NumPy一个非常重要的作用就是可以进行多维数组的操作 多维数组对象也叫做ndarray。我们可以在ndarray的基础上进行一系列复杂的数学运算。
本文将会介绍一些基本常见的ndarray操作 大家可以在数据分析中使用。
创建ndarray创建ndarray有很多种方法 我们可以使用np.random来随机生成数据
import numpy as np # Generate some random data data np.random.randn(2, 3) data
array([[ 0.0929, 0.2817, 0.769 ], [ 1.2464, 1.0072, -1.2962]])
除了随机创建之外 还可以从list中创建
data1 [6, 7.5, 8, 0, 1] arr1 np.array(data1)
array([6. , 7.5, 8. , 0. , 1. ])
从list中创建多维数组
data2 [[1, 2, 3, 4], [5, 6, 7, 8]] arr2 np.array(data2)
array([[1, 2, 3, 4], [5, 6, 7, 8]])
使用np.zeros创建初始值为0的数组
np.zeros(10) array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
创建2维数组
np.zeros((3, 6))
array([[0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.]])
使用empty创建3维数组
np.empty((2, 3, 2))
array([[[0., 0.], [0., 0.], [0., 0.]], [[0., 0.], [0., 0.], [0., 0.]]])
注意 这里我们看到empty创建的数组值为0 其实并不是一定的 empty会从内存中随机挑选空间来返回 并不能保证这些空间中没有值。所以我们在使用empty创建数组之后 在使用之前 还要记得初始化他们。
使用arange创建范围类的数组
np.arange(15)
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
指定数组中元素的dtype
arr1 np.array([1, 2, 3], dtype np.float64) arr2 np.array([1, 2, 3], dtype np.int32)ndarray的属性
可以通过data.shape获得数组的形状。
data.shape (2, 3)
通过ndim获取维数信息
arr2.ndim 2
可以通过data.dtype获得具体的数据类型。
data.dtype dtype( float64 )ndarray中元素的类型转换
在创建好一个类型的ndarray之后 还可以对其进行转换
arr np.array([1, 2, 3, 4, 5]) arr.dtype dtype( int64 ) float_arr arr.astype(np.float64) float_arr.dtype dtype( float64 )
上面我们使用astype将int64类型的ndarray转换成了float64类型的。
如果转换类型的范围不匹配 则会自动进行截断操作
arr np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1]) arr.astype(np.int32) array([ 3, -1, -2, 0, 12, 10], dtype int32)
注意 这里是把小数截断 并没有向上或者向下取整。
ndarray的数学运算数组可以和常量进行运算 也可以和数组进行运算
arr np.array([[1., 2., 3.], [4., 5., 6.]]) arr * arr array([[ 1., 4., 9.], [16., 25., 36.]]) arr 10 array([[11., 12., 13.], [14., 15., 16.]]) arr - arr array([[0., 0., 0.], [0., 0., 0.]]) 1 / arr array([[1. , 0.5 , 0.3333], [0.25 , 0.2 , 0.1667]]) arr ** 0.5 array([[1. , 1.4142, 1.7321], [2. , 2.2361, 2.4495]])
数组之间还可以进行比较 比较的是数组中每个元素的大小
arr2 np.array([[0., 4., 1.], [7., 2., 12.]]) arr2 arr array([[False, True, False], [ True, False, True]])index和切片基本使用
先看下index和切片的基本使用 index基本上和普通数组的使用方式是一样的 用来访问数组中某一个元素。
切片要注意的是切片后返回的数组中的元素是原数组中元素的引用 修改切片的数组会影响到原数组。
# 构建一维数组 arr np.arange(10) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # index访问 arr[5] # 切片访问 arr[5:8] array([5, 6, 7]) # 切片修改 arr[5:8] 12 array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9]) # 切片可以修改原数组的值 arr_slice arr[5:8] arr_slice[1] 12345 array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8, # 构建二维数组 arr2d np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) arr2d[2] array([7, 8, 9]) # index 二维数组 arr2d[0][2] # index二维数组 arr2d[0, 2] # 构建三维数组 arr3d np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) arr3d array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # index三维数组 arr3d[0] array([[1, 2, 3], [4, 5, 6]]) # copy是硬拷贝 和原数组的值相互不影响 old_values arr3d[0].copy() arr3d[0] 42 arr3d array([[[42, 42, 42], [42, 42, 42]], [[ 7, 8, 9], [10, 11, 12]]]) arr3d[0] old_values arr3d array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # index 三维数组 arr3d[1, 0] array([7, 8, 9]) x arr3d[1] array([[ 7, 8, 9], [10, 11, 12]]) array([7, 8, 9])index with slice
slice还可以作为index使用 作为index使用表示的就是一个index范围值。
作为index表示的slice可以有多种形式。
有头有尾的 表示index从1开始到6-1结束
arr[1:6]
array([ 1, 2, 3, 4, 64])
无头有尾的 表示index从0开始 到尾-1结束
arr2d[:2]
array([[1, 2, 3], [4, 5, 6]])
有头无尾的 表示从头开始 到所有的数据结束
arr2d[:2, 1:]
array([[2, 3], [5, 6]])
arr2d[1, :2]
array([4, 5])boolean index
index还可以使用boolean值 表示是否选择这一个index的数据。
我们先看下怎么构建一个boolean类型的数组
names np.array([ Bob , Joe , Will , Bob , Will , Joe , Joe ]) names Bob array([ True, False, False, True, False, False, False])
上面我们通过比较的方式返回了一个只包含True和False的数组。
这个数组可以作为index值来访问数组
# 构建一个7 * 4 的数组 data np.random.randn(7, 4) array([[ 0.275 , 0.2289, 1.3529, 0.8864], [-2.0016, -0.3718, 1.669 , -0.4386], [-0.5397, 0.477 , 3.2489, -1.0212], [-0.5771, 0.1241, 0.3026, 0.5238], [ 0.0009, 1.3438, -0.7135, -0.8312], [-2.3702, -1.8608, -0.8608, 0.5601], [-1.2659, 0.1198, -1.0635, 0.3329]]) # 通过boolean数组来访问 data[names Bob ] array([[ 0.275 , 0.2289, 1.3529, 0.8864], [-0.5771, 0.1241, 0.3026, 0.5238]])
在索引行的时候 还可以索引列
data[names Bob , 3] array([0.8864, 0.5238])
可以用 ~符号来取反
data[~(names Bob )] array([[-2.0016, -0.3718, 1.669 , -0.4386], [-0.5397, 0.477 , 3.2489, -1.0212], [ 0.0009, 1.3438, -0.7135, -0.8312], [-2.3702, -1.8608, -0.8608, 0.5601], [-1.2659, 0.1198, -1.0635, 0.3329]])
我们可以通过布尔型数组设置值 在实际的项目中非常有用
data[data 0] 0 array([[0.275 , 0.2289, 1.3529, 0.8864], [0. , 0. , 1.669 , 0. ], [0. , 0.477 , 3.2489, 0. ], [0. , 0.1241, 0.3026, 0.5238], [0.0009, 1.3438, 0. , 0. ], [0. , 0. , 0. , 0.5601], [0. , 0.1198, 0. , 0.3329]])
data[names ! Joe ] 7 array([[7. , 7. , 7. , 7. ], [0. , 0. , 1.669 , 0. ], [7. , 7. , 7. , 7. ], [7. , 7. , 7. , 7. ], [7. , 7. , 7. , 7. ], [0. , 0. , 0. , 0.5601], [0. , 0.1198, 0. , 0.3329]])Fancy indexing
Fancy indexing也叫做花式索引 它是指使用一个整数数组来进行索引。
举个例子 我们先创建一个 8 * 4的数组
arr np.empty((8, 4)) for i in range(8): arr[i] i arr
array([[0., 0., 0., 0.], [1., 1., 1., 1.], [2., 2., 2., 2.], [3., 3., 3., 3.], [4., 4., 4., 4.], [5., 5., 5., 5.], [6., 6., 6., 6.], [7., 7., 7., 7.]])
然后使用一个整数数组来索引 那么将会以指定的顺序来选择行
arr[[4, 3, 0, 6]] array([[4., 4., 4., 4.], [3., 3., 3., 3.], [0., 0., 0., 0.], [6., 6., 6., 6.]])
还可以使用负值来索引
arr[[-3, -5, -7]]
array([[5., 5., 5., 5.], [3., 3., 3., 3.], [1., 1., 1., 1.]])
花式索引还可以组合来使用
arr np.arange(32).reshape((8, 4)) arr
array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23], [24, 25, 26, 27], [28, 29, 30, 31]])
上面我们构建了一个8 * 4的数组。
arr[[1, 5, 7, 2], [0, 3, 1, 2]]
array([ 4, 23, 29, 10])
然后取他们的第2列的第一个值 第6列的第三个值等等。最后得到一个1维的数组。
数组变换我们可以在不同维度的数组之间进行变换 还可以转换数组的轴。
reshape方法可以将数组转换成为任意的形状
arr np.arange(15).reshape((3, 5)) arr
array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])
数组还提供了一个T命令 可以将数组的轴进行对调
arr.T
array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]])
对于高维数组 可以使用transpose来进行轴的转置
arr np.arange(16).reshape((2, 2, 4)) array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]]) arr.transpose((1, 0, 2))
array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, 7], [12, 13, 14, 15]]])
上面的transpose((1, 0, 2)) 怎么理解呢
其含义是将x y轴对调 z轴保持不变。
上面我们通过使用reshape((2, 2, 4))方法创建了一个3维 也就是3个轴的数组。 其shape是 2 * 2 * 4 。
先看下对应关系
0 0 -》 [ 0, 1, 2, 3]
0 1 -》 [ 4, 5, 6, 7]
1 0 -》 [ 8, 9, 10, 11]
1 1 -》 [12, 13, 14, 15]
转换之后
0 0 -》 [ 0, 1, 2, 3]
0 1 -》 [ 8, 9, 10, 11]
1 0 -》[ 4, 5, 6, 7]
1 1 -》 [12, 13, 14, 15]
于是得到了我们上面的的结果。
多维数组的轴转换可能比较复杂 大家多多理解。
还可以使用 swapaxes 来交换两个轴 上面的例子可以重写为
arr.swapaxes(0,1)
本文已收录于 http://www.flydean.com/09-python-numpy-ndarray/
最通俗的解读 最深刻的干货 最简洁的教程 众多你不知道的小技巧等你来发现
欢迎关注我的公众号:「程序那些事」,懂技术 更懂你
【51CTO.com快译】不知道您是否听说过软件架构师最讨厌意大利面这个梗?它是指软...
大家在开发Python的过程中,一定会遇到很多反斜杠的问题,很多人被反斜杠的数量...
本月DataWorks产品月刊为您带来 产品活动 1.参与阿里云DataWorks问卷调研 (Aliyu...
人脸识别 是目前商业应用最成熟、最广泛的人工智能技术之一,成为开发者、企业接...
【51CTO.com快译】 数据分析是对数据进行判断、细化、更改和建模的过程,目的是...
阿里巴巴、腾讯、支付宝、网易、IBM、谷歌、京东、 百度、滴滴等一线互联网公司...
大数据市场如今正在呈爆炸式增长。根据调研机构Markets and Markets公司的调查,...
操作场景 您可以删除不需要的私有镜像。 删除私有镜像后,将无法找回,请谨慎操...
公司介绍 长沙营智信息技术有限公司旗下易撰网,2017年10月份上线以来,基于数据...
案例背景 永安稻香小镇的体验式数字农业基地是余杭街道依托“阿里以西10分钟”的...