行print(arr[1:])# 取不连续的多行print(arr[[0, 2]])# 取一列print(arr[:, 0])# 连续取多列print(arr[:, 2:])# 取不连续的多列print(arr[:, [0, 2]])
2.4 副本与视图
视图（浅复制）只是原有数据的一个引用，通过该引用可访问、操作原有数据，如果我们对视图进行修改，它会影响原始数据，因为浅复制共享内存。
副本（深复制）是对数据的完整拷贝，如果我们对副本进行修改，它不会影响到原始数据，因为深复制不共享内存。
调用 ndarray 的 view() 方法会产生一个视图，下面通过示例来看一下。
import numpy as npa = np.arange(6).reshape(2,3)# 创建视图b = a.view()print('a的id：', id(a))print('b的id：', id(b))# 修改 b 的形状b.shape = 3,2print('a的形状：')print(a)print('b的形状：')print(b)print(a is b)
调用 ndarray 的 copy() 方法会产生一个副本，下面通过示例来看一下。
import numpy as npa = np.arange(1, 6)# 创建副本b = a.copy()print(a is b)b[1] = 10print(a[1])print(b[1])
2.5 轴的概念
NumPy 中的轴简单来说就是方向的意思，使用数字 0、1、2 表示，一维数组只有 0 轴，二维数组有 0、1 轴，三维数组有 0、1、2 轴，了解轴的相应概念可以方便我们进行相应计算。
2.6 基本运算
数组与数字之间运算
看一下数组与数字之间的加、减、乘、除运算。
import numpy as nparr = np.arange(12).reshape(3, 4)print(arr + 3)print(arr - 1)print(arr * 2)print(arr / 3)
数组与数组之间运算
看一下数组与数组之间的运算。
import numpy as np# 相同行数，相同列数a = np.arange(12).reshape(3, 4)b = np.arange(20, 32).reshape(3, 4)print(a + b)print(b * a)# 相同行数c = np.arange(12).reshape(3, 4)d = np.arange(3).reshape(3, 1)print(c + d)print(c - d)# 相同列数e = np.arange(12).reshape(4, 3)f = np.arange(3).reshape(1, 3)print(e * f)print(e - f)
常用数学运算
import numpy as nparr = np.array([[33, 55], [11, 66], [22, 99]])print(arr)# 最大值print(np.max(arr))# 最小值print(np.min(arr))# 某一轴上的最大值print(np.max(arr, 1))# 某一轴上的最小值print(np.min(arr, 1))# 平均值print(np.mean(arr))# 某一行、一列的平均值print(np.mean(arr, axis=1))# 最大值索引print(np.argmax(arr))print(np.argmax(arr, axis=1))# 最小值索引print(np.argmin(arr))print(np.argmin(arr, axis=1))# 极差print(np.ptp(arr))print(np.ptp(arr, axis=1))# 方差print(np.var(arr))# 标准差print(np.std(arr))# 中位数print(np.median(arr))
2.7 常用操作
添加操作
NumPy 的 append() 方法可以在数组的末尾添加值，该操作会分配至整个数组，并把原数组复制到新数组，该操作需保证输入的维度匹配，下面看一下使用示例。
import numpy as nparr = np.array([[1, 3, 5], [2, 4, 6]])# 添加元素print(np.append(arr, [1, 1, 3]))# 沿 0 轴添加元素print(np.append(arr, [[1, 1, 3]], axis=0))# 沿 1 轴添加元素print(np.append(arr, [[1, 1, 3], [2, 1, 5]], axis=1))
我们还可以使用 insert() 方法进行添加操作，该方法在给定索引前沿给定轴向数组中插入值，下面看一下使用示例。
import numpy as nparr = np.array([[1, 3, 5], [2, 4, 6]])# 添加元素print(np.insert(arr, 1, [1, 1, 3]))# 沿 0 轴添加元素print(np.insert(arr, 1, [1, 1, 3], axis=0))# 沿 1 轴添加元素print(np.insert(arr, 1, [1, 5], axis=1))
删除操作
NumPy 的 delete() 可以对数组进行删除操作，下面看一下使用示例。
import numpy as nparr = np.array([[1, 3, 5], [2, 4, 6]])# 删除元素print(np.delete(arr, 1))# 沿 0 轴删除元素print(np.delete(arr, 1, axis=0))# 沿 1 轴删除元素print(np.delete(arr, 1, axis=1))
去重操作
NumPy 的 unique() 方法可以去除数组中的重复元素。
import numpy as nparr = np.array([1, 3, 5, 2, 4, 6, 1, 5, 3])# 去除重复元素print(np.unique(arr))# 去重数组的索引数组u, indices = np.unique(arr, return_index=True)print(indices)# 去重元素的重复数量u, indices = np.unique(arr, return_counts=True)print(indices)
END
