1.numpy的导入以及查看版本

成都创新互联致力于互联网品牌建设与网络营销，包括成都网站设计、网站建设、SEO优化、网络推广、整站优化营销策划推广、电子商务、移动互联网营销等。成都创新互联为不同类型的客户提供良好的互联网应用定制及解决方案，成都创新互联核心团队十年专注互联网开发，积累了丰富的网站经验，为广大企业客户提供一站式企业网站建设服务，在网站建设行业内树立了良好口碑。

>>> import numpy as np

>>> print(np.__version__)

1.15.4

2.创建一维(或多维)数组

# 通过list初始化来创建

>>> np.array([1,2,3,4,5])

array([1, 2, 3, 4, 5])

# 通过arange方法生成

>>> np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 指定创建范围和步长

>>> np.arange(3,10,2)

array([3, 5, 7, 9])

# 二维(3,3)

>>> np.array([[1,2,3],[4,5,6],[7,8,9]])

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

# 三维(2,2,2)

>>> np.array([[[1,3],[2,4]],[[3,6],[4,8]]])

array([[[1, 3],

[2, 4]],

[[3, 6],

[4, 8]]])

3.创建布尔数组

# 一维

>>> np.full(3, True, dtype=bool)

array([ True, True, True])

# 二维

>>> np.full((3, 3), True, dtype=bool)

array([[ True, True, True],

[ True, True, True],

[ True, True, True]])

4.从数组中提取(或替换)满足指定条件的元素

# 提取数组中的所有奇数

>>> arr = np.arange(10)

>>> arr[arr % 2 == 1]

array([1, 3, 5, 7, 9])

# 提取大于4的数

>>> arr[arr > 4]

array([5, 6, 7, 8, 9])

# 替换所有奇数为-1

>>> arr[arr % 2 == 1] = -1

>>> arr

array([ 0, -1, 2, -1, 4, -1, 6, -1, 8, -1])

5.改变数组的形状

>>> arr = np.arange(12)

>>> arr.reshape(2,6)

array([[ 0, 1, 2, 3, 4, 5],

[ 6, 7, 8, 9, 10, 11]])

# 设为-1维数会自动匹配

>>> arr.reshape(3,-1)

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>> arr.reshape(2,2,3)

array([[[ 0, 1, 2],

[ 3, 4, 5]],

[[ 6, 7, 8],

[ 9, 10, 11]]])

6.类型转换

>>> a = np.arange(10)

>>> a.dtype

dtype('int32')

# 转换为 str 类型

>>> a.astype(str)

array(['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'], dtype='

# 转换为 float 类型

>>> a.astype(float)

array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

7.垂直合并数组

>>> a = np.arange(8).reshape(2,4)

>>> b = np.arange(8,12)

# 方法1

>>> np.vstack((a, b))

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

# 方法2

>>> np.row_stack((a,b))

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

# 方法3，注意 concatenate 垂直合并的两个数组维数要一致

>>> np.concatenate([a, b], axis=0)

Traceback (most recent call last):

File "", line 1, in

np.concatenate([a, b], axis=0)

ValueError: all the input arrays must have same number of dimensions

>>> np.concatenate([a, [b,b]], axis=0)

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11],

[ 8, 9, 10, 11]])

# 方法4，合并的两个数组维数要一致

>>> np.r_[a,[b,b]]

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11],

[ 8, 9, 10, 11]])

8.水平合并数组

>>> a = np.arange(8).reshape(2,4)

>>> b = np.arange(8,12).reshape(2,2)

# 方法1

>>> np.hstack((a,b))

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法2

>>> np.column_stack((a,b))

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法3

>>> np.concatenate([a, b], axis=1)

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

# 方法4

>>> np.c_[a,b]

array([[ 0, 1, 2, 3, 8, 9],

[ 4, 5, 6, 7, 10, 11]])

9.保存和读取txt(或csv)

>>> filename = 'data.txt' # or filename = 'data.csv'

>>> a = np.arange(12).reshape(3,4)

# 保存：fmt 指定保存的数据类型，delimiter 指定分隔符

>>> np.savetxt(filename, a, fmt='%d', delimiter=',')

# 读取：dtype 指定读取后的类型，delimiter 指定分隔符

>>> np.loadtxt(filename, dtype=float, delimiter=',')

array([[ 0., 1., 2., 3.],

[ 4., 5., 6., 7.],

[ 8., 9., 10., 11.]])

10.数组的特殊运算

>>> a = np.arange(10)

>>> a.sum() # 求和

45

>>> a.max() # 求最大值

9

>>> a.min() # 求最小值

0

>>> a.mean() # 求平均值

4.5

>>> a.ptp() # 求数组中元素最大值与最小值的差

9

>>> np.median(a) # 求数组的中位数

4.5

>>> np.std(a) # 求数组的标准差

2.8722813232690143

>>> np.var(a) # 求数组的方差

8.25

>>> a ** 2 # a中每个数平方

array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)

>>> a.dot(a) # 点积运算，对应元素相乘后求和，返回一个标量

285

>>> a.dot(a.T) # a.T是a的转置，也可以用 a.transpose()

285

11.创建零矩阵、1矩阵、单位阵

>>> np.zeros((2, 3)) # 零矩阵

array([[0., 0., 0.],

[0., 0., 0.]])

>>> np.ones((4, 3)) # 1矩阵

array([[1., 1., 1.],

[1., 1., 1.],

[1., 1., 1.],

[1., 1., 1.]])

>>> np.identity(3) # 单位阵，也可以用 np.eye(3)

array([[1., 0., 0.],

[0., 1., 0.],

[0., 0., 1.]])

12.矩阵的特殊运算

(1)array内积运算np.dot()

# 一维内积，对应元素相乘后求和

>>> A=np.array([1, 2, 3])

>>> B=np.array([4, 5, 6])

>>> A.dot(B) # or A.dot(B.T)

32 无锡×××医院 https://yyk.familydoctor.com.cn/20612/

# 二维内积，矩阵A[m,n]的列数等于矩阵B[n,p]的行数，与线性代数的矩阵乘法相同(C[i,j] = sum(A[i,k] * B[k,i]), k in [i,n])

# 假设C=A·B，则C[1,1] = A[1,1]*B[1,1] + A[1,2]*B[2,1] + A[1,3]*B[3,1] = 1*2 + 2*2 + 3*2 = 12

>>> A=np.array([[1, 2, 3], [4, 5, 6]]) # (2, 3)

>>> B=np.array([[2, 3], [2, 3], [2, 3]]) # (3, 2)

>>> A.dot(B) # or np.dot(A, B)

array([[12, 18],

[30, 45]])

(2)array元素乘法运算np.multiply()

# 元素的乘法运算是矩阵指对应元素相乘，可以用np.multiply()，也可以直接写" * "运算符

# 元素的乘法运算要求两个矩阵的维数必须要一致

# 一维数组

>>> A=np.array([1, 2, 3])

>>> B=np.array([4, 5, 6])

>>> A * B

array([ 4, 10, 18])

>>> np.multiply(A, B)

array([ 4, 10, 18])

# 二维数组

>>> A = np.arange(8)

>>> A = A.reshape(2,4)

>>> A

array([[0, 1, 2, 3],

[4, 5, 6, 7]])

>>> A * A

array([[ 0, 1, 4, 9],

[16, 25, 36, 49]])

>>> np.multiply(A, A)

array([[ 0, 1, 4, 9],

[16, 25, 36, 49]])

(3)matrix乘法运算

# matrix乘法运算可使用np.matmul()，也可使用" * "运算符

# matrix乘法运算与array的二维内积相同，所以也可以用np.dot()

>>> MA = np.matrix([[1, 2, 3], [4, 5, 6]])

>>> MB = np.matrix([[2, 3], [2, 3], [2, 3]])

>>> MA

matrix([[1, 2, 3],

[4, 5, 6]])

>>> MB

matrix([[2, 3],

[2, 3],

[2, 3]])

>>> MA * MB

matrix([[12, 18],

[30, 45]])

>>> np.matmul(MA, MB) # or np.dot(MA, MB), MA.dot(MB)

matrix([[12, 18],

[30, 45]])

(4)笛卡尔积运算

# 笛卡尔积也称为直积，其实就是集合的映射关系，可以用itertools.product()来实现

# 比如A={a, b}，B={1,2,3}，则A和B的笛卡尔积为{(a,1), (a,2), (a,3), (b,1), (b,2), (b,3)}

>>> import itertools

>>> A = np.array(['a', 'b'])

>>> B = np.array([1, 2, 3])

>>> D = itertools.product(A, B)

>>> list(D) # 直接转list，list中每个元素为tuple类型

[('a', 1), ('a', 2), ('a', 3), ('b', 1), ('b', 2), ('b', 3)]

# 也可以通过循环来遍历D

>>> for d in D:

print(d)

('a', 1)

('a', 2)

('a', 3)

('b', 1)

('b', 2)

('b', 3)

待更新：

python数据分析系列(二)——Matplotlib的使用

python数据分析系列(三)——Scipy的使用

分享文章：python数据分析系列之——Numpy的使用
标题链接：http://kswjz.com/article/gicdeh.html