本篇文章我们继续带大家学习Numpy的数据操作部分，主要给大家系统的介绍一下Numpy中常用的方法和属性。

　　虽然我们前面也用过一些方法，但是我们没有系统的给大家介绍，本次我们分成两部分，详细的给大家介绍一下Numpy中的一些方法和使用。

　　Numpy的常用方法

　　Ndarray对象的常用方法

　　Numpy的常用方法

　　生成函数

　　生成ndarray对象的函数,注意所有np即为numpy的简写。

　　np.arange(n): 生成指定范围的一个数据序列，返回的是ndarray对象。其实np.arange()的使用很类似内置函数range()，只不过range()函数生成的数据类似一个列表，而np.arange()生成的是ndarray对象。

　　np.array(list)：将一个列表转成ndarray对象。

　　import numpy as np #导入numpy模块，起别名为np

　　import warnings

　　warnings.filterwarnings("ignore") # 忽略警告信息

　　data = np.arange(10)

　　display(data)

　　data1= list(range(10))

　　display(type(data1))

　　data1=np.array(data1)

　　display(data1)

　　# 当然使用np.array()还可以创建二维的数组

　　array = [[1,2],[3,4],[5,6],[7,8],[9,10]]

　　array = np.array(array)

　　display(array)

　　# 如果是一维数组：向量

　　# 如果是二维数组，那么就看做是一个矩阵

　　结果：

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　list

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([[ 1, 2],

　　[ 3, 4],

　　[ 5, 6],

　　[ 7, 8],

　　[ 9, 10]])

　　使用np.ones()、np.zeros()、np.full() 生成ndarray对象

　　np.ones(N) : 生成一个N长度的一维全1的ndarray对象

　　np.zeros(N): 生成一个N长度的一维全0的ndarray对象

　　np.full(N) : 生成一个N长度的一维值全为指定值的ndarray对象

　　import numpy as np

　　array1 = np.ones((3,4)) # 创建值全为1的数组。

　　display(array1)

　　array2 = np.zeros((3,4)) # 创建值全为0的数组。

　　display(array2)

　　array3 = np.full((3,4),6) # 创建值全为指定值的数组。

　　display(array3)

　　结果：

　　array([[1., 1., 1., 1.],

　　[1., 1., 1., 1.],

　　[1., 1., 1., 1.]])

　　array([[0., 0., 0., 0.],

　　[0., 0., 0., 0.],

　　[0., 0., 0., 0.]])

　　array([[6, 6, 6, 6],

　　[6, 6, 6, 6],

　　[6, 6, 6, 6]])

　　大家可以发现ones和zeros得到的数组是浮点型的。那如何设置它的数据类型呢?

　　A. 在声明的时候可以使用，比如array1 = np.ones((3,4),dtype=np.int)

　　B. 使用ndarray对象.astype(数据类型)进行类型转换

　　Numpy的数据类型有哪些呢?

　　当然若想得到一些随机数组成的数组，我们还可以使用numpy.random中的方法完成

　　np.random.rand 生成指定形状的0­～1之间的随机数

　　np.random.random 生成指定形状的0­～1之间的随机数

　　np.random.randn 标准正态分布

　　np.random.normal 指定均值和方法的正态分布

　　np.random.randint 生成指定数值范围内的随机整数

　　np.random.seed 按照种子来生成随机数，种子一样，则生成的结果必一致

　　np.random.shuffle 打乱数组元素顺序

　　np.random.uniform 均匀分布

　　np.random.choice 按照指定概率从指定集合中，生成随机数

　　选出几个给大家介绍一下

　　np.random.rand 与np.random.random两者类似，都是产生0­～1之间的随机数，但是函数的参数不一样。

　　import numpy as np

　　d1 = np.random.random((2,3)) #注意区别多(少)了一对()

　　d2 = np.random.rand(2,3)

　　display(d1,d2)

　　np.random.randn() 服从正态分布的从0­～1之间的随机数

　　dn = np.random.randn(2,3)

　　display(dn)

　　np.random.normal() 指定均值和方差的正态分布

　　# loc：float 此概率分布的均值(对应着整个分布的中心centre)

　　# scale：float 此概率分布的标准差(对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高)

　　# size：int or tuple of ints 输出的shape，默认为None，只输出一个值

　　dn= np.random.normal(loc=4, scale=0.01, size=4)

　　dn1= np.random.normal(loc=4, scale=0.01, size=(2,4))

　　display(dn,dn1)

　　np.random.randint() 随机整数

　　# 在1-10范围里，随机生成5个int32类型的数值，生成的结果集可能出现重复数值 arr1 = np.random.randint(1, high=10, size=5, dtype=np.int32) display(arr1) # 生成一个指定范围[-10,0]的随机二维数组 arr2 = np.random.randint(-10, high=10, size=(4, 6), dtype=np.int32) display(arr2)

　　np.random.choice() 从指定数据集中，随机抽选一个数据

　　# 从数值集合中，按照指定概率生成随机数，参数P的总和一定得是1

　　arr = np.random.choice([0,3,5,7,8,9], p=[0.1, 0.2, 0.3, 0.4,0.2,0.5]) display(arr)

　　数学函数与运算操作

　　数学相关

　　Numpy提供了许多数学操作相关函数，常用的函数有：

　　abs / fabs ：绝对值

　　ceil / floor ：向上/向下取整

　　log / log2 / log10 ：对数

　　exp ：e为底的指数

　　modf ：将浮点数num分解成整数部分和小数部分。

　　sin / sinh / cos / cosh ：正玄、余玄...

　　sqrt ：开平方

　　import numpy as np

　　arr = np.array([[-1,1.2,0.8,-3.9],[-6,1,-1.8,0.9]])

　　display(arr)

　　#绝对值

　　a = np.abs(arr)

　　display(a)

　　#向上/向下取整

　　b = np.ceil(arr)

　　b1 = np.floor(arr)

　　display(b,b1)

　　# 对数函数

　　c = np.log(arr)

　　display(c)

　　# e为底数的指数函数

　　d = np.exp(arr)

　　display(d)

　　# 浮点数拆分成 整数 和 浮点数 两部分

　　# 返回一个元组，含有两个元素(数组类型)，第一个元素返回小数部分，第二个元素返回整数部分。

　　e = np.modf(arr)

　　display(e)

　　#开平方

　　f = np.sqrt(arr)

　　display(f)

　　运算相关的有：

　　数组与数(一维数组与一维数组)的运算(加+、减­、乘*、除/、取整//、取模%、平方 * * 、立方 * * * )：

　　加：“+” 或者np.add(a, b)

　　减：“­-” 或者np.subtract(a, b)

　　乘：“*” 或者np.multiply(a, b)

　　除：“/” 或者np.divide(a, b)

　　次方：“ ** ” ，如2^7=2**7

　　取整函数：“ // ”或者 np.ceil(), np.floor(), np.trunc()/fix(), np.rint(), np.around()

　　取模：“%”或者np.mod()和np.remainder()

　　矩阵乘积：np.dot(a, b)

　　判断： > 、 >= 、< 、 <= 、 == 、 !=

　　条件：all() 、any()

　　逻辑条件： & 、 | 、 !

　　上篇文章我们提到过运算相关的符号，当然每个符号还有对应的方法。在Numpy中的运算基本都是遵守广播机制的。现在我们在看一下关系运算符：

　　import numpy as np

　　arr1 = np.array([1,2,3,4,5])

　　arr2 = np.array([0,2,-5,-4,8])

　　display(arr1>arr2,arr1<arr2,arr1!=arr2,arr1==arr2)< p="">

　　结果如下：

　　array([ True, False, True, True, False]) array([False, False, False, False, True]) array([ True, False, True, True, True]) array([False, True, False, False, False])

　　其中all()和any()返回的也是bool类型的结果,any()表示只要有一个True 就返回 True,all()表示所有为True 就返回 True

　　display(np.all(arr1),np.any(arr2))

　　逻辑运算符的使用：

　　np.all(arr1<0) & np.all(arr2>0)

　　数组的链接(拼接、组合)和拆分

　　np.concatenate 对多个数组按指定轴的方向进行连接。

　　np.stack / np.vstack / np.hstack / np.dstack / np.tile 组合

　　np.split / np.hsplit / np.vsplit / np.dsplit 拆分

　　本文章不做具体讲解，可以参看上篇文章

　　排序与去重

　　np.unique( arr,return_index,return_inverse,return_counts,axis) : 返回ndarray中的元素，排除重复元素之后，并进行排序

　　np.sort( ndarray) : 作为函数使用时，不更改被排序的原始arrays,返回副本

　　arr = np.array([[1,2,3,4,5,5,6,6,6,8],[2,2,3,4,5,5,6,6,7,9]])

　　arr = np.unique(arr)

　　display(arr)

　　arr1 = np.array([1,5,6,6,6,2,3,4,5])

　　arr1 = np.sort(arr1)

　　display(arr1)

　　结果：

　　array([1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([1, 2, 3, 4, 5, 5, 6, 6, 6])

　　改变形状与数组扁平化

　　我们可以通过数组对象的reshape方法(或者np的reshape函数)来改变数组的形状。

　　arr1 = np.arange(30).reshape(3, 10)

　　arr2 = np.arange(30).reshape(5, -1)

　　# 也可以使用

　　a = np.arange(10)

　　b = np.reshape(a, (2,5))

　　display(b)

　　我们可以通过调用ravel或flatten方法，对数组对象进行扁平化处理。

　　np.ravel / ravel

　　flatten

　　shape, reshape, resize, ravel

　　二者的区别在于，ravel返回原数组的视图，而flatten返回原数组的拷贝。

　　x = np.arange(16).reshape(4, 4)

　　display(x.ravel())

　　display(np.ravel(x))

　　display(x.flatten())

　　结果：

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　统计函数

　　Numpy(或数组对象)具有如下常用的统计函数。

　　mean / sum / prod(乘积)

　　max / min / amax / amin

　　argmax / argmin

　　std / var

　　cumsum / cumprod

　　all / any

　　median / percentile

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 随机生成4行5列的数组

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求积

　　print(np.std(a)) # 求标准差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位数

　　print(np.argmax(a)) # 最大值索引

 

　　print(np.argmin(a)) # 最小值索引

　　当然也可以指定axis进行计算，比如按照轴进行计算，比如axis=0即列轴计算

　　print(np.mean(a,axis=0)) # 平均值

　　print(np.max(a,axis=0)) # 最大值

　　print(np.min(a,axis=0)) # 最小值

 

　　print(np.sum(a,axis=0)) # 求和

　　Ndarray对象属性与索引使用

　　Ndarray对象的属性

　　ndim ­ 维度数

　　shape ­ 维度/形状

　　dtype ­ 元数数据类型

　　size ­ 元素个数

　　itemsize ­ 返回数组元素占用空间的大小。以字节为单位

　　nbytes ­ 总字节数 = size * itemsize

　　T ­ 数组对象的转置视图

　　flat ­ 扁平迭代器

　　arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

　　print(arr.ndim) #维度数

　　print(arr.shape) #维度形状

　　print(arr.dtype) #元数数据类型

　　print(arr.size) #元素个数

　　print(arr.itemsize) # 返回数组元素占用空间的大小。以字节为单位

 

　　print(arr.nbytes) #返回占用空间的总长度

　　Ndarray对象的切片和索引

　　当然Numpy的方法有很多也是可以转成ndarray中的方法使用，比如统计函数

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 随机生成4行5列的数组

　　print(np.mean(a)) # 平均值

　　print(a.mean()) # 通过ndarray对象调用mean方法

　　print(np.max(a)) # 最大值

 

　　print(a.max()) # 通过ndarray对象调用max方法

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 随机生成4行5列的数组

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求积

　　print(np.std(a)) # 求标准差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位数

　　print(np.argmax(a)) # 最大值索引

　　print(np.argmin(a)) # 最小值索引

　　更多关于“Python培训”的问题，欢迎咨询千锋教育在线名师。千锋教育多年办学，课程大纲紧跟企业需求，更科学更严谨，每年培养泛IT人才近2万人。不论你是零基础还是想提升，都可以找到适合的班型，千锋教育随时欢迎你来试听。