《python数据分析组键篇》之numpy-白红宇

《python数据分析组键篇》之numpy

阅读量：4230 次

发布时间：2019-05-26

本文共 3743 字，大约阅读时间需要 12 分钟。

前言

python中的list可以存放多种元素，造成了维护成本高，遍历速度慢，所以采用使用底层语言写的numpy，提高了速度。

第一部分ndarry

import numpy as nplis = [[1,2],[1,3]]print type(lis)#
   
    np_lis1 = np.array(lis)np_lis2 = np.array(lis,dtype=np.float)print type(np_lis1)print type(np_lis2)#
    
     #
     
      print np_lis1.shape     # 形状 :  几行几列:(2L, 2L)print np_lis1.ndim      # 维度 :  2print np_lis1.dtype     # 类型 :  int32print np_lis2.dtype     # 类型 :  float64print np_lis1.itemsize  # 每个元素大小 : 4字节print np_lis1.size      # 大小 : 一共有多少元素 4个,注意不是两个。

np只允许有一种数据类型，如bool, int8/16/32/64, float16/32/64,complex复数等等，正因为如此，则需要限定其元素类型

使用

np_lis = np.array(lis,dtype=np.float)

注意：dtype的类型需要加np

np.array 中的特殊属性

np.shape # 形状 : 几行几列

np.ndim # 维度

np.dtype # 类型

np.itemsize # 每个元素大小字节

np.size # 大小 : 一共包含所有的元素个数

第二部分常用Array

import numpy as npnp.zeros([2,4])# 2行4列的0矩阵               np.ones([3,5])                # 3行5列的单位矩阵np.random.rand(2,4)           # 2行4列的随机数(均匀分布)np.random.rand()              # 一个随机数  : 0.18846516np.random.randint(1,10,2)     # 随机整数 low high size : [9 3]np.random.randn(2,4)          # 标准正态分布np.random.choice([10,20,30])  # 选择指定数组的随机数 : 10np.random.beta(1,10,5)        #B分布 1-10 生成5  low high size

第三部分 Array 的常用操作

numpy是可以的改变的

import numpy as npprint np.arange(1,11)                 # 等差数列 ，1到10print np.arange(1,11).reshape(2,5)    # reshape 修改数组维度print np.arange(1,11).reshape(2,-1)   # 其中5可以缺省为负数print "---------------------"lis = np.arange(1,11).reshape(2,-1)print np.exp(lis)    # 自然指数print np.exp2(lis)   # 自然指数的平方print np.sqrt(lis)   # 开方print np.sin(lis)print np.cos(lis)print np.log(lis)    # 对数

输出结果

np.arange(1,11)

np.arange(1,11).reshape(2,5)

[[ 1 2 3 4 5]

[ 6 7 8 9 10]]

np.arange(1,11).reshape(2,-1)

[[ 1 2 3 4 5]

[ 6 7 8 9 10]]

函数操作

import numpy as nplis = np.array([[[1,2,3,4],[4,5,6,7]],                [[7,8,9,10],[10,11,12,13]],                [[14,15,16,17],[18,19,20,21]]                ])print lis.sum()          #252 所有的元素的求和# 可以通过维度进行求和，从0开始，深度从浅到深print lis.sum(axis=0)# 深度最浅，则认为是三个元素，每个元素对应位置相加，计算深度为最外层# [[22 25 28 31],[32 35 38 41]]print lis.sum(axis=1)# 深度为1 ，则进入每个元素中，在每个元素的对应位置相加，计算深度为每个元素层#[[ 5  7  9 11],[17 19 21 23],[32 34 36 38]]print lis.sum(axis=2)# 深度为2, 则进入每个元素中的小元素，对每个小元素求和，计算深度为每个元素内的元素层#[[10 22],[34 46],[62 78]]# 类似的有相似的函数lis.max(axis=)lis.min(axis=)

两个array的操作

import numpy as nplis1 = np.array([10,20,30,40])lis2 = np.array([4,3,2,1])print lis1+lis2     # [14 23 32 41]print lis1-lis2     # [ 6 17 28 39]print lis1*lis2     # [40 60 60 40]print lis1/lis2     # [ 2  6 15 40]# 平方print lis1**2       # [ 100  400  900 1600]# 点乘print np.dot(lis1.reshape([2,2]),lis2.reshape([2,2]))# [[ 80  50]#  [200 130]]# 追加print np.concatenate((lis1,lis2),axis=0)#np.concatenate(a_tuple=,axis=)#[10 20 30 40  4  3  2  1]# 追加成两行print np.vstack((lis1,lis2))# [[10 20 30 40]#  [ 4  3  2  1]]# 追加成一行print np.hstack((lis1,lis2))# [10 20 30 40  4  3  2  1]print "---------------------------"ls1 = [10,20,30,40]ls2 = [4,3,2,1]print ls1+ls2   #追加# [10, 20, 30, 40, 4, 3, 2, 1]# 区别就是 这是个list 有逗号

第四部分矩阵操作和线性方程组

import numpy as npfrom numpy.linalg import *# numpy.linalg模块包含线性代数的函数。使用这个模块，# 可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。# 生成单位矩阵lst = np.eye(3)print lst# [[ 1.  0.  0.]#  [ 0.  1.  0.]#  [ 0.  0.  1.]]lis = np.array([[1.,2.],[3.,4.]])print '矩阵的逆：'print inv(lis)print '矩阵的转置：'print lis.transpose()print '行列式：'print det(lis)print '特征值和特征向量：'print eig(lis)   # 结果第一个array是特征值第二array是特征向量print '解方程组：'y = np.array([[5.],[7.]])print solve(lis,y)

输出结果：

单位矩阵 np.eye()

[[ 1. 0. 0.]

[ 0. 1. 0.]

[ 0. 0. 1.]]

矩阵的逆： inv(lis)

[[-2. 1. ]

[ 1.5 -0.5]]

矩阵的转置：lis.transpose

[[ 1. 3.]

[ 2. 4.]]

行列式：det(lis)