numpy模块详解

标签：arr 模块 16 34 详解 数组 array numpy

### 开发环境介绍 - anaconda - 官网：https://www.anaconda.com/ - 集成环境：集成好了数据分析和机器学习中所需要的全部环境 - 注意： - 安装目录不可以有中文和特殊符号 - jupyter - jupyter就是anaconda提供的一个基于浏览器的可视化开发工具 - jupyter的基本使用 - 启动：在终端中录入：jupyter notebook的指令，按下回车 - 新建： - python3：anaconda中的一个源文件 - cell有两种模式： - code：编写代码 - markdown：编写笔记 - 快捷键： - 添加cell：a或者b - 删除：x - 修改cell的模式： - m：修改成markdown模式 - y：修改成code模式 - 执行cell： - shift+enter - tab：自动补全 - 代开帮助文档：shift+tab
# 数据分析三剑客 - numpy - pandas(重点) - matplotlib   ### numpy模块 - NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。 重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。   #### numpy的创建 - 使用np.array()创建 - 使用plt创建 - 使用np的routines函数创建

- 使用array()创建一个一维数组
import numpy as np
arr = np.array([1,2,3])
arr
array([1, 2, 3])

- 使用array()创建一个多维数组
arr = np.array([[1,2,3],[4,5,6]])
arr
array([[1, 2, 3],
       [4, 5, 6]])

- 数组和列表的区别是什么？ - 数组中存储的数据元素类型必须是统一类型 - 优先级： - 字符串 > 浮点型 > 整数

- 将外部的一张图片读取加载到numpy数组中，然后尝试改变数组元素的数值查看对原始图片的影响
import matplotlib.pyplot as plt
img_arr = plt.imread('./1.jpg')#返回的数组，数组中装载的就是图片内容
plt.imshow(img_arr)#将numpy数组进行可视化展示

 

- zero() - ones() - linespace() - arange() - random系列

np.ones(shape=(3,4))
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
np.linspace(0,100,num=20) #一维的等差数列数组
array([  0.        ,   5.26315789,  10.52631579,  15.78947368,
        21.05263158,  26.31578947,  31.57894737,  36.84210526,
        42.10526316,  47.36842105,  52.63157895,  57.89473684,
        63.15789474,  68.42105263,  73.68421053,  78.94736842,
        84.21052632,  89.47368421,  94.73684211, 100.        ])
np.arange(10,50,step=2) #一维等差数列
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
       44, 46, 48])
np.random.randint(0,100,size=(5,3))
array([[19,  0, 17],
       [72, 29, 13],
       [69, 59, 68],
       [63, 54, 87],
       [70, 64,  0]])

#### numpy的常用属性 - shape - ndim - size - dtype

arr = np.random.randint(0,100,size=(5,6))
array([[43, 96, 75,  1, 34, 88],
       [96,  2, 17, 34, 26, 57],
       [71, 36, 11, 11, 10, 29],
       [72, 46, 51,  4, 27, 75],
       [80, 42, 27, 55, 19, 43]])

arr.shape #返回的是数组的形状
(5, 6)

arr.ndim #返回的是数组的维度
2

arr.size #返回数组元素的个数
30

arr.dtype #返回的是数组元素的类型
dtype('int64')

type(arr) #数组的数据类型
numpy.ndarray

#### numpy的索引和切片操作

- 索引操作和列表同理
arr = np.random.randint(1,100,size=(5,6))
array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])
arr[1]  #取出了numpy数组中的下标为1的行数据
array([37, 57, 26, 92, 91, 34])
arr[[1,3,4]] #取出多行
array([[37, 57, 26, 92, 91, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

 

- 切片操作 - 切出前两列数据 - 切出前两行数据 - 切出前两行的前两列的数据 - 数组数据翻转 - 练习：将一张图片上下左右进行翻转操作 - 练习：将图片进行指定区域的裁剪  

#切出arr数组的前两行的数据
arr[0:2] #arr[行切片]
array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34]])
#切出arr数组中的前两列
arr[:,0:2] #arr[行切片,列切片]
array([[69, 80],
       [37, 57],
       [13, 16],
       [ 5, 16],
       [54, 63]])
切出前两行的前两列的数据
arr[0:2,0:2]
array([[69, 80],
       [37, 57]])
#将数组的行倒置
arr[::-1]
array([[54, 63, 20, 11, 94, 88],
       [ 5, 16, 47, 66, 51, 12],
       [13, 16, 93, 54, 87, 34],
       [37, 57, 26, 92, 91, 34],
       [69, 80,  7, 90, 31, 44]])
#将数组的列倒置
arr[:,::-1]
array([[44, 31, 90,  7, 80, 69],
       [34, 91, 92, 26, 57, 37],
       [34, 87, 54, 93, 16, 13],
       [12, 51, 66, 47, 16,  5],
       [88, 94, 11, 20, 63, 54]])
#所有元素倒置
arr[::-1,::-1]
array([[88, 94, 11, 20, 63, 54],
       [12, 51, 66, 47, 16,  5],
       [34, 87, 54, 93, 16, 13],
       [34, 91, 92, 26, 57, 37],
       [44, 31, 90,  7, 80, 69]])
#将一张图片进行左右翻转
img_arr = plt.imread('./1.jpg')
plt.imshow(img_arr)
#左右替换
plt.imshow(img_arr[:,::-1,:]) #img_arr[行，列，颜色]
#图片上下翻转
plt.imshow(img_arr[::-1,:,:])
#图片裁剪的功能
plt.imshow(img_arr[66:200,78:300,:])

#### 变形reshape  

 

申明arr内容
arr#是一个5行6列的二维数组
array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

#将二维的数组变形成1维
arr_1 = arr.reshape((30,))
#将一维变形成多维
arr_1.reshape((6,5))
array([[69, 80,  7, 90, 31],
       [44, 37, 57, 26, 92],
       [91, 34, 13, 16, 93],
       [54, 87, 34,  5, 16],
       [47, 66, 51, 12, 54],
       [63, 20, 11, 94, 88]])

#### 级联操作 - 将多个numpy数组进行横向或者纵向的拼接 - axis轴向的理解 - 0:列 - 1:行 - 问题： - 级联的两个数组维度一样，但是行列个数不一样会如何？

np.concatenate((arr,arr),axis=1)
array([[69, 80,  7, 90, 31, 44, 69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34, 37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34, 13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12,  5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88, 54, 63, 20, 11, 94, 88]])
arr_3 = np.concatenate((img_arr,img_arr,img_arr),axis=0)
plt.imshow(arr_3)

#### 常用的聚合操作 - sum,max,min,mean

arr.sum(axis=1)
array([321, 337, 297, 197, 330])

arr.max(axis=1)
array([90, 92, 93, 66, 94])

#### 常用的数学函数 - NumPy 提供了标准的三角函数：sin()、cos()、tan() - numpy.around(a,decimals) 函数返回指定数字的四舍五入值。 - 参数说明： - a: 数组 - decimals: 舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置v

np.sin(2.5)
0.5984721441039564
np.around(3.84,2)
3.84

#### 常用的统计函数 - numpy.amin() 和 numpy.amax()，用于计算数组中的元素沿指定轴的最小、最大值。 - numpy.ptp():计算数组中元素最大值与最小值的差（最大值 - 最小值）。 - numpy.median() 函数用于计算数组 a 中元素的中位数（中值） - 标准差std():标准差是一组数据平均值分散程度的一种度量。 - 公式：std = sqrt(mean((x - x.mean())**2)) - 如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]， 并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。 - 方差var()：统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数， 即 mean((x - x.mean())** 2)。换句话说，标准差是方差的平方根。  

arr[1].std()
26.66718749491384

arr[1].var()
711.138888888889

### 矩阵相关 - NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。 一个 的矩阵是一个由行（row）列（column）元素排列成的矩形阵列。 - numpy.matlib.identity() 函数返回给定大小的单位矩阵。单位矩阵是个方阵，从左上角到右下角的对角线 （称为主对角线）上的元素均为 1，除此以外全都为 0。

#eye返回一个标准的单位矩阵
np.eye(6)
array([[1., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 1.]])

- 矩阵相乘 - numpy.dot(a, b, out=None) - a : ndarray 数组 - b : ndarray 数组 -  - 第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1）， 然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。也就是说，结果矩阵第m行与第n列交叉位置的那个值， 等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和。 - 线性代数基于矩阵的推导： - https://www.cnblogs.com/alantu2018/p/8528299.html  

 

a1 = np.array([[2,1],[4,3]])
a2 = np.array([[1,2],[1,0]])
np.dot(a1,a2)

array([[3, 4],
       [7, 8]])

 

 

标签：arr,模块,16,34,详解,数组,array,numpy
From： https://www.cnblogs.com/anhao-world/p/17857540.html