【回炉重造】Python之numpy详细教程
2021/9/16 17:10:39
本文主要是介绍【回炉重造】Python之numpy详细教程，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！
Python之numpy详细教程
- 前言
- 安装：
- Numpy库介绍
- 安装：
- 教程地址：
- Numpy数组和Python列表性能对比：
- NumPy数组基本用法
- numpy中的数组：
- 创建数组（np.ndarray对象）：
- ndarray常用属性：
- `ndarray.dtype`：
- `ndarray.size`：
- `ndarray.ndim`：
- `ndarray.shape`：
- `ndarray.itemsize`：
- Numpy数组操作
- 数组广播机制：
- 数组与数的计算：
- 数组与数组的计算：
- 广播原则：
- 数组形状的操作：
- reshape和resize方法：
- flatten和ravel方法：
- 不同数组的组合：
- 数组的切割：
- 数组（矩阵）转置和轴对换：
- Numpy数组操作
- 索引和切片：
- 布尔索引：
- 值的替换：
- 深拷贝和浅拷贝
- 不拷贝：
- View或者浅拷贝：
- 深拷贝：
- 例子：
- 文件操作
- 操作CSV文件：
- 文件保存：
- 读取文件：
- np独有的存储解决方案：
- CSV文件操作：
- 读取csv文件：
- 写入数据到csv文件：
- NAN和INF值处理
- NAN一些特点：
- 删除缺失值：
- 用其他值进行替代：
- np.random模块
- np.random.seed：
- np.random.rand：
- np.random.randn：
- np.random.randint：
- np.random.choice：
- np.random.shuffle：
- 更多：
- Axis理解
- 三维以上数组：
- 通用函数
- 一元函数：
- 二元函数：
- 聚合函数：
- 布尔数组的函数：
- 排序：
- 其他函数补充：
- 更多：
- Numpy练习题
- 一、查看Numpy的版本号：
- 二、如何创建一个所有值都是False的布尔类型的数组：
- 三、将一个有10个数的数组的形状进行转换：
- 四、将数组中所有偶数都替换成0（改变原来数组和不改变原来数组两种方式实现）：
- 五、创建一个一维且有10个数的数组，元素是从`0-1`之间，但是不包含0和1：
- 六、求以下数组大于等于5并且小于等于10的数组：
- 七、将一个二维数组的行和列分别进行逆向：
- 八、如何将科学计数法转换为浮点类型打印：
- 九、获取一个数组中唯一的元素：
- 十、获取一个数组中唯一的元素个数的排行：
- 十一、如何找到数组中每行的最大值：
- 十二、如何按照行求最小值与最大值相除的结果：
- 十三、判断两个数组是否完全相等：
- 十四、设置一个数组不能修改值：
- 十五、找到数组中离某个元素的最近的值：
前言
Numpy(Numerical Python的简称)是一个专门用来做科学计算的库，主要用在多维数组（矩阵）方面的处理。
因为Numpy底层是用C语言开发的，所以他在处理一些多维数组（矩阵）的时候，比原生Python的列表快得很多。
Numpy是个基础的科学计算库，Python其余的科学计算扩展大部分都是以此为基础。
安装：
进入到你自己的环境中，然后输入conda install numpy即可安装。安装完成后，以后在pycharm中使用的时候如果出现以下错误：
那么需要把Anaconda的安装路径添加到PATH的环境变量中。比如我是把Anaconda安装在D:\ProgramApp\Anaconda，那么需要添加以下三个环境变量：
Numpy库介绍
NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。
NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。在数据分析和机器学习领域被广泛使用。他有以下几个特点：
- numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
- Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
- 有一个强大的N维数组对象Array（一种类似于列表的东西）。
- 实用的线性代数、傅里叶变换和随机数生成函数。
总而言之，他是一个非常高效的用于处理数值型运算的包。
安装：
通过pip install numpy即可安装。
教程地址：
- 官网：
https://docs.scipy.org/doc/numpy/user/quickstart.html。 - 中文文档：
https://www.numpy.org.cn/user_guide/quickstart_tutorial/index.html。
Numpy数组和Python列表性能对比：
比如我们想要对一个Numpy数组和Python列表中的每个素进行求平方。那么代码如下：
# Python列表的方式
t1 = time.time()
a = []
for x in range(100000):
a.append(x**2)
t2 = time.time()
t = t2 - t1
print(t)
花费的时间大约是0.07180左右。而如果使用numpy的数组来做，那速度就要快很多了：
t3 = time.time() b = np.arange(100000)**2 t4 = time.time() print(t4-t3)
NumPy数组基本用法
Numpy是Python科学计算库，用于快速处理任意维度的数组。NumPy提供一个N维数组类型ndarray，它描述了相同类型的“items”的集合。numpy.ndarray支持向量化运算。NumPy使用c语言写的，底部解除了GIL，其对数组的操作速度不在受python解释器限制。
numpy中的数组：
Numpy中的数组的使用跟Python中的列表非常类似。他们之间的区别如下：
- 一个列表中可以存储多种数据类型。比如
a = [1,'a']是允许的，而数组只能存储同种数据类型。 - 数组可以是多维的，当多维数组中所有的数据都是数值类型的时候，相当于线性代数中的矩阵，是可以进行相互间的运算的。
创建数组（np.ndarray对象）：
Numpy经常和数组打交道，因此首先第一步是要学会创建数组。在Numpy中的数组的数据类型叫做ndarray。以下是两种创建的方式：
-
根据
Python中的列表生成：import numpy as np a1 = np.array([1,2,3,4]) print(a1) print(type(a1))
-
使用
np.arange生成，np.arange的用法类似于Python中的range：import numpy as np a2 = np.arange(2,21,2) print(a2)
-
使用
np.random生成随机数的数组：a1 = np.random.random(2,2) # 生成2行2列的随机数的数组 a2 = np.random.randint(0,10,size=(3,3)) # 元素是从0-10之间随机的3行3列的数组
-
使用函数生成特殊的数组：
import numpy as np a1 = np.zeros((2,2)) #生成一个所有元素都是0的2行2列的数组 a2 = np.ones((3,2)) #生成一个所有元素都是1的3行2列的数组 a3 = np.full((2,2),8) #生成一个所有元素都是8的2行2列的数组 a4 = np.eye(3) #生成一个在斜方形上元素为1，其他元素都为0的3x3的矩阵
ndarray常用属性：
ndarray.dtype：
因为数组中只能存储同一种数据类型，因此可以通过dtype获取数组中的元素的数据类型。以下是ndarray.dtype的常用的数据类型：
| 数据类型 | 描述 | 唯一标识符 |
|---|---|---|
| bool | 用一个字节存储的布尔类型（True或False） | ‘b’ |
| int8 | 一个字节大小，-128 至 127 | ‘i1’ |
| int16 | 整数，16 位整数(-32768 ~ 32767) | ‘i2’ |
| int32 | 整数，32 位整数(-2147483648 ~ 2147483647) | ‘i4’ |
| int64 | 整数，64 位整数(-9223372036854775808 ~ 9223372036854775807) | ‘i8’ |
| uint8 | 无符号整数，0 至 255 | ‘u1’ |
| uint16 | 无符号整数，0 至 65535 | ‘u2’ |
| uint32 | 无符号整数，0 至 2 ** 32 - 1 | ‘u4’ |
| uint64 | 无符号整数，0 至 2 ** 64 - 1 | ‘u8’ |
| float16 | 半精度浮点数：16位，正负号1位，指数5位，精度10位 | ‘f2’ |
| float32 | 单精度浮点数：32位，正负号1位，指数8位，精度23位 | ‘f4’ |
| float64 | 双精度浮点数：64位，正负号1位，指数11位，精度52位 | ‘f8’ |
| complex64 | 复数，分别用两个32位浮点数表示实部和虚部 | ‘c8’ |
| complex128 | 复数，分别用两个64位浮点数表示实部和虚部 | ‘c16’ |
| object_ | python对象 | ‘O’ |
| string_ | 字符串 | ‘S’ |
| unicode_ | unicode类型 | ‘U’ |
我们可以看到，Numpy中关于数值的类型比Python内置的多得多，这是因为Numpy为了能高效处理处理海量数据而设计的。举个例子，比如现在想要存储上百亿的数字，并且这些数字都不超过254（一个字节内），我们就可以将dtype设置为int8，这样就比默认使用int64更能节省内存空间了。类型相关的操作如下：
-
默认的数据类型：
import numpy as np a1 = np.array([1,2,3]) print(a1.dtype) # 如果是windows系统，默认是int32 # 如果是mac或者linux系统，则根据系统来
-
指定
dtype：import numpy as np a1 = np.array([1,2,3],dtype=np.int64) # 或者 a1 = np.array([1,2,3],dtype="i8") print(a1.dtype)
-
修改
dtype：import numpy as np a1 = np.array([1,2,3]) print(a1.dtype) # window系统下默认是int32 # 以下修改dtype a2 = a1.astype(np.int64) # astype不会修改数组本身，而是会将修改后的结果返回 print(a2.dtype)
ndarray.size：
获取数组中总的元素的个数。比如有个二维数组：
import numpy as np a1 = np.array([[1,2,3],[4,5,6]]) print(a1.size) #打印的是6，因为总共有6个元素
ndarray.ndim：
数组的维数。比如：
a1 = np.array([1,2,3]) print(a1.ndim) # 维度为1 a2 = np.array([[1,2,3],[4,5,6]]) print(a2.ndim) # 维度为2 a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]) print(a3.ndim) # 维度为3
ndarray.shape：
数组的维度的元组。比如以下代码：
a1 = np.array([1,2,3]) print(a1.shape) # 输出(3,)，意思是一维数组，有3个数据 a2 = np.array([[1,2,3],[4,5,6]]) print(a2.shape) # 输出(2,3)，意思是二位数组，2行3列 a3 = np.array([ [ [1,2,3], [4,5,6] ], [ [7,8,9], [10,11,12] ] ]) print(a3.shape) # 输出(2,2,3)，意思是三维数组，总共有2个元素，每个元素是2行3列的 a44 = np.array([1,2,3],[4,5]) print(a4.shape) # 输出(2,)，意思是a4是一个一维数组，总共有2列 print(a4) # 输出[list([1, 2, 3]) list([4, 5])]，其中最外面层是数组，里面是Python列表
另外，我们还可以通过ndarray.reshape来重新修改数组的维数。示例代码如下：
a1 = np.arange(12) #生成一个有12个数据的一维数组 print(a1) a2 = a1.reshape((3,4)) #变成一个2维数组，是3行4列的 print(a2) a3 = a1.reshape((2,3,2)) #变成一个3维数组，总共有2块，每一块是2行2列的 print(a3) a4 = a2.reshape((12,)) # 将a2的二维数组重新变成一个12列的1维数组 print(a4) a5 = a2.flatten() # 不管a2是几维数组，都将他变成一个一维数组 print(a5)
注意，reshape并不会修改原来数组本身，而是会将修改后的结果返回。如果想要直接修改数组本身，那么可以使用resize来替代reshape。
ndarray.itemsize：
数组中每个元素占的大小，单位是字节。比如以下代码：
a1 = np.array([1,2,3],dtype=np.int32) print(a1.itemsize) # 打印4，因为每个字节是8位，32位/8=4个字节
Numpy数组操作
数组广播机制：
数组与数的计算：
在Python列表中，想要对列表中所有的元素都加一个数，要么采用map函数，要么循环整个列表进行操作。但是NumPy中的数组可以直接在数组上进行操作。
示例代码如下：
import numpy as np a1 = np.random.random((3,4)) print(a1) # 如果想要在a1数组上所有元素都乘以10，那么可以通过以下来实现 a2 = a1*10 print(a2) # 也可以使用round让所有的元素只保留2位小数 a3 = a2.round(2)
以上例子是相乘，其实相加、相减、相除也都是类似的。
数组与数组的计算：
-
结构相同的数组之间的运算：
a1 = np.arange(0,24).reshape((3,8)) a2 = np.random.randint(1,10,size=(3,8)) a3 = a1 + a2 #相减/相除/相乘都是可以的 print(a1) print(a2) print(a3)
-
与行数相同并且只有1列的数组之间的运算：
a1 = np.random.randint(10,20,size=(3,8)) #3行8列 a2 = np.random.randint(1,10,size=(3,1)) #3行1列 a3 = a1 - a2 #行数相同，且a2只有1列，能互相运算 print(a3)
-
与列数相同并且只有1行的数组之间的运算：
a1 = np.random.randint(10,20,size=(3,8)) #3行8列 a2 = np.random.randint(1,10,size=(1,8)) a3 = a1 - a2 print(a3)
广播原则：
如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为他们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。
看以下案例分析：
-
shape为(3,8,2)的数组能和(8,3)的数组进行运算吗？
分析：不能，因为按照广播原则，从后面往前面数，(3,8,2)和(8,3)中的2和3不相等，所以不能进行运算。 -
shape为(3,8,2)的数组能和(8,1)的数组进行运算吗？
分析：能，因为按照广播原则，从后面往前面数，(3,8,2)和(8,1)中的2和1虽然不相等，但是因为有一方的长度为1，所以能参与运算。 -
shape为(3,1,8)的数组能和(8,1)的数组进行运算吗？
分析：能，因为按照广播原则，从后面往前面数，(3,1,4)和(8,1)中的4和1虽然不相等且1和8不相等，但是因为这两项中有一方的长度为1，所以能参与运算。
数组形状的操作：
可以通过一些函数，非常方便的操作数组的形状。
reshape和resize方法：
两个方法都是用来修改数组形状的，但是有一些不同。
-
reshape是将数组转换成指定的形状，然后返回转换后的结果，对于原数组的形状是不会发生改变的。调用方式：a1 = np.random.randint(0,10,size=(3,4)) a2 = a1.reshape((2,6)) #将修改后的结果返回，不会影响原数组本身
-
resize是将数组转换成指定的形状，会直接修改数组本身。并不会返回任何值。调用方式：a1 = np.random.randint(0,10,size=(3,4)) a1.resize((2,6)) #a1本身发生了改变
flatten和ravel方法：
两个方法都是将多维数组转换为一维数组，但是有以下不同：
flatten是将数组转换为一维数组后，然后将这个拷贝返回回去，所以后续对这个返回值进行修改不会影响之前的数组。ravel是将数组转换为一维数组后，将这个视图（可以理解为引用）返回回去，所以后续对这个返回值进行修改会影响之前的数组。
比如以下代码：
x = np.array([[1, 2], [3, 4]]) x.flatten()[1] = 100 #此时的x[0]的位置元素还是1 x.ravel()[1] = 100 #此时x[0]的位置元素是100
不同数组的组合：
如果有多个数组想要组合在一起，也可以通过其中的一些函数来实现。
-
vstack：将数组按垂直方向进行叠加。数组的列数必须相同才能叠加。示例代码如下：a1 = np.random.randint(0,10,size=(3,5)) a2 = np.random.randint(0,10,size=(1,5)) a3 = np.vstack([a1,a2])
-
hstack：将数组按水平方向进行叠加。数组的行必须相同才能叠加。示例代码如下：a1 = np.random.randint(0,10,size=(3,2)) a2 = np.random.randint(0,10,size=(3,1))a3 = np.hstack([a1,a2])
-
concatenate([],axis)：将两个数组进行叠加，但是具体是按水平方向还是按垂直方向。则要看axis的参数，如果axis=0，那么代表的是往垂直方向（行）叠加，如果axis=1，那么代表的是往水平方向（列）上叠加，如果axis=None，那么会将两个数组组合成一个一维数组。
需要注意的是，如果往水平方向上叠加，那么行必须相同，如果是往垂直方向叠加，那么列必须相同。
示例代码如下：
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)
# 结果：
array([[1, 2],
[3, 4],
[5, 6]])
np.concatenate((a, b.T), axis=1)
# 结果：
array([[1, 2, 5],
[3, 4, 6]])
np.concatenate((a, b), axis=None)
# 结果：
array([1, 2, 3, 4, 5, 6])
数组的切割：
通过hsplit和vsplit以及array_split可以将一个数组进行切割。
hsplit：按照水平方向进行切割。用于指定分割成几列，可以使用数字来代表分成几部分，也可以使用数组来代表分割的地方。
示例代码如下：
a1 = np.arange(16.0).reshape(4, 4)
np.hsplit(a1,2) #分割成两部分
>>> array([[ 0., 1.],
[ 4., 5.],
[ 8., 9.],
[12., 13.]]), array([[ 2., 3.],
[ 6., 7.],
[10., 11.],
[14., 15.]])]
np.hsplit(a1,[1,2]) #代表在下标为1的地方切一刀，下标为2的地方切一刀，分成三部分
>>> [array([[ 0.],
[ 4.],
[ 8.],
[12.]]), array([[ 1.],
[ 5.],
[ 9.],
[13.]]), array([[ 2., 3.],
[ 6., 7.],
[10., 11.],
[14., 15.]])]
vsplit：按照垂直方向进行切割。用于指定分割成几行，可以使用数字来代表分成几部分，也可以使用数组来代表分割的地方。示例代码如下：
np.vsplit(x,2) #代表按照行总共分成2个数组
>>> [array([[0., 1., 2., 3.],
[4., 5., 6., 7.]]), array([[ 8., 9., 10., 11.],
[12., 13., 14., 15.]])]
np.vsplit(x,(1,2)) #代表按照行进行划分，在下标为1的地方和下标为2的地方分割
>>> [array([[0., 1., 2., 3.]]),
array([[4., 5., 6., 7.]]),
array([[ 8., 9., 10., 11.],
[12., 13., 14., 15.]])]
-
split/array_split(array,indicate_or_seciont,axis)：用于指定切割方式，在切割的时候需要指定是按照行还是按照列，axis=1代表按照列，axis=0代表按照行。示例代码如下：np.array_split(x,2,axis=0) #按照垂直方向切割成2部分>>> [array([[0., 1., 2., 3.], [4., 5., 6., 7.]]), array([[ 8., 9., 10., 11.], [12., 13., 14., 15.]])]
数组（矩阵）转置和轴对换：
numpy中的数组其实就是线性代数中的矩阵。矩阵是可以进行转置的。ndarray有一个T属性，可以返回这个数组的转置的结果。示例代码如下：
a1 = np.arange(0,24).reshape((4,6)) a2 = a1.T print(a2)
另外还有一个方法叫做transpose，这个方法返回的是一个View，也即修改返回值，会影响到原来数组。示例代码如下：
a1 = np.arange(0,24).reshape((4,6)) a2 = a1.transpose()
为什么要进行矩阵转置呢，有时候在做一些计算的时候需要用到。比如做矩阵的内积的时候。就必须将矩阵进行转置后再乘以之前的矩阵：
a1 = np.arange(0,24).reshape((4,6)) a2 = a1.T print(a1.dot(a2))
Numpy数组操作
索引和切片：
-
获取某行的数据：
# 1. 如果是一维数组 a1 = np.arange(0,29) print(a1[1]) #获取下标为1的元素 a1 = np.arange(0,24).reshape((4,6)) print(a1[1]) #获取下标为1的行的数据
-
连续获取某几行的数据：
# 1. 获取连续的几行的数据 a1 = np.arange(0,24).reshape((4,6)) print(a1[0:2]) #获取0行到1行的数据 # 2. 获取不连续的几行的数据 print(a1[[0,2,3]]) # 3. 也可以使用负数进行索引 print(a1[[-1,-2]])
-
获取某行某列的数据：
a1 = np.arange(0,24).reshape((4,6)) print(a1[1,1]) #获取1行1列的数据 print(a1[0:2,0:2]) #获取0-1行的0-1列的数据 print(a1[[1,2],[2,3]]) #获取(1,2)和(2,3)的两个数据，这也叫花式索引
-
获取某列的数据：
a1 = np.arange(0,24).reshape((4,6)) print(a1[:,1]) #获取第1列的数据
布尔索引：
布尔运算也是矢量的，比如以下代码：
a1 = np.arange(0,24).reshape((4,6)) print(a1<10) #会返回一个新的数组，这个数组中的值全部都是bool类型 > [[ True True True True True True] [ True True True True False False] [False False False False False False] [False False False False False False]]
这样看上去没有什么用，假如我现在要实现一个需求，要将a1数组中所有小于10的数据全部都提取出来。那么可以使用以下方式实现：
a1 = np.arange(0,24).reshape((4,6)) a2 = a1 < 10 print(a1[a2]) #这样就会在a1中把a2中为True的元素对应的位置的值提取出来
其中布尔运算可以有!=、==、>、<、>=、<=以及&(与)和|(或)。示例代码如下：
a1 = np.arange(0,24).reshape((4,6)) a2 = a1[(a1 < 5) | (a1 > 10)] print(a2)
值的替换：
利用索引，也可以做一些值的替换。把满足条件的位置的值替换成其他的值。比如以下代码：
a1 = np.arange(0,24).reshape((4,6)) a1[3] = 0 #将第三行的所有值都替换成0 print(a1)
也可以使用条件索引来实现：
a1 = np.arange(0,24).reshape((4,6))a1[a1 < 5] = 0 #将小于5的所有值全部都替换成0print(a1)
还可以使用函数来实现：
# where函数：a1 = np.arange(0,24).reshape((4,6))a2 = np.where(a1 < 10,1,0) #把a1中所有小于10的数全部变成1，其余的变成0print(a2)
深拷贝和浅拷贝
在操作数组的时候，它们的数据有时候拷贝进一个新的数组，有时候又不是。这经常是初学者感到困惑。下面有三种情况：
不拷贝：
如果只是简单的赋值，那么不会进行拷贝。示例代码如下：
a = np.arange(12) b = a #这种情况不会进行拷贝 print(b is a) #返回True，说明b和a是相同的
View或者浅拷贝：
有些情况，会进行变量的拷贝，但是他们所指向的内存空间都是一样的，那么这种情况叫做浅拷贝，或者叫做View(视图)。比如以下代码：
a = np.arange(12) c = a.view() print(c is a) #返回False，说明c和a是两个不同的变量 c[0] = 100 print(a[0]) #打印100，说明对c上的改变，会影响a上面的值，说明他们指向的内存空间还是一样的，这种叫做浅拷贝，或者说是view
深拷贝：
将之前数据完完整整的拷贝一份放到另外一块内存空间中，这样就是两个完全不同的值了。示例代码如下：
a = np.arange(12) d = a.copy() print(d is a) #返回False，说明d和a是两个不同的变量 d[0] = 100 print(a[0]) #打印0，说明d和a指向的内存空间完全不同了。
例子：
像之前讲到的flatten和ravel就是这种情况，ravel返回的就是View，而flatten返回的就是深拷贝。
文件操作
操作CSV文件：
文件保存：
有时候我们有了一个数组，需要保存到文件中，那么可以使用np.savetxt来实现。相关的函数描述如下：
np.savetxt(frame, array, fmt='%.18e', delimiter=None) * frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件 * array : 存入文件的数组 * fmt : 写入文件的格式，例如：%d %.2f %.18e * delimiter : 分割字符串，默认是任何空格
以下是使用的例子：
a = np.arange(100).reshape(5,20)
np.savetxt("a.csv",a,fmt="%d",delimiter=",")
读取文件：
有时候我们的数据是需要从文件中读取出来的，那么可以使用np.loadtxt来实现。相关的函数描述如下：
np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False) * frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。 * dtype：数据类型，可选。 * delimiter：分割字符串，默认是任何空格。 * skiprows：跳过前面x行。 * usecols：读取指定的列，用元组组合。 * unpack：如果True，读取出来的数组是转置后的。
np独有的存储解决方案：
numpy中还有一种独有的存储解决方案。文件名是以.npy或者npz结尾的。以下是存储和加载的函数。
- 存储：
np.save(fname,array)或np.savez(fname,array)。其中，前者函数的扩展名是.npy，后者的扩展名是.npz，后者是经过压缩的。 - 加载：
np.load(fname)。
CSV文件操作：
读取csv文件：
import csv
with open('stock.csv','r') as fp:
reader = csv.reader(fp)
titles = next(reader)
for x in reader:
print(x)
这样操作，以后获取数据的时候，就要通过下表来获取数据。如果想要在获取数据的时候通过标题来获取。那么可以使用DictReader。示例代码如下：
import csv
with open('stock.csv','r') as fp:
reader = csv.DictReader(fp)
for x in reader:
print(x['turnoverVol'])
写入数据到csv文件：
写入数据到csv文件，需要创建一个writer对象，主要用到两个方法。一个是writerow，这个是写入一行。一个是writerows，这个是写入多行。示例代码如下：
import csv
headers = ['name','age','classroom']
values = [
('zhiliao',18,'111'),
('wena',20,'222'),
('bbc',21,'111')
]
with open('test.csv','w',newline='') as fp:
writer = csv.writer(fp)
writer.writerow(headers)
writer.writerows(values)
也可以使用字典的方式把数据写入进去。这时候就需要使用DictWriter了。示例代码如下：
import csv
headers = ['name','age','classroom']
values = [
{"name":'wenn',"age":20,"classroom":'222'},
{"name":'abc',"age":30,"classroom":'333'}
]
with open('test.csv','w',newline='') as fp:
writer = csv.DictWriter(fp,headers)
writer.writerow({'name':'zhiliao',"age":18,"classroom":'111'})
writer.writerows(values)
NAN和INF值处理
首先我们要知道这两个英文单词代表的什么意思：
NAN：Not A number，不是一个数字的意思，但是他是属于浮点类型的，所以想要进行数据操作的时候需要注意他的类型。INF：Infinity，代表的是无穷大的意思，也是属于浮点类型。np.inf表示正无穷大，-np.inf表示负无穷大，一般在出现除数为0的时候为无穷大。比如2/0。
NAN一些特点：
- NAN和NAN不相等。比如
np.NAN != np.NAN这个条件是成立的。 - NAN和任何值做运算，结果都是NAN。
有些时候，特别是从文件中读取数据的时候，经常会出现一些缺失值。缺失值的出现会影响数据的处理。
因此我们在做数据分析之前，先要对缺失值进行一些处理。处理的方式有多种，需要根据实际情况来做。
一般有两种处理方式：删除缺失值，用其他值进行填充。
删除缺失值：
有时候，我们想要将数组中的NAN删掉，那么我们可以换一种思路，就是只提取不为NAN的值。示例代码如下：
# 1. 删除所有NAN的值，因为删除了值后数组将不知道该怎么变化，所以会被变成一维数组 data = np.random.randint(0,10,size=(3,5)).astype(np.float) data[0,1] = np.nan data = data[~np.isnan(data)] # 此时的data会没有nan，并且变成一个1维数组 # 2. 删除NAN所在的行 data = np.random.randint(0,10,size=(3,5)).astype(np.float) # 将第(0,1)和(1,2)两个值设置为NAN data[[0,1],[1,2]] = np.NAN # 获取哪些行有NAN lines = np.where(np.isnan(data))[0] # 使用delete方法删除指定的行,axis=0表示删除行，lines表示删除的行号 data1 = np.delete(data,lines,axis=0)
用其他值进行替代：
有些时候我们不想直接删掉，比如有一个成绩表，分别是数学和英语，但是因为某个人在某个科目上没有成绩，那么此时就会出现NAN的情况，这时候就不能直接删掉了，就可以使用某些值进行替代。假如有以下表格：
| 数学 | 英语 |
|---|---|
| 59 | 89 |
| 90 | 32 |
| 78 | 45 |
| 34 | NAN |
| NAN | 56 |
| 23 | 56 |
如果想要求每门成绩的总分，以及每门成绩的平均分，那么就可以采用某些值替代。比如求总分，那么就可以把NAN替换成0，如果想要求平均分，那么就可以把NAN替换成其他值的平均值。示例代码如下：
scores = np.loadtxt("nan_scores.csv",skiprows=1,delimiter=",",encoding="utf-8",dtype=np.str)
scores[scores == ""] = np.NAN
scores = scores.astype(np.float)
# 1. 求出学生成绩的总分
scores1 = scores.copy()
socres1.sum(axis=1)
# 2. 求出每门成绩的平均分
scores2 = scores.copy()
for x in range(scores2.shape[1]):
score = scores2[:,x]
non_nan_score = score[score == score]
score[score != score] = non_nan_score.mean()
print(scores2.mean(axis=0))
np.random模块
np.random为我们提供了许多获取随机数的函数。这里统一来学习一下。
np.random.seed：
用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。一般没有特殊要求不用设置。
以下代码：
np.random.seed(1) print(np.random.rand()) # 打印0.417022004702574 print(np.random.rand()) # 打印其他的值，因为随机数种子只对下一次随机数的产生会有影响。
np.random.rand：
生成一个值为[0,1)之间的数组，形状由参数指定，如果没有参数，那么将返回一个随机值。
示例代码如下：
data1 = np.random.rand(2,3,4) # 生成2块3行4列的数组，值从0-1之间 data2 = np.random.rand() #生成一个0-1之间的随机数
np.random.randn：
生成均值(μ)为0，标准差（σ）为1的标准正态分布的值。
示例代码如下：
data = np.random.randn(2,3) #生成一个2行3列的数组，数组中的值都满足标准正太分布
np.random.randint：
生成指定范围内的随机数，并且可以通过size参数指定维度。
示例代码如下：
data1 = np.random.randint(10,size=(3,5)) #生成值在0-10之间，3行5列的数组 data2 = np.random.randint(1,20,size=(3,6)) #生成值在1-20之间，3行6列的数组
np.random.choice：
从一个列表或者数组中，随机进行采样。或者是从指定的区间中进行采样，采样个数可以通过参数指定：
data = [4,65,6,3,5,73,23,5,6] result1 = np.random.choice(data,size=(2,3)) #从data中随机采样，生成2行3列的数组 result2 = np.random.choice(data,3) #从data中随机采样3个数据形成一个一维数组 result3 = np.random.choice(10,3) #从0-10之间随机取3个值
np.random.shuffle：
把原来数组的元素的位置打乱。
示例代码如下：
a = np.arange(10) np.random.shuffle(a) #将a的元素的位置都会进行随机更换
更多：
更多的random模块的文档，请参考Numpy的官方文档：https://docs.scipy.org/doc/numpy/reference/routines.random.html
Axis理解
之前的课程中，为了方便大家理解，我们说axis=0代表的是行，axis=1代表的是列。但其实不是这么简单理解的。这里我们专门用一节来解释一下这个axis轴的概念。
简单来说， 最外面的括号代表着 axis=0，依次往里的括号对应的 axis 的计数就依次加 1。
什么意思呢？下面再来解释一下。
最外面的括号就是axis=0，里面两个子括号axis=1。
操作方式：如果指定轴进行相关的操作，那么他会使用轴下的每个直接子元素的第0个，第1个，第2个…分别进行相关的操作。
现在我们用刚刚理解的方式来做几个操作。比如现在有一个二维的数组：
x = np.array([[0,1],[2,3]])
-
求
x数组在axis=0和axis=1两种情况下的和：>>> x.sum(axis=0) array([2, 4])
为什么得到的是[2,4]呢，原因是我们按照
axis=0的方式进行相加，那么就会把最外面轴下的所有直接子元素中的第0个位置进行相加，第1个位置进行相加…依此类推，得到的就是0+2以及2+3，然后进行相加，得到的结果就是[2,4]。>>> x.sum(axis=1) array([1, 5])
因为我们按照
axis=1的方式进行相加，那么就会把轴为1里面的元素拿出来进行求和，得到的就是0,1，进行相加为1，以及2,3进行相加为5，所以最终结果就是[1,5]了。 -
用
np.max求axis=0和axis=1两种情况下的最大值：
>>> np.random.seed(100) >>> x = np.random.randint(0,10,size=(3,5)) >>> x.max(axis=0) array([8, 8, 3, 7, 8])
因为我们是按照axis=0进行求最大值，那么就会在最外面轴里面找直接子元素，然后将每个子元素的第0个值放在一起求最大值，将第1个值放在一起求最大值，以此类推。而如果axis=1，那么就是拿到每个直接子元素，然后求每个子元素中的最大值：
>>> x.max(axis=1) array([8, 5, 8])
-
用
np.delete在axis=0和axis=1两种情况下删除元素：>>> np.delete(x,0,axis=0) array([[2, 3]])
np.delete是个例外。我们按照axis=0的方式进行删除，那么他会首先找到最外面的括号下的直接子元素中的第0个，然后删掉，剩下最后一行的数据。>>> np.delete(x,0,axis=1) array([[1], [3]])同理，如果我们按照
axis=1进行删除，那么会把第一列的数据删掉。
三维以上数组：
按照之前的理论，如果以上数组按照axis=0的方式进行相加，得到的结果如下：
如果是按照axis=1的方式进行相加，得到的结果如下：
通用函数
一元函数：
| 函数 | 描述 |
|---|---|
| np.abs | 绝对值 |
| np.sqrt | 开根 |
| np.square | 平方 |
| np.exp | 计算指数(e^x) |
| np.log，np.log10，np.log2，np.log1p | 求以e为底，以10为低，以2为低，以(1+x)为底的对数 |
| np.sign | 将数组中的值标签化，大于0的变成1，等于0的变成0，小于0的变成-1 |
| np.ceil | 朝着无穷大的方向取整，比如5.1会变成6，-6.3会变成-6 |
| np.floor | 朝着负无穷大方向取证，比如5.1会变成5，-6.3会变成-7 |
| np.rint，np.round | 返回四舍五入后的值 |
| np.modf | 将整数和小数分隔开来形成两个数组 |
| np.isnan | 判断是否是nan |
| np.isinf | 判断是否是inf |
| np.cos，np.cosh，np.sin，np.sinh，np.tan，np.tanh | 三角函数 |
| np.arccos，np.arcsin，np.arctan | 反三角函数 |
二元函数：
| 函数 | 描述 |
|---|---|
| np.add | 加法运算（即1+1=2），相当于+ |
| np.subtract | 减法运算（即3-2=1），相当于- |
| np.negative | 负数运算（即-2），相当于加个负号 |
| np.multiply | 乘法运算（即2*3=6），相当于* |
| np.divide | 除法运算（即3/2=1.5），相当于/ |
| np.floor_divide | 取整运算，相当于// |
| np.mod | 取余运算，相当于% |
| greater,greater_equal,less,less_equal,equal,not_equal | >,>=,<,<=,=,!=的函数表达式 |
| logical_and | &的函数表达式 |
| logical_or | |的函数表达式 |
聚合函数：
| 函数名称 | NAN安全版本 | 描述 |
|---|---|---|
| np.sum | np.nansum | 计算元素的和 |
| np.prod | np.nanprod | 计算元素的积 |
| np.mean | np.nanmean | 计算元素的平均值 |
| np.std | np.nanstd | 计算元素的标准差 |
| np.var | np.nanvar | 计算元素的方差 |
| np.min | np.nanmin | 计算元素的最小值 |
| np.max | np.nanmax | 计算元素的最大值 |
| np.argmin | np.nanargmin | 找出最小值的索引 |
| np.argmax | np.nanargmax | 找出最大值的索引 |
| np.median | np.nanmedian | 计算元素的中位数 |
使用np.sum或者是a.sum即可实现。并且在使用的时候，可以指定具体哪个轴。同样Python中也内置了sum函数，但是Python内置的sum函数执行效率没有np.sum那么高，可以通过以下代码测试了解到：
a = np.random.rand(1000000) %timeit sum(a) #使用Python内置的sum函数求总和，看下所花费的时间 %timeit np.sum(a) #使用Numpy的sum函数求和，看下所花费的时间
布尔数组的函数：
| 函数名称 | 描述 |
|---|---|
| np.any | 验证任何一个元素是否为真 |
| np.all | 验证所有元素是否为真 |
比如想看下数组中是不是所有元素都为0，那么可以通过以下代码来实现：
np.all(a==0) # 或者是 (a==0).all()
比如我们想要看数组中是否有等于0的数，那么可以通过以下代码来实现：
np.any(a==0) # 或者是 (a==0).any()
排序：
-
np.sort：指定轴进行排序。默认是使用数组的最后一个轴进行排序。a = np.random.randint(0,10,size=(3,5)) b = np.sort(a) #按照行进行排序，因为最后一个轴是1，那么就是将最里面的元素进行排序。 c = np.sort(a,axis=0) #按照列进行排序，因为指定了axis=0
还有
ndarray.sort()，这个方法会直接影响到原来的数组，而不是返回一个新的排序后的数组。 -
np.argsort：返回排序后的下标值。示例代码如下：np.argsort(a) #默认也是使用最后的一个轴来进行排序。
-
降序排序：
np.sort默认会采用升序排序。如果我们想采用降序排序。那么可以采用以下方案来实现：# 1. 使用负号 -np.sort(-a) # 2. 使用sort和argsort以及take indexes = np.argsort(-a) #排序后的结果就是降序的 np.take(a,indexes) #从a中根据下标提取相应的元素
其他函数补充：
-
np.apply_along_axis：沿着某个轴执行指定的函数。示例代码如下：# 求数组a按行求均值，并且要去掉最大值和最小值。 np.apply_along_axis(lambda x:x[(x != x.max()) & (x != x.min())].mean(),axis=1,arr=a)
-
np.linspace：用来将指定区间内的值平均分成多少份。示例代码如下：# 将0-1分成12分，生成一个数组 np.linspace(0,1,12)
-
np.unique：返回数组中的唯一值。# 返回数组a中的唯一值，并且会返回每个唯一值出现的次数。 np.unique(a,return_counts=True)
更多：
https://docs.scipy.org/doc/numpy/reference/index.html
Numpy练习题
一、查看Numpy的版本号：
import numpy as np print(np.__version__)
二、如何创建一个所有值都是False的布尔类型的数组：
np.full((3,3),False,dtype=np.bool)
三、将一个有10个数的数组的形状进行转换：
arr = np.arange(10) arr.reshape(2,5) #转换成(2,5)的数组 arr[:,np.newaxis] #转换成(10,1)的数组
np.newaxis所处的位置，会变成1。比如：
arr = np.random.randint(0,10,size=(10,2)) arr1 = arr[:,np.newaxis,:] print(arr1.shape) # 结果是(10,1,2)，因为np.newaxis所在的位置是1
四、将数组中所有偶数都替换成0（改变原来数组和不改变原来数组两种方式实现）：
arr = np.random.randint(0,10,size=(3,3)) # 1. 不改变原来数组 arr1 = np.where(arr%2==0,0,arr) print(arr1) # 2. 改变原来数组 arr[arr%2==0] = 0
五、创建一个一维且有10个数的数组，元素是从0-1之间，但是不包含0和1：
arr = np.linspace(0,1,12)[1:-1]
其中的linspace是在起始值和结束值之间平均的获取指定个数的数。比如以上就是从0-1之间获取12个数组。
六、求以下数组大于等于5并且小于等于10的数组：
a = np.arange(15) # 方法1 index = np.where((a >= 5) & (a <= 10)) a[index] # 方法2: index = np.where(np.logical_and(a>=5, a<=10)) a[index] #> (array([6, 9, 10]),) # 方法3： a[(a >= 5) & (a <= 10)]
七、将一个二维数组的行和列分别进行逆向：
a = np.arange(15).reshape(3,5) # 反转行 a1 = a[::-1] #里面传一个数进去（没有出现逗号），代表的是只对行进行操作 # 反转列 a2 = a[:,::-1] #里面传两个数进去，第一个是所有的行，第二个就是针对所有的列，但是取值的方向是从后面到前面。
八、如何将科学计数法转换为浮点类型打印：
# set_printoptions用来设置打印的时候的一些配置和选项# 将suppress设置为True，就不会显示成科学计数法了，并且通过precision来控制小数点后要保留几位 np.set_printoptions(suppress=True,precision=6) rand_arr = np.random.random([3,3])/1e3print(rand_arr)
九、获取一个数组中唯一的元素：
arr = np.random.randint(0,20,(10,10)) np.unique(arr)
十、获取一个数组中唯一的元素个数的排行：
arr = np.random.randint(0,20,(10,10)) np.unique(arr,return_counts=True)
十一、如何找到数组中每行的最大值：
# 解决方案1：
np.random.seed(100)
a = np.random.randint(1,10, [5,3])
print(a)
print("="*30)
print(np.amax(a,axis=1))
# 解决方案2：
print(np.apply_along_axis(np.max,arr=a,axis=1))
十二、如何按照行求最小值与最大值相除的结果：
np.random.seed(100) a = np.random.randint(1,10, [5,3]) np.apply_along_axis(lambda x: np.min(x)/np.max(x),arr=a,axis=1)
十三、判断两个数组是否完全相等：
a = np.array([0,1,2]) b = np.arange(3) (a == b).all()
十四、设置一个数组不能修改值：
a = np.zeros((2,2)) a.flags.writable = Falsea[0] = 1
十五、找到数组中离某个元素的最近的值：
np.random.seed(100) Z = np.random.uniform(0,1,10) z = 0.5 m = Z[np.abs(Z - z).argmin()] print(m)
加油!
感谢!
努力!
这篇关于【回炉重造】Python之numpy详细教程的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！
- 2024-05-08有遇到过吗？同样的规则 Excel 中 比Python 结果大
- 2024-03-30开始python成长之路
- 2024-03-29python optparse
- 2024-03-29python map 函数
- 2024-03-20invalid format specifier python
- 2024-03-18pool.map python
- 2024-03-18threads in python
- 2024-03-14python Ai 应用开发基础训练，字符串，字典，文件
- 2024-03-13id3 algorithm python
- 2024-03-13sum array elements python
