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]=120print(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]12.21224.01995024845 |
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 0.97007760.42150977 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。
