利用Python进行数据分析（1）—— Numpy Basic（1）

The NumPy ndarray: a multidimensional array object

import numpy as np

'''
precision 浮点数输出精度位数（默认值8位）
suppress 是否 禁止 使用 科学记数法（默认为False）打印小浮点值
'''
np.set_printoptions(precision=4, suppress=True)

'''
numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。
'''
data_1 = np.random.randn(2, 3)

print(data_1)

# data_2 = np.random.rand(2, 3)
#
# print(data_2)

print(data_1*10)

print(data_1+data_1)

# 数组 形状
print('数组 形状:', data_1.shape)

# 数组 中 数据 的 类型
print('数组 中 数据 的 类型:', data_1.dtype)

# 数组 的 维度
print('数组 的 维度:', data_1.ndim)

# --------------------------------------

[[ 1.0104 -0.4554 -0.2024]
[ 0.5217  1.1163  1.4374]]
[[ 10.1039  -4.554   -2.0242]
[  5.2174  11.1635  14.3736]]
[[ 2.0208 -0.9108 -0.4048]
[ 1.0435  2.2327  2.8747]]
数组 形状: (2, 3)
数组 中 数据 的 类型: float64
数组 的 维度: 2

Process finished with exit code 0

Creating ndarrays

# 将 data1 转换为 1*4 的数组
data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
print(arr1)

# 将 data2 转换为 2*4 的数组
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
print(arr2)

# np.array 函数可以自动推断出 dtype,也可以指定 dtype
print(arr1.dtype, arr2.dtype)

# 10*1 的 0矩阵（10行 1列）
print(np.zeros((10, 1)))

# 1*10 的 0矩阵（1行 10列）
print(np.zeros((1, 10)))

# 3*6 的单位矩阵
print(np.ones((3, 6)))

# 创建一个与 arr2 形状相同的 单位矩阵
print(np.ones_like(arr2))

# 很多情况下， np.empty 返回的是 垃圾值
print(np.empty((2, 3, 2)))

# 功能类似 Python 内置的 range，但 返回的不是 list 是 ndarray
print(np.arange(15))

[ 6.   7.5  8.   0.   1. ]
[[1 2 3 4]
[5 6 7 8]]
float64 int32
[[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]]
[[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]]
[[ 1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.]
[ 1.  1.  1.  1.  1.  1.]]
[[1 1 1 1]
[1 1 1 1]]
[[[  2.3061e-295   7.3666e+228]
[  7.5489e+252   2.9548e+137]
[  1.4280e+248   2.6469e+180]]

[[  1.0994e+248   6.9948e+228]
[  7.5489e+252   7.6711e+170]
[  2.6469e+180   5.6323e-322]]]
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

Process finished with exit code 0

Data Types for ndarrays

# 创建 数组 时，指定 数组中 数据 的 类型
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)

print(arr1.dtype)
print(arr2.dtype)

# 当创建 数组 时，未指定 数据 的类型，则由 numpy 自己推断
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype)

# 通过 ndarray.astype(np.dytype) 可以修改 数组 的 数据类型
float_arr = arr.astype(np.float64)
print(float_arr.dtype)

# 修改 数组 数据类型
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
print(arr)
print(arr.astype(np.int32))

# 将 数据类型 从 np.string_ 转换为 np.float64
numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
print(numeric_strings.astype(float))

# 数据类型
int_array = np.arange(10)
print(int_array.dtype)
calibers = np.array([.22, .270, .357, .380, .44, .50], dtype=np.float64)
print(int_array.astype(calibers.dtype).dtype)
print(int_array.dtype)

# 简写形式
empty_uint32 = np.empty(8, dtype='u4')
print(empty_uint32.dtype)

# 注意：ndarray.astype ,无论如何都会创建出一个新的数组

# ------------------------------------------------

float64
int32
int32
float64
[  3.7  -1.2  -2.6   0.5  12.9  10.1]
[ 3 -1 -2  0 12 10]
[  1.25  -9.6   42.  ]
int32
float64
int32
uint32

Process finished with exit code 0

Operations between arrays and scalars

'''
大小相等 的 数组 之间的 任何 【算术运算】 都会将 运算 应用到 【元素级别】

数组 与 标量 之间的 【算术运算】 也会将 标量值 传播到 【各个元素】
'''

arr = np.array([[1., 2., 3.], [4., 5., 6.]])
print(arr)
print(arr * arr)
print(arr - arr)

print(1 / arr)
print(arr ** 0.5)

# 矩阵 点乘  2*3 · 3*2 = 2*2
print(np.dot(arr, arr.T))

[[ 1.  2.  3.]
[ 4.  5.  6.]]
[[  1.   4.   9.]
[ 16.  25.  36.]]
[[ 0.  0.  0.]
[ 0.  0.  0.]]
[[ 1.      0.5     0.3333]
[ 0.25    0.2     0.1667]]
[[ 1.      1.4142  1.7321]
[ 2.      2.2361  2.4495]]
[[ 14.  32.]
[ 32.  77.]]

Process finished with exit code 0

Basic indexing and slicing

arr = np.arange(10)
print(arr)
print(arr[5])
print(arr[5:8])

# 将 arr 数组 索引 从 5 到 7 的元素替换为 12
arr[5:8] = 12

# 数组切片是原始数组的视图，数据【不会被复制】，视图上的任何修改都会【直接反映】 到 【原始数组】
print(arr)

arr_slice = arr[5:8]

# arr 数组中，索引为 6 的元素被替换为 12345
arr_slice[1] = 12345
print(arr)

# arr 数组中，索引为 5,6,7 的元素被替换为 64
arr_slice[:] = 64
print(arr)

# 如果想要得到的是 ndarray 切片的一份副本而非视图的话，就需要显示的复制操作
copy_slice = arr[5:8].copy()
print(copy_slice)
copy_slice[:] = 6
print(copy_slice)

# 此时 arr 数组 未被修改
print(arr)

[0 1 2 3 4 5 6 7 8 9]
5
[5 6 7]
[ 0  1  2  3  4 12 12 12  8  9]
[    0     1     2     3     4    12 12345    12     8     9]
[ 0  1  2  3  4 64 64 64  8  9]
[64 64 64]
[6 6 6]
[ 0  1  2  3  4 64 64 64  8  9]

Process finished with exit code 0

# 在二维数组中，各索引位置上的元素不再是标量，而是一维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
pprint(arr2d)

# arr2d 数组 的 索引为 2 的 行
print(arr2d[2])

# arr2d 数组 的 一行 和 二行
print(arr2d[:2])

# arr2d 数组 第 0 行，第 2 列 的元素
print(arr2d[0][2])
print(arr2d[0, 2])

arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
pprint(arr3d)

print(arr3d[0])

# 4
print(arr3d[0][1][0])

old_values = arr3d[0].copy()
arr3d[0] = 42
pprint(arr3d)

arr3d[0] = old_values
pprint(arr3d)

print(arr3d[1, 0])

# ----------------------------------------------------------

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

[[ 7,  8,  9],
[10, 11, 12]]])
[[1 2 3]
[4 5 6]]
4
array([[[42, 42, 42],
[42, 42, 42]],

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

[[ 7,  8,  9],
[10, 11, 12]]])
[7 8 9]

Process finished with exit code 0

Indexing with slices

arr = np.array([[1., 2., 3.], [4., 5., 6.]])
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
pprint(arr2d)

print(arr[1:6])

print(arr2d[:2])

# 0,1 行 和 1,2 列 取交集
print(arr2d[:2, 1:])

# 1 行 的 0,1 列
print(arr2d[1, :2])

print(arr2d[2, :1])

# 第 0 列
print(arr2d[:, :1])

# 修改 数值
arr2d[:2, 1:] = 0
print(arr2d)

# --------------------------------

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

Process finished with exit code 0