31 数据分析（中）numpy介绍

工具

excel

略

Tableau

略

Power Query

略

jupyter

见个人链接：30 数据分析（上）链接

matplotlib

见个人链接：30 数据分析（上）链接

numpy

numpy实际上是用于科学计数的一个库，底层是使用c进行实现的，在学习tensor之前建议都先学习一遍numpy这个库，Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

安装

pip install numpy

导入包

import numpy as np

快速掌握（bushi）

array和list的相互转化

# list转化为nparray   方法 np.array
list1 = [1,2,3,4]
print(list1)
oneArray = np.array(list1) 
print(type(oneArray)) 
print(oneArray)
print('*'*50)# list转化为nparray 方法1 list
t2 = np.array(range(10))
print(t2) 
print(type(t2))
print(list(t2))  #list转回列表
print('*'*50)# list转化为nparray 方法2 np.tolist
t2 = np.array(range(10))
print(t2.tolist())
print('*'*50)

输出：

[1, 2, 3, 4]
<class 'numpy.ndarray'>
[1 2 3 4]
**************************************************
[0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
**************************************************
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
**************************************************

python list打印出来的元素之间有逗号，而ndarray是空格。

np的range

#np自带arange
t3 = np.arange(0,10,2)
print(t3) 
print(type(t3))

输出：

[0 2 4 6 8]
<class 'numpy.ndarray'>

多维数组的属性

# 多维数组的属性
Array = np.array([[1,2],[3,4],[5,6]])
# 获取数组长的什么样子
print(Array)
# 获取数组的维度( 注意： 与函数的参数很像) 
print(Array.ndim)
# 形状（行，列）
print(Array.shape)
# 有多少个元素
print(Array.size)

输出：

[[1 2][3 4][5 6]]
2
(3, 2)
6

array的改变形状

array1 = np.array([[1,2,3],[4,5,6]])
array2 = np.array([[1,2,3],[4,5,6]])
print(array1)
print('*'*50)# 修改形状方法1 修改了本身的array
array1.shape = (3,2)
print(array1)
print('*'*50)# 修改形状方法2 没有修改本身的array
re_array2 = array2.reshape(3,2)
print(array2)
print(re_array2)
print('*'*50)

输出：

[[1 2 3][4 5 6]]
**************************************************
[[1 2][3 4][5 6]]
**************************************************
[[1 2 3][4 5 6]]
[[1 2][3 4][5 6]]
**************************************************

array升降维度

array1 = np.array([[1,2,3],[4,5,6]])
print(array1)
print(array1.ndim)
print('*'*50)# 通用的升降维方式
re_array1 = array1.reshape(6)
print(re_array1)
print(re_array1.ndim)
re_array1 = array1.reshape(1,2,3)
print(re_array1)
print(re_array1.ndim)
print('*'*50)# 将多维变成一维数组
fla_array1 = array1.flatten()
print(fla_array1)
print('*'*50)

输出：

[[1 2 3][4 5 6]]
2
**************************************************
[1 2 3 4 5 6]
1
[[[1 2 3][4 5 6]]]
3
**************************************************
[1 2 3 4 5 6]
**************************************************

array内元素的类型

指定dtype的目的是减少内存的使用，提高运算效率

整数：

# np.int8到np.int64   16就是16bits
array = np.array([1,2,3,4,5], dtype = np.int16) # 返回数组中每个元素的字节单位长度,dtype设置数据类型
# itemsize 输出的就是所占的字节数
print(array.itemsize)
# 获取数据类型
print(array.dtype)# 修改数据类型
array = array.astype(np.int64) 
print(array.dtype)
print(array.itemsize) 

输出：

2
int16
int64
8

小数：

import random
# 随机生成小数# 使用python语法，round是保留多少位
print(random.random())
print(round(random.random(),2))
print('-'*50)array = np.array([random.random() for i in range(10)])
print(array)
print(array.itemsize)
print(array.dtype)
print('-'*50)array1 = array.astype(np.float32)
print(array1)
#float32精度为6-7位
#double(float64)精度是15-16位# 取小数点后两位,np.round可以把所有的元素都变成2位有效数字
print(np.round(array,2))

输出：

0.979209849421405
0.26
--------------------------------------------------
[0.3763924  0.32276703 0.4589791  0.15596424 0.37418283 0.173525110.61259661 0.35300061 0.10490647 0.7840607 ]
8
float64
--------------------------------------------------
[0.3763924  0.32276702 0.4589791  0.15596424 0.37418282 0.173525110.61259663 0.3530006  0.10490647 0.7840607 ]
[0.38 0.32 0.46 0.16 0.37 0.17 0.61 0.35 0.1  0.78]

数和array的运算

array = np.arange(6).reshape((2,3))
print(array)
print("-"*50)# array可以与整数进行加减乘除
print(array+2) 
print(array-2)
print(array*2) 
print(array/2)
print(array//2)

输出：

[[0 1 2][3 4 5]]
--------------------------------------------------
[[2 3 4][5 6 7]]
[[-2 -1  0][ 1  2  3]]
[[ 0  2  4][ 6  8 10]]
[[0.  0.5 1. ][1.5 2.  2.5]]
[[0 0 1][1 2 2]]

array之间的加减法

形状相同之间的运算：

t1 = np.arange(0,6).reshape((2,3))
t2 = np.arange(100,106).reshape((2,3))
print(t1)
print(t2)
print('-'*50)
print(t1+t2) 
print(t1*t2)  #是否是矩阵乘法？ 不是,是对应位置相乘

输出：

[[0 1 2][3 4 5]]
[[100 101 102][103 104 105]]
--------------------------------------------------
[[100 102 104][106 108 110]]
[[  0 101 204][309 416 525]]

形状不相同之间的运算，只有部分可行：

#一维数组和二维数组进行运算时，一维的元素个数和列数相等
t1 = np.arange(24).reshape((4,6)) 
t2 = np.arange(0,6)
print(t1)
print(t2)
print('-'*50)t2=t2.reshape((1,6))
print(t2)
# np.sum(array)函数就是把内部所有的元素相加得到一个值，然后返回
print(np.sum(t2))
print(t2.shape)
print(t1-t2)

输出：

[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
[0 1 2 3 4 5]
--------------------------------------------------
[[0 1 2 3 4 5]]
15
(1, 6)
[[ 0  0  0  0  0  0][ 6  6  6  6  6  6][12 12 12 12 12 12][18 18 18 18 18 18]]

t1 = np.arange(24).reshape((4,6)) 
t2 = np.arange(4).reshape((4,1))
print(t2)
print(t1)
print('-'*50)
print(t1-t2)

输出：

[[0][1][2][3]]
[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
--------------------------------------------------
[[ 0  1  2  3  4  5][ 5  6  7  8  9 10][10 11 12 13 14 15][15 16 17 18 19 20]]

认识轴

轴是从0，1，2，3，4······开始的
0对应的就是第一层括号，1就是第二层括号，沿轴就是将这个括号去掉，然后相运算

array1 = np.array([[1,2,3],[4,5,6]])
print(array1)
print('-'*50)print(np.sum(array1,axis=0))
print(np.sum(array1,axis=1))
print("-"*50)# 思维提升 四维测试
array2=np.arange(24).reshape((1,2,3,4))
print(array2)
print(np.sum(array2,axis=1))
print(np.sum(array2,axis=1).shape)
print('-'*50)

输出：

[[1 2 3][4 5 6]]
--------------------------------------------------
[5 7 9]
[ 6 15]
--------------------------------------------------
[[[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]]
[[[12 14 16 18][20 22 24 26][28 30 32 34]]]
(1, 3, 4)
--------------------------------------------------

切片

array = np.arange(12).reshape(4,3)
print(array)
print('-'*50)# 取其中一行
print(array[1]) 
print('-'*50)# 切片 取连续多行
print(array[1:])
print('-'*50)# 切片 取连续的多行
print(array[1:3,:])
print('-'*50)# 取不连续的多行
print(array[[0,3]])
print('-'*50)# 取不连续的多行
print(array[[0,2,3],:])
print('-'*50)# 取一列
print(array[:,1])
print('-'*50)# 连续的多列
print(array[:,1:])
print('-'*50)# 取不连续的多列
print(array[:,[0,2]])
print('-'*50)# 取某一个值,三行四列  py是t1[2][1]
print(array[2,1]) 
print('-'*50)# 取多个连续的值 行列的连续
print(array[1:3,1:3])
print('-'*50)# 取多个不连续的值，[[行，行。。。],[列，列。。。]]
print(t1[[0,1,1],[0,1,3]])

输出：

[[ 0  1  2][ 3  4  5][ 6  7  8][ 9 10 11]]
--------------------------------------------------
[3 4 5]
--------------------------------------------------
[[ 3  4  5][ 6  7  8][ 9 10 11]]
--------------------------------------------------
[[3 4 5][6 7 8]]
--------------------------------------------------
[[ 0  1  2][ 9 10 11]]
--------------------------------------------------
[[ 0  1  2][ 6  7  8][ 9 10 11]]
--------------------------------------------------
[ 1  4  7 10]
--------------------------------------------------
[[ 1  2][ 4  5][ 7  8][10 11]]
--------------------------------------------------
[[ 0  2][ 3  5][ 6  8][ 9 11]]
--------------------------------------------------
7
--------------------------------------------------
[[4 5][7 8]]
--------------------------------------------------
[0 7 9]

条件与逻辑

# 条件 与 逻辑
array = np.arange(6).reshape(2,3)
print(array)
print('-'*20)# 条件 逻辑与：&  逻辑或|  逻辑非~
print(array[(array>1)&(array<4)])
print('-'*20)

输出：

[[0 1 2][3 4 5]]
--------------------
[2 3]
--------------------

修改值

array1 = np.arange(12).reshape(3,4)
array2 = np.arange(12).reshape(3,4)
array3 = np.arange(12).reshape(3,4)
array4 = np.arange(12).reshape(3,4)
print(array1)
print('-'*20)# 切片修改值
array1[1:3,1:3]=0
print(array1)
print('-'*20)# 条件修改值
array2[~(array2>4)]=0
print(array2)
print('-'*20)# clip函数修改
# np.clip(array,num1,num2)  就是在这个array当中元素小于num1的都修改成num1，大于num2的都修改成num2
array3 = np.clip(array3,5,10)
print(array3)
print('-'*20)# where函数的修改 
# np.where(condition, x, y)满足条件(condition)，输出x，不满足输出y。)
array4 = np.where(array4<7,True,False)
print(array4)
print('-'*20)

输出：

[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]
--------------------
[[ 0  1  2  3][ 4  0  0  7][ 8  0  0 11]]
--------------------
[[ 0  0  0  0][ 0  5  6  7][ 8  9 10 11]]
--------------------
[[ 5  5  5  5][ 5  5  6  7][ 8  9 10 10]]
--------------------
[[ True  True  True  True][ True  True  True False][False False False False]]
--------------------

append

# numpy.append 函数在数组的末尾添加值。 追加操作会分配整个数组，并把原来的数组复制到新数组中。
# 此外，输入数组的维度必须匹配，否则将生成ValueError。
array = np.array([[1, 2, 3], [4, 5, 6]])
print(array)
print('-'*20)# 添加一行
print(np.append(array, [7, 8, 9]))
print('-'*20)# 沿轴 0 添加元素  这边可以看出（2，3）添加需要（1，3）
print(np.append(array, [[7, 8, 9]], axis=0))
print('-'*20)# 沿轴 1 添加元素  这边可以看出（2，3）添加需要（2，2），小的总结一下添加哪一维度，那一个维度才可以不同，剩下的都需要相同
print(np.append(array, [[5, 5], [7, 8]], axis=1))
print('-'*20)

输出：

[[1 2 3][4 5 6]]
--------------------
[1 2 3 4 5 6 7 8 9]
--------------------
[[1 2 3][4 5 6][7 8 9]]
--------------------
[[1 2 3 5 5][4 5 6 7 8]]
--------------------

当处于高纬度的时候，我们更希望知道的是shape是否是按照我们的想法进行扩展，而不关注内部的数据，因为数据呵呵，当处于高维的时候，我们是没有办法进行想象，像人工智能下的tensor张量，基本我见过的最多达到5阶，那已经是没有办法进行查看了，这边给出三维度的相加，看一下：（实际上就是对应维度相加）

array = np.arange(24).reshape(2,3,4)
print(array.shape)# axios=0 (2,3,4)+(1,3,4) = (3,3,4)
print(np.append(array,[[[1,2,3,4],[5,6,7,8],[9,10,11,12]]],axis=0).shape)# axios=1 (2,3,4)+(2,2,4) = (2,5,4)
print(np.append(array,[[[1,2,3,4],[5,6,7,8]],[[5,6,7,8],[9,10,11,12]]],axis=1).shape)# axios=2 (2,3,4)+(2,3,1) = (2,3,5)
print(np.append(array,[[[1],[2],[3]],[[4],[5],[6]]],axis=2).shape)

(2, 3, 4)
(3, 3, 4)
(2, 5, 4)
(2, 3, 5)

insert

# numpy.insert
# 函数在给定索引之前，沿给定轴在输入数组中插入值。# 如果值的类型转换为要插入，则它与输入数组不同。
# 插入没有原地的，函数会返回一个新数组。 此外，如果未提供轴，则输入数组会被展开。array = np.arange(6).reshape(3,2)
print(array)
print(array.shape)
print('-'*20)print(np.insert(array,1, [11, 12]))
print(np.insert(array,1, [11, 12]).shape)
print('-'*20)# 沿轴0广播
print(np.insert(array,1, [11, 12],axis=0))
print(np.insert(array,1, [11, 12],axis=0).shape)
print('-'*20)# 沿轴1广播
print(np.insert(array, 1, 11, axis=1))
print(np.insert(array, 1, 11, axis=1).shape)

输出：

[[0 1][2 3][4 5]]
(3, 2)
--------------------
[ 0 11 12  1  2  3  4  5]
(8,)
--------------------
[[ 0  1][11 12][ 2  3][ 4  5]]
(4, 2)
--------------------
[[ 0 11  1][ 2 11  3][ 4 11  5]]
(3, 3)

三维查看：

array = np.arange(24).reshape(2,3,4)
print(array.shape)
print('-'*20)
# (2, 3, 4)+11=(3, 3, 4)
print(np.insert(array,1,11,axis=0).shape)
print(np.insert(array,1,11,axis=0))
print('-'*20)
# (2, 3, 4)+(2,4)=(2, 4, 4)
print(np.insert(array,1,[[1,2,3,4],[5,6,7,8]],axis=1).shape)
print(np.insert(array,1,[[1,2,3,4],[5,6,7,8]],axis=1))
print('-'*20)print(np.insert(array,1,[[1,2,3],[4,5,6]],axis=2).shape)
print(np.insert(array,1,[[1,2,3],[4,5,6]],axis=2))
print('-'*20)

输出:

(2, 3, 4)
--------------------
(3, 3, 4)
[[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]][[11 11 11 11][11 11 11 11][11 11 11 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
--------------------
(2, 4, 4)
[[[ 0  1  2  3][ 1  2  3  4][ 4  5  6  7][ 8  9 10 11]][[12 13 14 15][ 5  6  7  8][16 17 18 19][20 21 22 23]]]
--------------------
(2, 3, 5)
[[[ 0  1  1  2  3][ 4  2  5  6  7][ 8  3  9 10 11]][[12  4 13 14 15][16  5 17 18 19][20  6 21 22 23]]]
--------------------

delete

具体多维的理解和insert一致，就是对应维度的shape-1，或者说对应维度的元素num剪掉

#numpy.delete 函数返回从输入数组中删除指定子数组的新数组。 与 insert() 函数的情况一样，
# 如果未提供轴参数， 则输入数组将展开。
array = np.arange(2,14).reshape(3,4)
print(array)
print(array.shape)
print('-'*20)print(np.delete(array,5))
print(np.delete(array,5).shape)
print('-'*20)print(np.delete(array,1,axis = 0))
print(np.delete(array,1,axis = 0).shape)
print('-'*20)print(np.delete(array,2,axis = 1))
print(np.delete(array,2,axis = 1).shape)
print('-'*20)

输出：

[[ 2  3  4  5][ 6  7  8  9][10 11 12 13]]
(3, 4)
--------------------
[ 2  3  4  5  6  8  9 10 11 12 13]
(11,)
--------------------
[[ 2  3  4  5][10 11 12 13]]
(2, 4)
--------------------
[[ 2  3  5][ 6  7  9][10 11 13]]
(3, 3)
--------------------

unique

# numpy.unique 函数用于去除数组中的重复元素,并且进行排序
array = np.array([5,2,6,2,7,5,6,9,8,2])
print (array)
print('-'*20)#去除重复元素，输出的是有序序列
print (np.unique(array))
print('-'*20)# 去重数组的索引数组
u,indices = np.unique(array, return_index = True)
print(u)
print (indices)
print('-'*20)# 我们可以看到每个和原数组下标对应的数值
# 去重数组的下标
u,indices = np.unique(array,return_inverse = True)
print (u)
print (indices)
print('-'*20)# 返回去重元素的重复数量
u,indices = np.unique(array,return_counts = True)
print (u)
print (indices)

带上轴的

np.unique(np.array([[1, 0, 0], [1, 0, 0], [2, 0, 0]]), axis=1)
"""
array([[0, 1],[0, 1],[0, 2]])
"""

最大最小值运算

array = np.array([[80,88],[82,81],[75,81]])
print(array)# 获取所有数据最大值,最小值
print(np.max(array))
print(np.min(array))
print('-'*20)# 获取某一个轴上的数据最大值
print(np.max(array,axis=1))
print(np.min(array,axis=0))
print('-'*20)# 数据的比较
# 第一个参数中的每一个数与第二个参数比较返回大的
print(np.maximum(np.arange(-2,3), 0 ))
# 第一个参数中的每一个数与第二个参数比较返回小的
print(np.minimum(np.arange(-2,3), 0 ))
print('-'*20)# argmin求最小值索引
print(array)
print(np.argmax(array,axis=0))
print(np.argmin(array))

输出：

[[80 88][82 81][75 81]]
88
75
--------------------
[88 82 81]
[75 81]
--------------------
[0 0 0 1 2]
[-2 -1  0  0  0]
--------------------
[[80 88][82 81][75 81]]
[1 0]
4

前缀和和平均值

array = np.arange(6).reshape(2,3)
print(array)
print('-'*20)# 求平均值
print(np.mean(array))
print(np.mean(array,axis=1))
print('-'*20)# 求前缀和
print(array.cumsum(0))
'''
[0, 1, 2]------>	|0	|1	|2	|
[3, 4, 5]------>	|3=3+0 |5=1+4 |7=5+2|
'''
print(array.cumsum(1))

输出：

[[0 1 2][3 4 5]]
--------------------
2.5
[1. 4.]
--------------------
[[0 1 2][3 5 7]]
[[ 0  1  3][ 3  7 12]]

其他的数学函数，基本理解都和上面一样

直接去看结论，有剩下的函数

array 拼接

# 有的时候我们需要将两个数据加起来一起研究分析，我们就可以将其进行拼接然后分析
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])# 要求a,b两个数组的维度相同
# 沿轴 0 连接两个数组
print (np.concatenate((a,b),axis= 0))
# 沿轴 1 连接两个数组
print (np.concatenate((a,b),axis = 1))
print('-'*20)# 升维度相加
print(np.stack((a,b),axis=0))
print(np.stack((a,b),axis=1))
print(np.stack((a,b),axis=-1))
print('-'*20)# 水平相加
v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
print(np.vstack((v1,v2)))
print('-'*20)# 垂直相加
v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
print(np.hstack((v1,v2)))

输出：

[[1 2][3 4][5 6][7 8]]
[[1 2 5 6][3 4 7 8]]
--------------------
[[[1 2][3 4]][[5 6][7 8]]]
[[[1 2][5 6]][[3 4][7 8]]]
[[[1 5][2 6]][[3 7][4 8]]]
--------------------
[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
--------------------
[[ 0  1  2  3  4  5 12 13 14 15 16 17][ 6  7  8  9 10 11 18 19 20 21 22 23]]

array 分割

# 1. 将一个数组分割为多个子数组
'''
参数说明：
ary：被分割的数组
indices_or_sections：是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分
'''
array = np.arange(6).reshape(2,3)
print(array)
print('-'*20)print (np.split(array,2))
print (np.hsplit(array,1))
print (np.hsplit(array,3))
print (np.vsplit(array,1))
print (np.vsplit(array,2))
print('-'*20)

输出：

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

nan介绍

# nan可以当成空  inf就当成无限大，不过在计算的时候记得分为正无限大和负无限大
nan = np.nan  #nan代表not a number，不是数值，从文档中读取数值时，读取了空
inf = np.inf
array = np.arange(12,dtype=np.float32).reshape(3,4)
array[1,2]=nan
array[2,3]=nan
print(array)
print('-'*20)# 统计nan的数量 np.count_nonzero(array)统计的是array当中的0的个数，需要注意的是 nan!=nan ,而array当中的其他元素都和自己本身相等，所以就可以用这个来进行判断
print(np.count_nonzero(array != array))
print('-'*20)# 返回一个是否是nan的数组
print(np.isnan(array))
print('-'*20)# 把nan变成0
array1 = array
array1[array1!=array1]=0
print(array1)

输出：

[[ 0.  1.  2.  3.][ 4.  5. nan  7.][ 8.  9. 10. nan]]
--------------------
2
--------------------
[[False False False False][False False  True False][False False False  True]]
--------------------
[[ 0.  1.  2.  3.][ 4.  5.  0.  7.][ 8.  9. 10.  0.]]

看一下是否能看得懂：

array = np.arange(24).reshape(4,6).astype(np.float32)
print(array)# 将数组中的一部分替换nan
array[1:3,1:5] = np.nan
print(array)
print('-'*20)print(array.shape)
# 遍历每一列，然后判断每一列是否有nan, column
for i in range(array.shape[1]):#获取当前列数据temp_col = array[:,i]# 判断当前列的数据中是否含有nannan_num = np.count_nonzero(temp_col != temp_col)# 条件成立说明含有nanif nan_num != 0:# 将这一列不为nan的数据拿出来temp_col_not_nan = temp_col[temp_col == temp_col]print(temp_col_not_nan)# 将nan替换成这一列的平均值temp_col[np.isnan( temp_col )] = np.mean( temp_col_not_nan )print(array)

[[ 0.  1.  2.  3.  4.  5.][ 6.  7.  8.  9. 10. 11.][12. 13. 14. 15. 16. 17.][18. 19. 20. 21. 22. 23.]]
[[ 0.  1.  2.  3.  4.  5.][ 6. nan nan nan nan 11.][12. nan nan nan nan 17.][18. 19. 20. 21. 22. 23.]]
--------------------
(4, 6)
[ 1. 19.]
[ 2. 20.]
[ 3. 21.]
[ 4. 22.]
[[ 0.  1.  2.  3.  4.  5.][ 6. 10. 11. 12. 13. 11.][12. 10. 11. 12. 13. 17.][18. 19. 20. 21. 22. 23.]]

还有就是任何数据和nan计算都是nan

inf

1. 对于inf只需要知道无限大有分正无限和负无限大
2. 无限大等于无限大
3. 1/0=无限大

转置

#对换数组的维度
array = np.arange(6).reshape(2,3)
print (array)
print('-'*20)# 转置 T和np.transpose是一样的  多维转置（1，2，3）-> （3，2，1）全反
print (np.transpose(array))
print(array.T)
print('-'*20)# 函数用于交换数组的两个轴
print(np.swapaxes(array,0,1))
print('-'*20)# 其实对于机器学习来说我们仅仅需要看shape
array = np.arange(6).reshape(1,2,3)
print(np.shape(array))
print(np.shape(np.transpose(array)))
print(np.shape(np.swapaxes(array,0,1)))
print('-'*20)# 轴滚动
a = np.ones((3,4,5,6))
print(np.rollaxis(a, 3,start=0).shape)

输出：

[[0 1 2][3 4 5]]
--------------------
[[0 3][1 4][2 5]]
[[0 3][1 4][2 5]]
--------------------
[[0 3][1 4][2 5]]
--------------------
(1, 2, 3)
(3, 2, 1)
(2, 1, 3)
--------------------
(6, 3, 4, 5)

copy

就如下，就不解释了。。。。

array1=array2.copy()

常用接口总结

接口	说明
np.array(list，detype)	把list转化为array，参数list常用列表，也可以是其他的可迭代对象，detype参数可写，写的就是内部元素的类型
list(array)	把array转化为list，参数array就是array，将之转化为list列表，这个接口是改变本array
array.tolist()	这个接口返回array的list形式，这个接口是返回一个新的list对象，而原本的array还是array，和上面的相对比
np.arange(num1,num2,num3)	和range的使用方式一样，num1就是起始位置（闭区间），num2就是结束位置（开区间），num3就是步长
array.ndim	查看数组的维度
array.shape	查看数组的形状，然后这个值可供赋值操作，可以赋值为一个元组，例如(3,2)
array.size	查看数组总共元素的多少
array.reshape()	修改数组的形状，同样也可以升降维
array1.flatten()	直接拉长，变成一维
array.itemsize	itemsize 输出的就是所占的字节数
array.dtype	元素的属性
array.astype(np.对应元素的属性，如np.float64)	修改元素的属性，需要关注的是截断
np.round(array,num)	返回array数组，当中的每一个元素都进行四舍五入，四舍五入的位数和num相关
random.random()	返回的是0-1之间的小数（np.float64）
np.sum(array,axis)	array返回累加值，axis就是轴，沿哪一个轴的方向相加
切片	见上，这边没办法总结
np.clip(array,num1,num2)	就是在这个array当中元素小于num1的都修改成num1，大于num2的都修改成num2
np.where(condition, x, y)	满足条件(condition)，输出x，不满足输出yarr输入数组 values 要向arr添加的值，需要和arr形状相同（除了要添加的轴）axis 默认为None。当axis无定义时，是横向加成，返回总是为一维数组！当axis有定义的时候，分别为0和1的时候。当axis有定义的时候，分别为0和1的时候（列数要相同）。当axis为1时，数组是加在右边（行数要相同）。
np.append(array, list, axis)
np.insert(array,1, 元素,axis)	不指定axis就是一维拉长相加，元素如果选常数，就是每一层都相加，元素如果是选列表，数目就需要和array一致，1就是插入的位置，array就是数组
np.delete(array,1,axis)	arr： 输 入 数 组obj：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组axis：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开
np.unique(array,return的参数,axis)	arr：输入数组，如果不是一维数组则会展开，return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储，return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储，return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数，axis就是删除第几维的数据，此时元素按照
np.max(array,axis)	求取某一个轴上的最大值，如果不写axis，就是展开一维，看所有数值的最大值
np.min(array,axis)	与上相反
np.maximum(array, 0 )	把array当中小于0的数都变成0
np.minimum(array, 0 )	与上相反
np.argmax(array,axis)	寻找array中的选定轴的最大值的索引
np.argmin(array,axis)	与上相反
np.mean(array,axis)	算出所选定轴的平均数
array.cumsum(axis)	算出所选定轴的前缀和
numpy.sqrt(array)	平方根函数
numpy.exp(array)	e^array[i]的数组
numpy.abs/fabs(array)	计算绝对值
numpy.square(array)	计算各元素的平方 等于array 2
numpy.log/log10/log2(array)	计算各元素的各种对数
numpy.sign(array)	计算各元素正负号
numpy.isnan(array)	计算各元素是否为NaN
numpy.isinf(array)	计算各元素是否为NaN
numpy.cos/cosh/sin/sinh/tan/tanh(array)	三角函数
numpy.modf(array)	将array中值得整数和小数分离，作两个数组返回
numpy.ceil(array)	向上取整,也就是取比这个数大的整数
numpy.floor(array)	向下取整,也就是取比这个数小的整数
numpy.rint(array)	四舍五入
numpy.trunc(array)	向0取整
numpy.add(array1,array2)	元素级加法
numpy.subtract(array1,array2)	元素级减法
numpy.multiply(array1,array2)	元素级乘法
numpy.divide(array1,array2)	元素级除法 array1./array2
numpy.power(array1,array2)	元素级指数 array1.^array2
numpy.maximum/minimum(array1,aray2)	元素级最大值
numpy.fmax/fmin(array1,array2)	元素级最大值，忽略NaN
numpy.mod(array1,array2)	元素级求模
numpy.copysign(array1,array2)	将第二个数组中值得符号复制给第一个数组中值
numpy.greater/greater_equal/less/less_equal/equal/not_equal (array1,array2)	元素级比较运算，产生布尔数组
numpy.logical_end/logical_or/logic_xor(array1,array2)	元素级的真值逻辑运算
np.concatenate((array1,array2),axis)	沿选定轴方向进行拼接，除维度外的shape都需要一样
np.stack((array1,array2),axis)	升维度进行拼接，不过需要注意的是，这个的前后的，需要维度形状都一样
np.concatenate((array1,array2),axis)	沿axis方向的array的array相加
np.vstack((array1,array2))	水平元素相加
np.hstack((array1,array2))	垂直元素相加
np.split(array,num,axios)	沿轴方向分割数组数组
np.vsplit(array,indices_or_sections)	array：被分割的数组，indices_or_sections：是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分
np.vsplit(array,indices_or_sections)	上面是水平，这边是竖直方向上
np.count_nonzero(array)	统计非零的数目
np.nan	null
np.inf	无限大
np.transpose（array）	逆序倒置他的shape
np.T	同上
np.swapaxes(array,0,1)	交换两个轴
np.rollaxis(array, num2,start=num1)	轴滚动，就是把num2和num1进行调换，需要注意的是只有num2>num1才会执行
array1=array2.copy()	实际上就是后者是前者的一个copy，他们的id不一样

导入数据

最简单的接口

直接np.load()
和np.save()读取的是npy文件，这边就不介绍了

基础的读取数据-----从txt当中读取

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,
usecols=None,unpack=False)

unpack就是转置，一般不要使用，这样子才是一个括号内，包含这个事物的所有特征

数据number.txt

基础的读取数据（从txt当中读取）：

number_path = './archive/number.txt'
# delimiter是分隔符，一般是unpack为false，一列为一个特征
t1 = np.loadtxt(number_path,delimiter=",",dtype="int",unpack=True,encoding='utf8')
t2 = np.loadtxt(number_path,delimiter=",",dtype="int",encoding='utf8')print(t1)
print(t2)

输出：

[[ 1  6][ 2  7][ 3  8][ 4  9][ 5 10]]
[[ 1  2  3  4  5][ 6  7  8  9 10]]

有筛选的读取数据------从csv当中读取

数据：

num_path = './archive/num.csv't_gb_video = np.loadtxt(num_path,dtype='int64',delimiter=',',skiprows=1,usecols=(0,2,3),encoding='utf8')print(t_gb_video)

输出：

[[    1    22 11111][    2    21 22222][    3    20 33333][    4    22 44444][    5    21 55555]]

np.random模块

array1 = np.random.rand(2,3)
print(array1)
print('-'*20)array2 = np.random.randn(2,3)
print(array2)
print('-'*20)array3 = np.random.randint(1,5,(2,3))
print(array3)
print('-'*20)array4 = np.random.uniform(0.0,1.0,(2,3))
print(array4)

输出：

[[0.81889905 0.22799652 0.95090655][0.25433465 0.76184529 0.92012839]]
--------------------
[[-1.37504485  0.64581416 -1.25324539][ 0.22773263 -1.15448029 -0.51791998]]
--------------------
[[2 2 1][1 2 4]]
--------------------
[[6.47574634 4.56261091 1.04990935][7.38037415 4.28771509 1.83393943]]
--------------------

pandas

见32 数据分析（下)：