【摘要】 numpy是python中做科学计算的基础库，重在数值计算，也是大部分python科学计算基础库，多用于大型、多维数组上执行数值运算。类似于matlab的数据方法。这里就不再详细解释，可以去查看一下我的matlab相关文章。
创建数组（矩阵）
创建一维数组
两种方式：
import numpy
a=numpy.array([1,2,3,4,5])
b=numpy…

numpy是python中做科学计算的基础库，重在数值计算，也是大部分python科学计算基础库，多用于大型、多维数组上执行数值运算。类似于matlab的数据方法。这里就不再详细解释，可以去查看一下我的matlab相关文章。

创建数组（矩阵）

创建一维数组

两种方式：

import numpy
a=numpy.array([1,2,3,4,5])
b=numpy.arange(1,6)

  
 
  1
  2
  3

注意：虽然在print时，样子与列表很像，但它的类型是numpy.ndarray
在这里插入图片描述

数据类型，设置与修改

比也可能注意到了最后的b.dtype，.dtype用来打印数组中的数据类型。
数据类型包含：
在这里插入图片描述
你可以在定义数组的时候直接指定数据类型：

import numpy
a=numpy.array([1,2,3,4,5],dtype='int8')
print(a,a.dtype)

  
 
  1
  2
  3

在这里插入图片描述
也可以在定义后修改数据类型：
是强制转换。
注意，不是真正的修改，原数据实际上是没动的
源代码是这样说的：

import numpy
a=numpy.array([1,2,3,4,5])
print(a,a.dtype)
b=a.astype(dtype='int64')
print(b,b.dtype)

  
 
  1
  2
  3
  4
  5

在这里插入图片描述

修改小数位数

import random
random.random()#用于产生0-1之间的随机数

  
 
  1
  2

round(要改变的数组,保留小数点后位数)

import numpy
import random
a=numpy.array([random.random() for i in range(10)])
print(a)
b=numpy.round(a,2)
print(b)

  
 
  1
  2
  3
  4
  5
  6

多维数组

类似于列表套列表，详细的写法看代码即可。

import numpy
a=numpy.array([1,2,3])#这是一个一维数组
b=numpy.array([[1,2,3],[4,5,6],[7,8,9]])#这是一个三维数组，3行3列
print(a,'\n',b)

  
 
  1
  2
  3
  4

在这里插入图片描述

查看数组形状shape

import numpy
a=numpy.array([1,2,3])#这是一个一维数组
b=numpy.array([[1,2,3],[4,5,6],[7,8,9]])#这是一个三维数组，3行3列
print(a.shape,b.shape)

  
 
  1
  2
  3
  4

对于一维数组返回长度，对于多维数组返回维度
在这里插入图片描述

修改数组形状为a行b列reshape((a,b))

对于高维数据一样，但是很难理解高于三维的内容，所以，这里只提一下二维和三维数组。
二维：

import numpy
a1=[1,2,3];a2=[4,5,6]
a=[a1,a2]
a_array=numpy.array(a);print('a_array：','\n',a_array,'\n',a_array.shape)
bb1=[1,2,3];bb2=[3,4,5];bb3=[5,6,7];bb4=[7,8,9]
b1=[bb1,bb2];b2=[bb3,bb4]
b=[b1,b2]
b_array=numpy.array(b);print('b_array：','\n',b_array,'\n',b_array.shape)

  
 
  1
  2
  3
  4
  5
  6
  7
  8

在这里插入图片描述
接上面的来变换

c=a_array.reshape(3,2)
d=b_array.reshape(2,3,2)
print('c:','\n',c,'\n','d:','\n',d)

  
 
  1
  2
  3

在这里插入图片描述

指定查询某一维度

在这里插入图片描述

多维数组按行展开层一维数组flatten

e=d.flatten()
print(e)

  
 
  1
  2

在这里插入图片描述

数组计算

数组与数计算,数组中所有元素都应用数的计算。

import numpy
a=numpy.array([[0,1,2],[3,4,5]])
#h=numpy.array([[2,2,2],[2,2,2]])
b=a+2
c=a-2
d=a*2
e=a/2
f=a/0
print('a:','\n',a,'\n','b:','\n',b,'\n','c:','\n',c,'\n','d:','\n',d,'\n','e:','\n',e,'\n','f:','\n',f,'\n')

  
 
  1
  2
  3
  4
  5
  6
  7
  8
  9

在这里插入图片描述
那么f呢？
和matlab一样，/0后出现正无穷（INF）和无效（NAN）两种情况

两个形状相同的数组，对应位置元素进行元素

import numpy
a=numpy.array([[0,1,2],[3,4,5]])
h=numpy.array([[2,4,6],[6,4,2]])
b=a+h
c=a-h
d=a*h
e=a/h
print('a:','\n',a,'\n','b:','\n',b,'\n','c:','\n',c,'\n','d:','\n',d,'\n','e:','\n',e)

  
 
  1
  2
  3
  4
  5
  6
  7
  8

在这里插入图片描述

两个数组只有一个维度相同，在这个维度进行计算。

列数相同，每一行进行计算。

import numpy
a=numpy.array([[0,1,2],[3,4,5]])
h=numpy.array([2,4,6])
b=a+h
c=a-h
d=a*h
e=a/h
print('a:','\n',a,'\n','b:','\n',b,'\n','c:','\n',c,'\n','d:','\n',d,'\n','e:','\n',e)

  
 
  1
  2
  3
  4
  5
  6
  7
  8

在这里插入图片描述
行数相同，分别计算每一列。

import numpy
a=numpy.array([[0,1,2],[3,4,5]])
h=numpy.array([[2],[4]])
b=a+h
c=a-h
d=a*h
e=a/h
print('a:','\n',a,'\n','b:','\n',b,'\n','c:','\n',c,'\n','d:','\n',d,'\n','e:','\n',e)

  
 
  1
  2
  3
  4
  5
  6
  7
  8

在这里插入图片描述

数组的轴

在这里插入图片描述
三维数组

使用numpy读取数据

了解即可。一般不用。从文本问价读取。
在这里插入图片描述
fname文件位置
dtype读取出来的类型
delimiter数据用什么字符串分隔
skiprows跳过默写行，例如表头之类。
usecols读取指定的行
unpck是否转置
必须要写的fname、delimiter。如果读入数字较大，可以设置dtype。

数组操作

转置

transpsoe

import numpy
a=numpy.array([[1,2],[3,4]])
print('a：','\n',a)
b=a.transpose()
print('b：','\n',b)

  
 
  1
  2
  3
  4
  5

在这里插入图片描述
或者使用T或swapaxes(1,0)

import numpy
a=numpy.array([[1,2],[3,4]])
print('a：','\n',a)
b=a.T
c=a.swapaxes(1,0)
print('b：','\n',b)
print('c：','\n',c)

  
 
  1
  2
  3
  4
  5
  6
  7

在这里插入图片描述

索引与切片

注意行列是从0开始数的
抽象表示：
在这里插入图片描述
第一个会取到对应的点，第二个是行列相交的位置。

例子：

取某一行

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
print(a[0])

  
 
  1
  2
  3

在这里插入图片描述
取某些行这里我加上了对列的索引。

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
print(a[[0,2],:])

  
 
  1
  2
  3

在这里插入图片描述
取某一列

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
print(a[:,[0]])

  
 
  1
  2
  3

在这里插入图片描述
取某些列

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
print(a[:,[0,2]])

  
 
  1
  2
  3

在这里插入图片描述
如果是连续多列也可以2:表示从第三列（行）开始到最后
如果是从2到4行（列），可以写作1:5

值的更改

直接取出赋值即可。

使用布尔来实现对数组中满足条件的值进行更改

假设现在的数组是：
1 2 3
4 5 6
7 8 9
我现在想把数组中的5取出修改成0
我们利用布尔值来判断满足条件的值在哪些位置，然后赋值即可。

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
a[a==5]=0
print(a)

  
 
  1
  2
  3
  4

在这里插入图片描述
除此之外还可以使用三元运算符进行赋值。这里给出一个numpy自带的函数，其他的常规三元运算符就不举例子了。

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
b=numpy.where(a<=5,0,1)#小于等于5的赋值为0，大于5的赋值1
print(b)

  
 
  1
  2
  3
  4

在这里插入图片描述

clip(a,b)裁剪操作

规定最小值a与最大值b，小于a的取a，大于b的取b

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
b=a.clip(2,6)#小于等于5的赋值为0，大于5的赋值1
print(b)

  
 
  1
  2
  3
  4

在这里插入图片描述

给元素赋值为NAN

NAN为浮点型，赋值前需要将数组类型转化为浮点型，然后赋值numpy.nan即可。

数组拼接

上下拼接与左右拼接

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
b=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
c=numpy.vstack((a,b))#竖直拼接
d=numpy.hstack((a,b))#水平拼接
print(c,'\n','\n',d)

  
 
  1
  2
  3
  4
  5
  6

在这里插入图片描述

行交换与列交换

行交换

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
a[[1,2],:]=a[[2,1],:]#行交换
print(a)

  
 
  1
  2
  3
  4

在这里插入图片描述
列交换

import numpy
a=numpy.array([[1,2,3],[4,5,6],[7,8,9]])
a[:,[1,2]]=a[:,[2,1]]#行交换
print(a)

  
 
  1
  2
  3
  4

在这里插入图片描述

NaN与Inf

nan与inf都是float类型

当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

不同位置的nan是不相等的，它本身也不是一个数值！

如何统计数组中nan的个数

numpy.count_nonzero(array!=array)可以统计nan的个数(array是指要统计的数组)。
这个语句把array!=array换成array==num即可统计等于num这个值的元素个数。
在这里插入图片描述

numpy常用的语法

axis就是上面的0，1，2
这里面t是数组，np是numpy的缩写（不可以直接用，要在import时as np才能这样写）
在这里插入图片描述
标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值反映出数据的波动稳定情况，越大表示波动越大，越不稳定。
在这里插入图片描述
生成随机数numpy.random–