Numpy基础20问 - JavaShuo

点击蓝字关注我，有干货领取！html

一、什么是numpy？

一言以蔽之，numpy是python中基于数组对象的科学计算库。python

提炼关键字，能够得出numpy如下三大特色：web

拥有n维数组对象;
拥有广播功能（后面讲到）；
拥有各类科学计算API，任你调用；

二、如何安装numpy？

由于numpy是一个python库，因此使用python包管理工具pip或者conda均可以安装。数据库

安装python后，打开cmd命令行，输入：数组

pip install numpy

便可完成安装。微信

三、什么是n维数组对象？

n维数组（ndarray）对象，是一系列同类数据的集合，能够进行索引、切片、迭代操做。app

numpy中可使用array函数建立数组:dom

import numpy as np
np.array([1,2,3])
# 输出：array([1, 2, 3])

四、如何区分一维、二维、多维？

判断一个数组是几维，主要是看它有几个轴（axis）。编辑器

一个轴表示一维数组，两个轴表示二维数组，以此类推。函数

每一个轴都表明一个一维数组。

好比说，二维数组第一个轴里的每一个元素都是一个一维数组，也就是第二个轴。

一维数组一个轴：

[1,2,3]

二维数组两个轴：

[[0, 1, 2],
 [3, 4, 5]]

三维数组三个轴：

[[[ 0,  1,  2],
  [ 3,  4,  5]],

 [[ 6,  7,  8],
  [ 9, 10, 11]]]

以此类推n维数组。

五、如何建立n维数组？

numpy中经常使用array函数建立数组，传入列表或元组便可。

建立一维数组，并指定数组类型为int：

import numpy as np
np.array([1,2,3],dtype=int)
# 输出：array([1, 2, 3])

建立二维数组：

import numpy as np
np.array(((1,2),(3,4)))

 '''
输出：
array([[1, 2],
       [3, 4]])
'''

还可使用arange函数建立一维数字数组，用法相似python的range函数.

import numpy as np
np.arange(1,6)
'''
输出：array([1, 2, 3, 4, 5])
'''

六、如何建立随机数组？

numpy的random模块用来建立随机数组。

random.rand函数，生成[0,1)均匀分布的随机数组

import numpy as np
# 建立2行2列取值范围为[0,1)的数组
np.random.rand(2,2)
'''
输出：
array([[0.99449146, 0.92339551],
       [0.1837405 , 0.41719798]])
'''

random.randn函数，生成数值成标准正态分布（平均值为0，标准差为1）的数组

import numpy as np
# 建立2行3列，取值范围为标准正态分布的数组
np.random.randn(3,2)
'''
输出：
array([[-1.27481003, -1.5888111 ],
       [ 0.16985203, -2.91526479],
       [ 1.75992671, -2.81304831]])
'''

random.randint函数，生成能够指定范围的随机整数数组

import numpy as np
# 建立2行2列,取值范围为[2,10)的随机整数数组
np.random.randint(2,10,size=(2,2))
'''
输出：
array([[5, 4],
       [3, 7]])
'''

random.normal函数，生成数值成正态分布（可指定平均值、标准差）的数组

import numpy as np
# 建立一维，数值成正态分布（均值为1，标准差为2）的数组
# 参数loc表明均值，scale表明标准差
np.random.normal(loc=1,scale=2,size=5)
'''
输出：
array([ 0.82962241,  0.41738042,  0.0470862 ,  1.79446076, -1.47514478])
'''

random模块还有其余函数，这里很少说。

七、如何查看数组的维度？

前面说到，数组维度即表明轴的数量。

咱们能够经过数组（ndarray）对象的ndim或shape属性，来查看轴的数量。

ndim属性直接返回维度值；
shape属性返回一个元组，元组的长度即表明维度值，里面的数字从左往右分别表明每一轴的元素数量。

import numpy as np
# 建立一维数组
x1 = np.array([1,2,3])
# 返回维度值
x1.ndim
'''
输出：1
'''
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 返回形状
x2.shape
'''
输出：(2, 3)
元素长度为2表明二维，
元素2表明0轴有两个元素，
元素3表明1轴有3个元素。
'''

八、如何查看数组有多少个元素？

数组（ndarray）对象的size属性能够查看数组包含元素总数。

import numpy as np
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 查看元素总数
x2.size
'''
输出：6
'''

还能够经过shape属性返回元素的乘积，来计算数组元素数量。

import numpy as np
from functools import reduce
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 查看元素总数
reduce(lambda x,y:x*y , x2.shape)
'''
输出：6
shape形状：
(2,3)
'''

九、Numpy数组支持哪些数据类型？

Numpy支持的数据类型很是多，因此很适合作数值计算。下面给出常见的数据类型：

十、如何查看数组的类型？

数组（ndarrry）对象提供dtype属性，用来查看数组类型。

import numpy as np
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]],dtype=int)
# 返回类型
x2.dtype
'''
输出：dtype('int32')
'''

十一、如何改变数组的形状？

前面说过，数组的shape属性返回一个元组，可以反映数组的形状，包括维度以及每一个轴的元素数量。

那么若是给定一个数组，怎么改变其形状呢？

经常使用的方式有两种：

reshape方法，它返回一个新的数组，而不能改变原始数组。
resize方法，无返回值，它更改了原始数组。

好比说我要将一个二维数组转换为三维数组。

import numpy as np
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 将x2转换为三维数组，而且自定义每一个轴的元素数量
x2.reshape(1,2,3)
'''
输出：
array([[[1, 2, 3],
        [4, 5, 6]]])
'''

reshape方法能够传入整数或者元组形式的参数。

传入的参数和shape属性返回的元组的含义是同样的。

例如， x2.reshape(1,2,3)是将二维数组转换成三维数组，参数个数表明要转换的维度，参数数字从左到右分别表示0轴、1轴、2轴的元素数量。

resize方法和reshape方法使用形式同样，区别是resize方法改变了原始数组形状。

import numpy as np
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 将x2转换为三维数组，而且自定义每一个轴的元素数量
x2.resize((1,2,3))
x2
'''
输出：
array([[[1, 2, 3],
        [4, 5, 6]]])
'''

十二、如何对数组进行索引和切片操做？

numpy一维数组的索引和切片操做相似python列表，这里很少讲。

好比说取一维数组前三个元素。

import numpy as np
# 建立一维数组
x1 = np.array([1,2,3,4])
# 切片，取前三个元素
x1[:3]
'''
输出：
array([1, 2, 3])
'''

重点是对多维数组的索引和切片。

多维数组有多个轴，那么就须要对每一个轴进行索引。

例如，三维数组形状为(x,y,z)，分别表明：0轴有x个元素、1轴有y个元素，2轴有z个元素。

对0、一、2轴进行索引，若是取o轴第2个元素、1轴第0个元素、2轴第3个元素，那么索引形式就为[2,0,3]。

import numpy as np
# 建立三维数组
x3 = np.arange(24).reshape(3,2,4)
# 对该三维数组进行索引
x3[2,0,3]

'''
输出：19

三维数组形式：
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]]])
'''

切片也是一样道理。

若是取o轴前2个元素、1轴前1个元素、2轴后2个元素，那么切片形式就为[:2,:1,-2:]。

import numpy as np
# 建立三维数组
x3 = np.arange(24).reshape(3,2,4)
# 对该三维数组进行切片
x3[:2,:1,-2:]

'''
输出：
array([[[ 2,  3]],

       [[10, 11]]])

三维数组形式：
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]]])
'''

1三、如何对数组里每一个元素进行迭代？

说到迭代，你们很容易想到直接对数组直接使用for循环操做，对于一维数组来讲，固然是能够的。

import numpy as np
# 建立一维数组
x1 = np.array([1,2,3,4])
# 迭代
for i in x1:
    print(i)
'''
输出：
1
2
3
4
'''

但对于多维数组，迭代是相对于0轴完成的，就是多维数组最外层的那一维。

你没有办法直接遍历数组里每个元素，嵌套循环又过低效。

这个时候就须要用到flat方法，它能够将多维数组平铺为一维的迭代器。

import numpy as np
# 建立二维数组
x2 = np.array([[1,2,3],[4,5,6]])
# 先平铺，再迭代
for i in x2.flat:
    print(i)
'''
输出：
1
2
3
4
5
6
'''

1四、如何将多维数组展开为一维数组？

数组（ndarray）对象提供了ravel方法，用来将多维数组展开为一维数组。

import numpy as np
# 建立er维数组
x3 = np.arange(12).reshape(3,4)
# 对该三维数组进行索引
x3.ravel()
'''
输出：
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
'''

1五、什么广播机制？

广播(Broadcast)是 numpy 对不一样形状(shape)的数组进行数值计算的方式，对多个数组的算术运算一般在相应的元素上进行。

较小的数组在较大的数组上“广播”，以便它们具备兼容的形状。

好比说一个一维数组乘以一个数字，至关于一维数组里每一个元素都乘以这个数。

import numpy as np
# 建立一维数组
x1 = np.array([1,2,3])
# 广播
x1 * 2
'''
输出：
array([2, 4, 6])
'''

若是相同维度的数组进行运算，其shape相同，那么广播就是两个数组相同位数的元素进行运算。

import numpy as np
# 建立一维数组
x1 = np.array([1,2,3])
x2 = np.array([4,5,6])
# 广播
x1 + x2
'''
输出：
array([5, 7, 9])
'''

若是两个数组维度不一样，进行运算，这里就触发了广播的两个规则。

让全部输入数组都向其中形状最长的数组看齐，形状中不足的部分都经过在前面加 1 补齐；
当输入数组的某个维度的长度为 1 时，沿着此维度运算时都用此维度上的第一组值。

这两个规则保证了不一样维度数组进行运算时，其维度自动调整成一致。

import numpy as np
# 建立一维数组
x1 = np.array([[1,2,3],[4,5,6]])
x2 = np.array([2,3,4])
# 广播
x1 - x2
'''
输出：
array([[-1, -1, -1],
       [ 2,  2,  2]])
'''

1六、numpy中如何进行数值舍入操做？

around函数，用于四舍五入，返回一个新数组

import numpy as np
# 建立一维数组
x1 = np.array([1.45,2.78,3.12])
# 四舍五入，到小数点后1位
np.around(x1,1)
'''
输出：
array([1.4, 2.8, 3.1])
'''

floor函数，用于向下取整，返回一个新数组

import numpy as np
# 建立一维数组
x1 = np.array([1.45,2.78,3.12])
# 向下取整
np.floor(x1)
'''
输出：
array([1., 2., 3.])
'''

ceil函数，用于向上取整，返回一个新数组

import numpy as np
# 建立一维数组
x1 = np.array([1.45,2.78,3.12])
# 向下取整
np.ceil(x1)
'''
输出：
array([2., 3., 4.])
'''

1七、如何对数组进行转置操做？

numpy提供了transpose函数用以对数组进行维度的调换，也就是转置操做。

转置后返回一个新数组。

import numpy as np
# 建立二维数组
x1 = np.arange(12).reshape(3,4)
# 转置
np.transpose(x1)
'''
输出：
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11]])
原数组：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''

固然，能够用更简单的方法。

数组对象提供了T方法，用于转置，一样会返回一个新数组。

import numpy as np
# 建立二维数组
x1 = np.arange(12).reshape(3,4)
# 转置
x1.T
'''
输出：
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11]])
原数组：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''

1八、如何链接两个相同维度的数组？

numpy的concatenate 函数用于沿指定轴链接相同形状的两个或多个数组。

import numpy as np
# 建立两个二维数组
x1 = np.array([[1,2,3],[4,5,6]])
x2 = np.array([[7,8,9],[10,11,12]])
# 链接,默认沿0轴链接
np.concatenate((x1,x2))

'''
输出：
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
'''

# 指定沿1轴链接
np.concatenate((x1,x2),axis=1)

'''
输出：
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])
'''

1九、如何向数组添加值？

numpy的 append 函数向数组末尾追加值，能够指定不一样的轴。

import numpy as np
# 建立一个二维数组
x1 = np.array([[1,2,3],[4,5,6]])
# 直接向数组末尾添加元素，返回平铺的一维数组
np.append(x1,[7,8,9])
'''
输出：
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
'''

# 沿轴 0 添加元素
np.append(x1, [[7,8,9]],axis = 0)
'''
输出：
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
'''

# 沿轴 1 添加元素
np.append(x1, [[5,5,5],[7,8,9]],axis = 1)
'''
输出：
array([[1, 2, 3, 5, 5, 5],
       [4, 5, 6, 7, 8, 9]])
'''

numpy的 insert 函数能够沿给定轴，在数组中任意位置插入数据。

import numpy as np
# 建立一个二维数组
x1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 直接在指定位置插入元素，返回平铺的一维数组
np.insert(x1,2,[0,0,0])
'''
输出：
array([1, 2, 0, 0, 0, 3, 4, 5, 6, 7, 8, 9])

原数组：
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
'''

# 指定位置，沿轴 0 插入元素
np.insert(x1,1,[0,0,0],axis=0)
'''
输出：
array([[1, 2, 3],
       [0, 0, 0],
       [4, 5, 6],
       [7, 8, 9]])
'''

# 指定位置，沿轴 1插入元素
np.insert(x1,2,[0,0,0],axis=1)
'''
输出：
array([[1, 2, 0, 3],
       [4, 5, 0, 6],
       [7, 8, 0, 9]])
'''

20、如何对数组进行去重操做？

numpy的unique 函数用于去除数组中的重复元素，返回一个新数组。

import numpy as np
# 建立一个一维数组
x1 = np.array([2,3,5,1,3,8,1,0])
np.unique(x1)
'''
输出：
array([0, 1, 2, 3, 5, 8])
'''

unique函数还能返回重复元素的索引、计数等信息，可去查文档自定义参数。

未完待续！

参考资料

[1]

numpy文档: https://www.numpy.org.cn/

[2]

菜鸟教程: https://www.runoob.com/numpy/numpy-tutorial.html

-END-

TIPS

加入【Python数据分析】知识星球，带你走完数据科学流程！

往期精选

conda+jupyter玩转数据科学环境搭建

用Python编写小工具下载OSM路网数据

教你使用Python玩转MySQL数据库，大数据导入再也不是难题！

Python大数据分析

data creats value

长按二维码关注

本文分享自微信公众号 - Python大数据分析（pydatas）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。