前言

在python 中有時(shí)候我們用數(shù)組操作數(shù)據(jù)可以極大的提升數(shù)據(jù)的處理效率，類似于R的向量化操作，是的數(shù)據(jù)的操作趨于簡單化，在python 中是使用numpy模塊可以進(jìn)行數(shù)組和矢量計(jì)算。

下面來看下簡單的例子

import numpy as np
 
data=np.array([2,5,6,8,3]) #構(gòu)造一個(gè)簡單的數(shù)組
 
print(data)

結(jié)果：

[2 5 6 8 3]

data1=np.array([[2,5,6,8,3],np.arange(5)]) #構(gòu)建一個(gè)二維數(shù)組
 
print(data1)

結(jié)果：

[[2 5 6 8 3]
[0 1 2 3 4]]

我們也可以通過shape和dtype方法查看數(shù)組的維度和數(shù)據(jù)格式

print(data.shape)
print(data.dtype)
print(data1.shape)
print(data1.dtype)

結(jié)果：

(5,)
int32

(2, 5)
int32

可以看出data是一維數(shù)組，每組元素為5個(gè)，數(shù)據(jù)類型為32位int 類型

data1 為二維數(shù)組，每個(gè)組有5個(gè)元素，數(shù)據(jù)類型為32位int類型

有一個(gè)較好的區(qū)分方法是看打印結(jié)果中，中括號的層數(shù)和位置，就可以看出數(shù)組的維度，一層中括號代表一個(gè)維度。

其他的數(shù)組屬性方法還有：

array.ndim   數(shù)組的維數(shù)，一維數(shù)組結(jié)果為1，二維數(shù)組打印結(jié)果為2

array.size     數(shù)組的元素個(gè)數(shù)

array.itemsiz   數(shù)組每個(gè)元素的字節(jié)大小

接下來我們了解下數(shù)組中的數(shù)據(jù)類型：

NumPy中的基本數(shù)據(jù)類型 

基礎(chǔ)的數(shù)組運(yùn)算

數(shù)組也可以進(jìn)行我們常用的加減乘除運(yùn)算

arr=np.array(np.arange(10))
arr1=np.array(np.arange(1,11))
print(arr*2)

結(jié)果：

[ 0 2 4 6 8 10 12 14 16 18]

print(arr+arr1)

結(jié)果：

[ 1 3 5 7 9 11 13 15 17 19]

注意，相加兩個(gè)數(shù)組長度要一樣

接下來我們看下數(shù)組索引

arr=np.arange(10)

用下標(biāo)直接進(jìn)行索引

print(arr[5])

結(jié)果為：

5

切片索引

print(arr[5:8])

結(jié)果為：

[5 6 7]

可以利用索引對數(shù)據(jù)進(jìn)行更改操作

arr[5]=120
print(arr)

結(jié)果為：

[ 0 1 2 3 4 120 6 7 8 9]

可以看到下標(biāo)為5的數(shù)已經(jīng)變成120了。

此外，數(shù)組還可以進(jìn)行布爾操作

arr=np.arange(5)
name=np.array(['a','b','b','c','a'])
print(name=='a')

結(jié)果為：

[ True False False False True]

即滿足條件的數(shù)據(jù)全部以True的結(jié)果輸出。

接下來我們可以利用name數(shù)組設(shè)置條件后的布爾值對arr數(shù)組進(jìn)行相關(guān)操作

print(arr[name=='a'])

結(jié)果為：

[0 4]

即把a(bǔ)rr中對應(yīng)于name中a相對應(yīng)位置的元素打印出來。

多條件操作

result=(name='a')|(name='c')
print(result)
print(name[result])

結(jié)果為：

[ True False False True True]
['a' 'c' 'a']

接下來，我們了解下ufunc方法

用于操作單個(gè)數(shù)組的函數(shù)有如下：

用于操作兩個(gè)或多個(gè)數(shù)組的方法

相關(guān)的函數(shù)方法使用

np.meshgrid 用于生成多維矩陣

a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))
print(a)
print(b)

結(jié)果為：

[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]

按照數(shù)據(jù)最少的數(shù)組形成數(shù)組

np.where 是三元表達(dá)式  x if  condition  else y的矢量化版本

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)

結(jié)果為：

[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]

可以看出，result的結(jié)果中，條件為1的顯示數(shù)組arr1的內(nèi)容，條件為0的顯示arr2的內(nèi)容

數(shù)學(xué)統(tǒng)計(jì)方法

在數(shù)組中我們也可以使用數(shù)學(xué)統(tǒng)計(jì)方法進(jìn)行計(jì)數(shù)，例如sum mean  std  等

arr=np.random.randint(1,20,10)
print(arr)
print(np.mean(arr))
print(np.sum(arr))
print(np.std(arr))

結(jié)果為：

[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845

具體的方法內(nèi)容如下圖所示：

布爾型數(shù)組的相關(guān)統(tǒng)計(jì)方法

arr=np.arange(-20,10)
result=(arr>5).sum()
print(arr)
print(result)

結(jié)果為：

-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

可以對數(shù)據(jù)進(jìn)行判斷后進(jìn)行個(gè)數(shù)求和

其他的數(shù)組方法還有

數(shù)據(jù)的讀取和存儲

線性函數(shù)的常用方法

arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])
print(arr)
print(np.dot(arr,2))

結(jié)果為

[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]

dot方法可以進(jìn)行矩陣相乘操作

其他方法如下圖

最后我們了解下numpy中的隨機(jī)數(shù)生成方法

上面的很多例子中我們已經(jīng)用到了隨機(jī)數(shù)生成，

arr=np.random.random(10)
print(arr)

結(jié)果為

[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]

其他形式的隨機(jī)數(shù)生成方法

總結(jié)

好了，以上就是這篇文章的全部內(nèi)容了，了解了以上numpy的操作方法，基本的數(shù)據(jù)操作問題應(yīng)該不是很大了。希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助。

最新評論