crm系统功能模块seo快速优化报价
详解Numpy（基于jupyter notbook）
- 1.创建数组
- 2.数据类型
- 3.数组切片和索引
- 4.Numpy的广播与数组操作
- 5.数组合并与通用函数
- 6.其他通用函数
1.创建数组
#引入numpy包，以后np就代表numpy
import numpy as np
a=np.arange(10,30,2)#10为起点，30为终点，2为步长 array数据类型：数组
a
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28])
a3=[1,2,3] #数据类型：列表
a3
[1, 2, 3]
type(a3)#type()判断数据类型
list
#方法1：
a = np.array([1,2,3]) #推荐
a
array([1, 2, 3])
#建立多维数组
a1 = np.array([[1,2,3],[7,8,9]])
a1
array([[1, 2, 3],[7, 8, 9]])
#方法2：利用函数，常用的函数有zeros、ones和empty用法都类似，以zeros为例加以说明
a=np.zeros(10)#生成10个元素，元素全为0 ones()生成的元素全为1
a
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
#方法2：利用函数，常用的函数有zeros、ones和empty用法都类似，以zeros为例加以说明
a=np.ones(10)#生成10个元素，元素全为0 ones()生成的元素全为1
a
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
a=np.empty(10)#有可能是全0，也可能是随机数
a
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
#方法2：arange函数，重要
a=np.arange(10)#产生10个从0开始的自然数，arange()自然数组
a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a=np.linspace(10,30,12)#10为起始点，30为终止点，生成12个数，默认个数为50，随机产生
a
array([10. , 11.81818182, 13.63636364, 15.45454545, 17.27272727,19.09090909, 20.90909091, 22.72727273, 24.54545455, 26.36363636,28.18181818, 30. ])
a.ndim #判断a的维数
1
a.shape #判断a的形状，为12行（12个数）
(12,)
#改变形状reshape
#一般先生成一个一维的，然后reshape为二维的,需要注意的是数据的一致性，10=2*5
a=np.arange(10).reshape(2,5)
a
array([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])
a.shape
(2, 5)
2.数据类型
a.dtype #判断a中元素类型，区别于type
dtype('int64')
a1=np.array([True,False,False,True])#bool型数据：元素只有True或者False
a1.dtype
dtype('bool')
数据类型及描述
bool： 存储为一个字节的布尔值(真或假)
int： 默认整数，相当于 C 的long，通常为int32或int64
intc：相当于 C 的int，通常为int32或int64
intp：用于索引的整数，相当于 C 的size_t，通常为int32或int64
int8字节(-128 ~ 127)
int16 ：16 位整数(-32768 ~ 32767)
int32： 32 位整数(-2147483648 ~ 2147483647)
int64 64 位整数(-9223372036854775808 ~ 9223372036854775807)
uint8： 8 位无符号整数(0 ~ 255)
uint16： 16 位无符号整数(0 ~ 65535)
uint32： 32 位无符号整数(0 ~ 4294967295)
uint64： 64 位无符号整数(0 ~ 18446744073709551615)
float_：float64的简写
float16半精度浮点：符号位，5 位指数，10 位尾数
float32单精度浮点：符号位，8 位指数，23 位尾数
float64双精度浮点：符号位，11 位指数，52 位尾数
complex_：complex128的简写
complex64：复数，由两个 32 位浮点表示(实部和虚部)
complex128：复数，由两个 64 位浮点表示(实部和虚部)
NumPy 数字类型是dtype(数据类型)对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。
a3 = np.array([1.2, 3.23, 7.88])
a3.dtype
dtype('float64')
a3.round(1) #a3元素保留位小数，四舍五入
array([1.2, 3.2, 7.9])
a4 = a3.astype(np.int32)#a3取整（int32）（去掉小数）
a4
array([1, 3, 7], dtype=int32)
a = np.array([True,True,False,True,False])
a
array([ True, True, False, True, False])
a.dtype
dtype('bool')
a5 = a.astype(np.float32) #a取单精度浮点数
a5
array([1., 1., 0., 1., 0.], dtype=float32)
a5.dtype
dtype('float32')
3.数组切片和索引
a =np.arange(10)
#前包括后不包括（从第0位开始），观察运行结果，注意切出来的仅仅是原来的一个视图，并没有改变原数据
#思考一下为啥这样，有什么益处：取出部分数据进行分析，并不改表原来的总数据
a[5:]
array([5, 6, 7, 8, 9])
a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a[5:8]#第五个到第八个元素
array([5, 6, 7])
#从0开始
a[:5]#从0开始的前5个元素，默认步长为1
array([0, 1, 2, 3, 4])
#从0开始，到5，步长为2
a[:5:2]
array([0, 2, 4])
a[::2]#对所有元素，从0开始，步长为2
array([0, 2, 4, 6, 8])
a[-1]#取最后一个元素
9
a[:-1]# 除了最后一个取全部
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
a[::-1]# 取从后向前（相反）的元素
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
a[::-3]#从后向前取值，步长为3
array([9, 6, 3, 0])
a[2::-1]# 取从下标为2的元素翻转读取
array([2, 1, 0])
a = np.array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]])
b = a[::-1, :]
b
array([[5, 6, 7, 8, 9],[0, 1, 2, 3, 4]])
4.Numpy的广播与数组操作
a=np.arange(10).reshape(2,5)
a
array([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])
#当array与标量运算时，所有的元素都与该标量进行运算
a+10
array([[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]])
#相同形状的数组进行运算，则对应元素之间进行运算
a+a
array([[ 0, 2, 4, 6, 8],[10, 12, 14, 16, 18]])
a1=np.arange(10,15)
a1
array([10, 11, 12, 13, 14])
a+a1#每一行均与a1相加
array([[10, 12, 14, 16, 18],[15, 17, 19, 21, 23]])
5.数组合并与通用函数
#合并 np.concatenate,注意多维数组的输入方式
a = np.array([[1,2],[3,4]])
a
array([[1, 2],[3, 4]])
b = np.array([[5,6],[7,8]])
b
array([[5, 6],[7, 8]])
np.concatenate([a,b])#默认是行叠加，沿行合并，或者说沿0轴合并
array([[1, 2],[3, 4],[5, 6],[7, 8]])
np.concatenate([a,b],axis = 1)#对比 axis=1横轴(x轴），axis=0纵轴(y轴）默认axis=0
array([[1, 2, 5, 6],[3, 4, 7, 8]])
a = np.array([1,2,3,4])
b = np.array([5,6,7,8])
np.stack([a,b])
array([[1, 2, 3, 4],[5, 6, 7, 8]])
np.stack([a,b], axis = 1)
array([[1, 5],[2, 6],[3, 7],[4, 8]])
a = np.array([1,2,1,1,3,4,3,5,6,1])
np.unique(a)# 去重 去除重复元素：unique
array([1, 2, 3, 4, 5, 6])
6.其他通用函数
np.sqrt(a)
np.sin(a)
np.cos(a)
np.add(a,b)
np.sub(a,b)
np.mod(a,b)#等价于 a%b 求模
a//b #求余
a == b #比较运算
a>b
~(a>b)
#均值
a.mean()
#等价于
np.mean(a)
#求和
a.sum()
#正态分布
np.random.normal( size =(3,5))#normal正态分布