2.1 ndarray多維數組

2.1.1 創建ndarray數組

通過NumPy庫的array函數，即可輕松地創建ndarray數組。NumPy庫能將數據(列表，元組，數組，或其他序列類型)轉換為ndarray數組

第一步先要引入NumPy庫：import numpy as np

array函數 語法;np.array(data)

參數說明：data為需要轉換為ndarray數組的序列

通常來說，ndarray是一個通用的同結構數據容器，即其中的所有元素都需要是相同的類型，當創建好一個ndarray數組時，同時會在內存中儲存ndarray的shape和dtype

shape：ndarry維度大小的元組

dtype：解釋說明ndarray數據類型的對象

NumPy庫還有一些函數可以創建特殊的數組

arange 類似于內置的range函數，用于創建數組

ones 創建指定長度或形狀的全1數組

ones_like 以另一個數組為參考，根據其形狀和dtype創建全1數組

zeros,zeros_like 同上，創建沒有具體值的數

eye,identity 創建正方形的N*N單位矩陣

2.1.2 ndarray對象屬性

.ndim 即數據軸的個數

.shape 數組的維度

.size 元素的個數

.dtype 數據類型

.itemsize 數組中每個元素的字節大小

2.1.3 nadarry數據類型

浮點數(float)，整形(int)，復數(complex)，布爾值(bool)，字符串(string_)，Python對象(object)

astype方法進行數據類型的轉換

語法：arr.astype(np.float64|'float64')

2.1.4 數組轉換

1.數組重塑

reshape方法改變其數據維度

語法：arr.reshape((x,y))

x:行

y:列，可以設置為-1，表示數組的維度可以通過數據本身來推斷

數據散開(ravel)或扁平化(flatten)

語法：arr.ravel() 語法：arr.flatten()

說明：arr：ndarray數組 說明：arr：ndarray數組

2.數組合并

conzatenate方法通過指定軸方向，將多個數組合并在一起

注意：軸用來為超過一維的數組定義的屬性，二維數組擁有兩個軸：第0軸(axis=0)沿著行的垂直往下，第1軸(axis=1)沿著列的方向水平延伸

語法：np.concatenate([arr1,arr2],axis=0|1) axis:指定軸

vstack和hstsck方法也可以進行數組合并

語法：np.vstack((arr1,arr2)) 語法：np.hstack((arr1,arr2))

3.數組拆分

split方法可以將數組拆分為多個數組

語法：np.split(arr,indices_or_sections,axis=0)

arr 要切分的數組

indices_or_sections 如果是一個整數，就用該數平均切分，如果是一個數組，為沿軸切分的位置(左開右閉)

axis 沿著哪個維度進行切向，默認為0，橫向切分。為1時，縱向切分

4.數組置換和軸對換

轉置是數組重塑的一種特殊形式，可以通過transpose方法進行轉置

transpose方法需要傳入軸編號組成的元組，這樣就完成了數組的轉置

數組的T屬性，也可用于數組的轉置

swapaxes方法用于軸對換

2.1.5 NumPy的隨機數函數

rand 產生均勻分布的樣本值

randint 給定范圍內取隨機整數

randn 產生正態分布的樣本值

seed 隨機數種子

permutation 對一個序列隨機排序，不改變原數組

shuffle 對一個序列隨機排序，改變原數組

uniform(low,high,size) 產生具有均勻分布的數組，low表示起始值，high表示結束值，size表示形狀

normal(loc,scale,size) 產生具有正態分布的數組，loc表示均值，scale表示標準差

poisson(lam,size) 產生具有泊松分布的數組，lam表示隨機事件發生率

2.2 數組的索引和切片

2.2.1 數組的索引

一維數組的索引類似于Python列表

數組的切片返回的是原始數組的視圖。簡單地說,視圖就是原始數組的表現形式，切片操作并不會產生新數據，這就意味著在視圖上的操作都會使原數組發生改變。

如果需要的并非視圖而是要復制數據,則可以通過copy方法來實現

在高維數組中，如果省略后面的索引，則會返回低一個維度的數組

2.2.2 數組的切片

一維數組的切片同樣類似于Python列表

多維數組的切片是按照軸方向進行的，當在中括號中輸入一個參數時，數組就會按照0軸(也就是第一 軸)方向進行切片

python numpy數組中冒號的使用：

python中冒號實際上有兩個意思: 1.默認全部選擇; 2.指定范圍(注意這里含左不含右)

2.2.3 布爾型索引

注意：布爾型數組長度必須和被索引的長度一致

2.2.4 花式索引

花式索引是NumPy中的術語，它可以通過整數列表或數組進行索引

也可以使用np.ix_函數完成同樣的操作

2.3 數組的運算

2.3.1 數組和標量間的運算

數組之所以很強大而且重要的原因，是其不需要通過循環就可以完成批量計算，也就是矢量化。相同維度的數組的算術運算都可以直接應用到元素中,也就是元素級運算。

2.3.2 通用函數

通用函數是一種對數組中的數組執行元素級運算的函數

一元函數：函數傳入一個數組

abs函數求絕對值

square函數求平方

二元函數：有一些函數需要傳入兩個數組并返回一個數組

add函數用于兩個數相加

minimum函數可以計算元素最小值

有些通用函數還可以返回兩個數組，例如modf函數可以返回數組元素的小數和整數部分

2.3.3 條件邏輯運算

如果需要通過cond的值來選取arr1和arr2的值，當cond為True時，選擇arr1的值，否則選擇arr2的值，可以通過if語句判斷來實現

if方法存在的兩個問題：第一，對大規模數組處理速度不是很快；第二，無法用于多維數組 where函數可以解決這兩個問題

where函數：where(condition,x,y) 滿足條件(conditin),輸出x，不滿足輸出y

2.3.4 統計運算

NumPy庫支持對整個數組或指定軸向的數據進行統計計算

sum函數用于求和

mean函數用于求算術平均數

std，var函數用于求標準差和方差

min，max函數求最小值和最大值

argmin，argmax函數求最小和最大元素索引

cumsum函數求所有元素的累計和

cumpord函數求所有元素的累計積

2.3.5 布爾型數組運算

對于布爾型數組，其布爾值會被強制轉換為1(Ture)和0(False)

any和all也可以用于布爾型數組運算

any函數用于測試數組中是否存在一個或多個Ture

all函數用于檢查數組中的所有值是否為Ture

2.3.6 排序

與Python列表相似，NumPy數組也可以通過sort方法進行排序

sort函數進行排序(從小到大) 對于多維度數組，可以通過指定軸方向進行排序

2.3.7 集合運算

NumPy庫中提供了針對一維數組的基本集合運算。在數據分析中，常使用np.unique方法來找出數組中的唯一值

注意：對唯一-值進行了排序

unique(x)唯一值

intersectld(x,y)公共元素

unionld(x,y)并集

setdiffd(x,y)集合的差

setxorld(x,y)交集取反

2.3.8 線性代數

數組的運算是元素級的，數組相乘的結果是各對應元素的積組成的數組。而對于矩陣而言,需要求的是點積，這里NumPy提供了用于矩陣乘法的dot函數。

點積：在數學中，又稱數量積(dot product; scalar product)，是指接受在實數R上的兩個向量并返回一個實數值標量的二元運算。它是歐幾里得空間的標準內積

dot函數矩陣乘法

2.4 數組的存取

2.4.1數組的存儲

通過np.savetxt方法可以對數組進行存儲

np.savetxt(fname, X, fmt= *%.18e'，delimiter=' ，newline="\n',header=", footer=", comments='# ' encoding=None)

2.4.2數組的讀取

對于存儲的文件，可以通過np.loadtxt方法進行讀取,并將其加載到一個數組中

np.loadtxt(fname, dtype= , comments='#',delimiter=None, converters=None, skiprows=0, usecols =None,unpack=False, ndmin=0, encoding='bytes')

拓展文件存儲方法：

2.5 綜合實例

2.5.1 圖像轉換

圖像一般采用的是RGB色彩模式，即每個像素點的顏色有R (紅)、G(綠)、B(藍)組成。通過三種顏色的疊加可以得到各種顏色，每個顏色的取值范圍為0~255。Python中的PIL庫是一 個處理圖像的第三方庫

總結

以上是生活随笔為你收集整理的python 组合数库函数_Python数据分析之Numpy库（笔记）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。