前言
在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率,类似于R的向量化操作,是的数据的操作趋于简单化,在python 中是使用numpy模块可以进行数组和矢量计算。
下面来看下简单的例子
1
2
3
4
5
|
import numpy as np
data = np.array([ 2 , 5 , 6 , 8 , 3 ]) #构造一个简单的数组
print (data)
|
结果:
1
|
[2 5 6 8 3]
|
1
2
3
|
data1 = np.array([[ 2 , 5 , 6 , 8 , 3 ],np.arange( 5 )]) #构建一个二维数组
print (data1)
|
结果:
1
2
|
[[2 5 6 8 3]
[0 1 2 3 4]]
|
我们也可以通过shape和dtype方法查看数组的维度和数据格式
1
2
3
4
|
print (data.shape)
print (data.dtype)
print (data1.shape)
print (data1.dtype)
|
结果:
1
2
3
4
5
|
(5,)
int32
(2, 5)
int32
|
可以看出data是一维数组,每组元素为5个,数据类型为32位int 类型
data1 为二维数组,每个组有5个元素,数据类型为32位int类型
有一个较好的区分方法是看打印结果中,中括号的层数和位置,就可以看出数组的维度,一层中括号代表一个维度。
其他的数组属性方法还有:
array.ndim
数组的维数,一维数组结果为1,二维数组打印结果为2
array.size
数组的元素个数
array.itemsiz
数组每个元素的字节大小
接下来我们了解下数组中的数据类型:
NumPy中的基本数据类型
名称 | 描述 |
bool | 用一个字节存储的布尔类型(True或False) |
inti | 由所在平台决定其大小的整数(一般为int32或int64) |
int8 | 一个字节大小,-128 至 127 |
int16 | 整数,-32768 至 32767 |
int32 | 整数,-2 ** 31 至 2 ** 32 -1 |
int64 | 整数,-2 ** 63 至 2 ** 63 - 1 |
uint8 | 无符号整数,0 至 255 |
uint16 | 无符号整数,0 至 65535 |
uint32 | 无符号整数,0 至 2 ** 32 - 1 |
uint64 | 无符号整数,0 至 2 ** 64 - 1 |
float16 | 半精度浮点数:16位,正负号1位,指数5位,精度10位 |
float32 | 单精度浮点数:32位,正负号1位,指数8位,精度23位 |
float64或float | 双精度浮点数:64位,正负号1位,指数11位,精度52位 |
complex64 | 复数,分别用两个32位浮点数表示实部和虚部 |
complex128或complex | 复数,分别用两个64位浮点数表示实部和虚部 |
基础的数组运算
数组也可以进行我们常用的加减乘除运算
1
2
3
|
arr = np.array(np.arange( 10 ))
arr1 = np.array(np.arange( 1 , 11 ))
print (arr * 2 )
|
结果:
1
|
[ 0 2 4 6 8 10 12 14 16 18]
|
1
|
print (arr + arr1)
|
结果:
1
|
[ 1 3 5 7 9 11 13 15 17 19]
|
注意,相加两个数组长度要一样
接下来我们看下数组索引
1
|
arr = np.arange( 10 )
|
用下标直接进行索引
1
|
print (arr[ 5 ])
|
结果为:
1
|
5
|
切片索引
1
|
print (arr[ 5 : 8 ])
|
结果为:
1
|
[5 6 7]
|
可以利用索引对数据进行更改操作
1
2
|
arr[ 5 ] = 120
print (arr)
|
结果为:
1
|
[ 0 1 2 3 4 120 6 7 8 9]
|
可以看到下标为5的数已经变成120了。
此外,数组还可以进行布尔操作
1
2
3
|
arr = np.arange( 5 )
name = np.array([ 'a' , 'b' , 'b' , 'c' , 'a' ])
print (name = = 'a' )
|
结果为:
1
|
[ True False False False True]
|
即满足条件的数据全部以True的结果输出。
接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作
1
|
print (arr[name = = 'a' ])
|
结果为:
1
|
[0 4]
|
即把arr中对应于name中a相对应位置的元素打印出来。
多条件操作
1
2
3
|
result = (name = 'a' )|(name = 'c' )
print (result)
print (name[result])
|
结果为:
1
2
|
[ True False False True True]
['a' 'c' 'a']
|
接下来,我们了解下ufunc方法
用于操作单个数组的函数有如下:
用于操作两个或多个数组的方法
相关的函数方法使用
np.meshgrid
用于生成多维矩阵
1
2
3
|
a,b = np.meshgrid(np.arange( 1 , 5 ),np.arange( 2 , 4 ))
print (a)
print (b)
|
结果为:
1
2
3
4
|
[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]
|
按照数据最少的数组形成数组
np.where
是三元表达式 x if condition else y的矢量化版本
1
2
3
4
5
6
7
|
arr1 = np.arange( 5 )
arr2 = np.arange( 20 , 25 )
condition = np.array([ 1 , 0 , 1 , 0 , 0 ])
result = np.where(condition,arr1,arr2)
print (arr1)
print (arr2)
print (result)
|
结果为:
1
2
3
|
[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]
|
可以看出,result的结果中,条件为1的显示数组arr1的内容,条件为0的显示arr2的内容
数学统计方法
在数组中我们也可以使用数学统计方法进行计数,例如sum mean std 等
1
2
3
4
5
|
arr = np.random.randint( 1 , 20 , 10 )
print (arr)
print (np.mean(arr))
print (np. sum (arr))
print (np.std(arr))
|
结果为:
1
2
3
4
|
[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845
|
具体的方法内容如下图所示:
布尔型数组的相关统计方法
1
2
3
4
|
arr = np.arange( - 20 , 10 )
result = (arr> 5 ). sum ()
print (arr)
print (result)
|
结果为:
1
2
3
4
|
-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
-2 -1 0 1 2 3 4 5 6 7 8 9]
4
|
可以对数据进行判断后进行个数求和
其他的数组方法还有
数据的读取和存储
线性函数的常用方法
1
2
3
|
arr = np.array([np.random.randint( 1 , 10 , 5 ),np.random.randint( 10 , 20 , 5 )])
print (arr)
print (np.dot(arr, 2 ))
|
结果为
1
2
3
4
|
[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]
|
dot方法可以进行矩阵相乘操作
其他方法如下图
最后我们了解下numpy中的随机数生成方法
上面的很多例子中我们已经用到了随机数生成,
1
2
|
arr = np.random.random( 10 )
print (arr)
|
结果为
1
2
|
[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]
|
其他形式的随机数生成方法
总结
好了,以上就是这篇文章的全部内容了,了解了以上numpy的操作方法,基本的数据操作问题应该不是很大了。希望本文的内容对大家的学习或者工作能带来一定的帮助。