day17 学习笔记

---

前言

通过今天的学习，我掌握了numpy中有关增删改查以及部分常用统计函数的使用方法

---

一、数组的增删改查

1.resize函数

• 与reshape函数的功能相近，但可以生成任意形状的新数组，会自动根据输入的形状进行元素填充
• 如果元素数量不够，重复数组元素来填充新的形状；若数量过多，则舍弃多余元素

array_one = np.arange(6).reshape(2, 3)
print(array_one)
print('resize 后数组：\n', np.resize(array_one, (3, 3)))
print('resize 后数组：\n', np.resize(array_one, (2, 2)))

2.append函数

• 数组与列表相似，也有append方法，用于将元素追加到数组的末尾
• append(arr, values, axis=None)
• 当指定axis时，要求添加的数组与对应维度的形状一致

arr = np.arange(6).reshape(2,3)
print(arr)
arr_1 = np.append(arr,[[1,1,1],[1,1,1]])
print(arr_1)
arr_1 = np.append(arr,[[1,1,1],[1,1,1],[1,1,1]],axis=0)
print(arr_1)
arr_1 = np.append(arr,[[1,1,1,1],[1,1,1,1]],axis=1)
print(arr_1)

tips：可以这样理解axis的含义：

3.insert函数

• 向数组指定索引位置插入元素
• insert(arr, idx, values, axis)
• 该函数会自动使用广播机制

arr = np.arange(6).reshape(2,3)
arr1 = np.insert(arr,1,[6]) #未指定axis返回一维数组
print(arr1)
arr1 = np.insert(arr,1,[6],axis=0) #在索引为1的行插入[6],并自动广播
print(arr1)
arr1 = np.insert(arr,1,[6],axis=1) #在索引为1的列插入[6],并自动广播
print(arr1)

4.delete函数

• 删除指定索引的元素
• delete(arr, obj, axis)

arr = np.arange(6).reshape(2,3)
arr1 = np.delete(arr,[1]) #未指定axis，先将数组转化为一维，再删除索引为1的元素
print(arr1)
arr1 = np.delete(arr,[1],axis=0) #删除索引为1的行
print(arr1)
arr1 = np.delete(arr,[1],axis=1) #删除索引为1的列
print(arr1)

5.argwhere函数

• 返回数组中非0元素的索引
• 若是多维数组，则返回包含行列索引坐标的数组

arr = np.arange(6).reshape(2,1,3)
print(arr)
print(np.argwhere(arr))
print(np.argwhere(arr<3)) #可以结合使用布尔索引

• where函数返回一个元组，功能与argwhere相似，使用更加方便
• 当where函数有三个参数时，它会根据条件来选择元素，第一个参数是条件，第二个参数是满足条件时选择的值，第三个参数是不满足条件时选择的值

arr = np.array([1, 2, 3, 4, 5])
new_arr = np.where(arr > 3, 10, 0)
print("新数组：")
print(new_arr)

6.unique函数

• 去除数组中的重复元素
• unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None)
  return_index：如果为 True，则返回新数组元素在原数组中的位置（索引）
  return_inverse：如果为 True，则返回原数组元素在新数组中的位置（逆索引）
  return_counts：如果为 True，则返回去重后的数组元素在原数组中出现的次数

arr = np.array([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
unique_elements, inverse_indices = np.unique(arr,return_inverse=True)
print(np.unique(arr))
print(inverse_indices) #逆索引

二、统计函数

1.amax，amin函数

• 找出数组中的最大，最小值（可以指定axis）

arr = np.arange(6).reshape(2,3)
print(arr)
print(np.amax(arr))
print(np.amax(arr,axis=0)) #找出每一列的最大值
print(np.amax(arr,axis=1)) #找出每一行的最大值

2.ptp函数

• 计算数组元素的极差值（可指定axis）

arr = np.arange(6).reshape(2,3)
print(arr)
print(np.ptp(arr))
print(np.ptp(arr,axis=0)) 
print(np.ptp(arr,axis=1))

3.median函数

• 将数组元素由小到大排序后取中位数（可指定axis）

arr = np.arange(6).reshape(2,3)
print(np.median(arr))
print(np.median(arr,axis=0))
print(np.median(arr,axis=1))

4.mean函数

• 计算数组元素的算数平均数（可指定axis）

arr = np.arange(6).reshape(2,3)
print(np.mean(arr))
print(np.mean(arr,axis=0))
print(np.mean(arr,axis=1))

5.average函数

• 计算数组元素的加权平均值（可指定axis）
• 相较于平均值，可以减少极差对数据均值的影响

arr = np.array([1, 2, 3, 4, 5])
weights = np.array([0.1, 0.2, 0.3, 0.2,0.2])
average_value = np.average(arr, weights=weights)
print(average_value)

6.var，std函数

• 计算数组元素的方差和标准差

arr = np.array([1, 2, 3, 4, 5])
print(np.std(arr))
print(np.var(arr)) #总体方差
print(np.var(arr,ddof=1)) #样本方差,总体方差的无偏估计

---

THE END