numpy学习总结二

单词发音：
squeeze 发音：死贵子
concatenation [kɒnˌkætəˈneɪʃən] 拼接;串联
threshold ['θreʃhəʊld] 死re后的
quantile 拷n太哦 分位数
因果不能改
智慧不能赐
正法不可说
无缘不能度
天雨虽宽不润无根之草；佛法虽广不度无缘之人
1）某一个维度，实现元素复值

import numpy as np
arr = np.random.randint(1, 10, (2, 3))
print(arr)
print(arr.repeat(2, axis=0))  # 行复制,列不变 结果: 4行3列
print(arr.repeat(2, axis=1))  # 列复制,行不变 结果: 2行6列

实现按块复制元素

import numpy as np
arr = np.random.randint(1, 10, (2, 3))
print(np.tile(arr, 2)) # 按块复制
print(np.tile(arr, (2, 1))) # 按块当成一个元素(一个整体) 2行1列
print(np.tile(arr, (1, 2))) # 按块当成一个元素 1行2列

水平或竖直方向合并多个数组 (两种方法合并)

import numpy as np
arr1 = np.random.randint(1, 10, (2, 3))
arr2 = np.random.randint(1, 10, (3, 3))
print(arr1)
print(arr2)
print(‘*’ * 30)

目标: 合并 5行3列

print(np.vstack((arr1, arr2))) # 必须是以元组的形式传入
print(np.hstack((arr1, arr2[:2, :]))) # arr2[:2, :]意思是: 行是选2行，列是全选,本案例编程2行3列

指定维度上的合并

print(np.concatenate((arr1, arr2))) # 默认是垂直方向
print(np.concatenate((arr1, arr2[:2, :]), axis=1)) # 水平方向合并

r_和c_的使用

print(np.r_[arr1, arr2]) # 行合并
print(np.c_[arr1, arr2[:2, :]]) # 列合并

返回数组中某个维度的最大或者最小值索引

import numpy as np
arr = np.random.randint(1, 10, (2, 3))
print(arr)
print(arr.argmax()) # 按照行展平了之后的最大值
print(arr.argmin()) # 按照行展平了之后的最小值
print(arr.argmax(axis=1)) # 某一维度最大值axis=0/1, 本例应该返回3个值

限制打印元素的个数

import numpy as np
import sys
print(sys.maxsize)
np.set_printoptions(threshold=sys.maxsize) # 全部打印
print(np.arange(100))
np.set_printoptions(precision=3) # 3位有效数字
print(np.linspace(0, 10, 100))

返回一个有规律的数组,如数组: [1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3]

import numpy as np
a = np.array([1, 2, 3])
print(a)

print(np.repeat(a, 3))

print(np.tile(a, 3))

最终结果如下:

print(np.r_[np.repeat(a, 3), np.tile(a, 3)])
print(np.hstack((np.repeat(a, 3), np.tile(a, 3))))
print(np.concatenate((np.repeat(a, 3), np.tile(a, 3)), axis=0))

列表实现向量化

import numpy as np
a = [1, 2, 3]
print(np.array(a) + 1) # 这就是向量化操作
def add(x, y):
return x + y
addNum = np.vectorize(add) # 用vectorize做了一层包装
ret = addNum(a, 1)
print(ret)
ret2 = addNum([1, 2, 3], [5, 5, 5]) # 两个列表相加
print(ret2)

求中位数和众数

import numpy as np

中位数是指将数据按⼤⼩顺序排列起来，形成⼀个数列，居于数列中间位置的那个数据。

如果数组是偶数，则是两个数的平均值

众数是在⼀组数据中,出现次数最多的数据 通过bincount和argmax求众数

arr = np.random.randint(1, 10, (10,))
print(arr)
print(np.median(arr)) # 求中位数
tmp = np.bincount(arr)
print(np.argmax(tmp)) # [0 1 0 1 4 2 0 0 1 1] 每个数据出现的次数统计

求任意分位数(也叫分为点)

import numpy as np
arr = np.random.randint(1, 10, (15,))
print(np.median(arr))
print(np.sort(arr)) # 分位数肯定是先sort之后的值
print(‘*’ * 30)
print(np.percentile(arr, q=50)) # np.percentile(arr, q=50) == np.median(arr)
print(np.percentile(arr, q=[1, 25, 50, 75, 100])) # 求一组分位数

求相关系数,是研究变量之间线性相关程度的量;

import numpy as np
arr = np.array([[1, 2], [2, 3.8]]) # 线性相关性
print(arr)
print(np.corrcoef(arr[:, 0], arr[:, 1])) # 考靠负

找到NumPy中缺失值

import numpy as np

np.nan # nan not number

arr = np.array([0., 1., np.nan,
3., np.nan, np.nan, 6., 7., 8., 9.])

用isnan和where两个函数，可以定位哪个位置是空值，通过where查看哪些位置

print(np.where(np.isnan(arr)))

缺失值默认填0

import numpy as np
arr = np.array([[0., np.nan, 2., 3.],
[4., 5., np.nan, 7.],
[8., 9., 10., 11.],
[12., 13., np.nan, 15.],
[16., 17., np.nan, 19.],
[20., 21., 22., 23.]])

print(np.where(np.isnan(arr)))
arr[np.isnan(arr)] = 0 # ~np.isnan(arr),取反就是不为0的
print(arr)

返回无缺失的行

import numpy as np

arr = np.array([[0., np.nan, 2., 3.],
[4., 5., np.nan, 7.],
[8., 9., 10., 11.],
[12., 13., np.nan, 15.],
[16., 17., np.nan, 19.],
[20., 21., 22., 23.]])

返回有缺失值的行

m = np.sum(np.isnan(arr), axis=1) == 0
print(arr[m])

求softmax得分值

import numpy as np
arr = np.array([1, 3, 2, 4])
print(arr)
def softmax(a):
e_a = np.exp(a - np.max(a))
return e_a / np.sum(e_a)
np.set_printoptions(precision=3)
sf = softmax(arr)
print(sf)