你必须掌握的Python数据分析工具之Numpy
以爱与青春为名，陪你一路成长
Python是数据分析领域极受喜爱的主流程序语言。这里主要介绍Numpy的常用用法。如果你是从事数据分析、或者人工智能等相关领域，而所用的语言又是Python的话，以下知识点都应该 “张口就来” 。建议收藏，有事没事拿出来看两遍。
Numpy
在使用Numpy之前的话，我们需要先导入它：
import numpy as np
常用语句
将数据转化为标量：
np.asscalar() # Convert an array of size 1 to its scalar equivalent.
生成随机数：
np.random.seed(1233)设置随机种子，随机种子一旦固定，每次生成的数据都会固定，除非改变种子，随机数才会发生改变。
rand生成均匀分布随机数：
# 产生2行三列均匀分布随机数组
print(np.random.rand(2,3))
randn生成正太分布随机数：
# 三行三列正态分布随机数据
print(np.random.randn(3,3))
randint生成指定范围内随机整数：
# (1, 100)以内5行5列随机整数
print(np.random.randint(1,100,[5,5]))
random生成10个随机浮点数：
# (0,1)内10个随机浮点数
print(np.random.random(10))
choice给定范围内随机选一个数：
# [0,10)内10个随机选一个数
print(np.random.choice(10))
生成正太分布数据：
mu = 1
sigma = 2
num = 10
print(np.random.normal(mu, sigma, num))
按行打乱数据：
rand_data = np.random.randint(1, 10, (3, 4))
np.random.shuffle(rand_data)
创建数组
我们主要用numpy来创建数组，或者称之为构造变量，当然自己一个一个变量敲进电脑也是可以的，用numpy的话就会方便一点。
手动创建一维的变量：
a = np.array([1,2,3],dtype=np.int32)
dtype是设置你创建变量的类型，你也可以选择float类型，这都没啥问题。如果把上面的代码print显示出来的话，如下所示：
>>>[1 2 3]
手动创建二维的变量：
b = np.array([[1,2],[3,4],[5,6]],dtype=np.int32)
这样我们就能生成两行三列的数组，结果如下所示：
>>>[[1 2]
[3 4]
[5 6]]
arange
arange创建一维数组：
我们创建的数组如果比较小的话，我们可以手动输入，但是如果比较大了的话，我们手动输入就太费事了，需要调用一些函数，像arange函数就可以很方便地创建一维数组：
c = np.arange(1,10,2)
代码所表示的意思就是，从1到10，每隔两个数字产生，输出显示出来就是：
>>>[1 3 5 7 9]
这样产生的数据类型是numpy.ndarray，dtype是int64。
linspace
linspace产生等差数列：
比如我们想从数字1到11产生5个数字，这些数字之间都是等间隔的：
d = np.linspace(1,11,5)
结果显示如下所示：
>>>[ 1. 3.5 6. 8.5 11. ]
这里的dtype是float64
logspace
logspace创建等比数列：
从1到10产生八个等比数列：
e = np.logspace(1,10,8)
结果显示如下所示：
>>>[1.00000000e+01 1.93069773e+02 3.72759372e+03 7.19685673e+04
1.38949549e+06 2.68269580e+07 5.17947468e+08 1.00000000e+10]
fromfunction
fromfunction创建数组。
该函数的第一个参数为计算数据元素的函数；第二个参数是代表数组的大小的序列，序列的每一个值代表数组对应维度的大小。
def funcA(i):
return i+i
f = np.fromfunction(funcA, (10,))
结果显示如下所示：
>>>[ 0. 2. 4. 6. 8. 10. 12. 14. 16. 18.]
如果是两维数据做运算的话，代码如下所示：
def funcB(i,j):
return i+j
g = np.fromfunction(funcB, (3,2))
结果显示如下所示：
>>>[[0. 1.]
[1. 2.]
[2. 3.]]
shape和reshape
除了产生数组之外，我们还会经常改变数组的维度，这就要求我们查看shape并使用reshape函数。
shape函数查看数组大小：
实现如下所示：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a.shape)
结果显示如下所示：
>>>(3, 2)
reshape函数改变数组维度：
实现如下所示：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a.reshape(2,3))
结果显示如下所示：
>>>[[1 2 3]
[4 5 6]]
获取数组元素
上面是如何生成数组，那我们如何从数组中拿元素呢？这里的操作就跟列表的操作类似了：
取其中某一个元素：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a[0][1])
结果显示如下所示：
>>> 2
取数组后半部分：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a[0][0:])
结果显示如下所示：
>>> [1 2]
取数组前半部分：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a[0][:-1])
结果显示如下所示：
>>> [1]
每隔两个取：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print(a[0::2])
结果显示如下所示：
>>> [[1 2]
[5 6]]
依据下标能获取共享地址
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
b=a[:]
print('b',b)
b[2,0]=10
print('a',a)
结果显示如下所示：
>>> b [[1 2]
[3 4]
[5 6]]
a [[ 1 2]
[ 3 4]
[10 6]]
依据整数序列不与原数组共享地址：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
b=a[[2]]
print('b',b)
b[0,0]=10
print('a',a)
结果显示如下所示：
>>> b [[5 6]]
a [[1 2]
[3 4]
[5 6]]
使用bool数组作为下标获取数据：
a = np.array([[1,2,],[3,4],[5,6]],dtype=np.int32)
print('bool',a>2)
print('a>2',a[a>2])
结果显示如下所示：
>>> bool: [[False False]
[ True True]
[ True True]]
a>2: [3 4 5 6]
ufunc函数
ufunc的全称是universal function，即通用处理函数。Numpy提供的ufunc函数大致可以划分为五类：分别为：Math operations(数学操作)、Trigonometric function（三角函数）、Bit-twiddling function（位操作）、Comparison function（比较函数）以及Floating function（浮点函数）。
加法运算：
a = np.array([1,2,3,4],dtype=np.int32)
b = np.array([5,6,7,8],dtype=np.float32)
print(np.add(a,b))
结果显示如下所示：
>>> [ 6. 8. 10. 12.]
减法运算：
a = np.array([1,2,3,4],dtype=np.int32)
b = np.array([5,6,7,8],dtype=np.float32)
print(np.subtract(a,b))
结果显示如下所示：
>>> [-4. -4. -4. -4.]
三角函数：
主要有np.sin；np.cos等，其参数并不直接代表三角函数的度数，而是使用pi替代。
位操作函数
包含按位的与、或、异或、左移、右移等操作：
a = np.binary_repr(5)
b = np.binary_repr(7)
c = np.bitwise_and(5,7)
d = np.bitwise_or(5,7)
e = np.left_shift(5,2)
f = np.right_shift(5,2)
print('a:{}, b:{}, c:{}, d:{}, e:{}, f:{}'.format(a,b,c,d,e,f))
结果显示如下所示：
>>> a:101, b:111, c:5, d:7, e:20, f:1
比较函数：
包含了数值比较、逻辑运算、取最大值、取最小值等操作。
1. 比大小greater函数:
a = np.array([1,5])
b = np.array([0,10])
print(np.greater(a, b))
结果显示如下所示：
>>> [ True False]
2. 比相等equal函数：
a = np.array([0,5])
b = np.array([0,10])
print(np.equal(a, b))
结果显示如下所示：
>>> [ True False]
3. 逻辑判断logical_and函数:
x = np.arange(1,5)
print(np.logical_and(x>1, x<3))
结果显示如下所示：
>>> [False True False False]
4. 浮点函数：
包含了类型判别、是否是最大值、向上取整等操作
a . 如果具有非零虚部，则比较复杂：
x = [3+1j, 6+0j, 7.5, 6, 2j]
print(np.iscomplex(x))
结果显示如下所示：
>>> [ True False False False True]
b. 判断是否是无穷大：
print(np.isinf(np.inf))
结果：
>>> [ True False False False True]
c. 向正无穷取整：
x = [2.1, -2.1, 3.54, 7.2, -7.2]
print(np.ceil(x))
结果：
>>> [ 3. -2. 4. 8. -7.]
d. 取下界：
x = [2., -3., 3., 7., -8.]
print(np.floor(x))
结果：
>>> [ 2. -3. 3. 7. -8.]
文件IO
Numpy提供一些文件存取操作，方便将ndarray数组元素存储到文件以及从文件读取数据来初始化数组。其中tofile、fromfile以二进制形式的方式存取；save、load函数以Numpy的专有格式存取；savez可以保存多个数组到同一个文件，并可以通过load循环取出。tofile，fomfile示例如下：
tofile和fromfile示例：
x = np.array([2.1, -2.1, 3.54, 7.2, -7.2])
x.tofile('a.bin')
y = np.fromfile('a.bin',dtype=np.float64)
print(y)
结果：
>>> [ 2.1 -2.1 3.54 7.2 -7.2 ]
save和load示意：
x = np.array([2.1, -2.1, 3.54, 7.2, -7.2])
x.tofile('a.bin')
y = np.fromfile('a.bin',dtype=np.float64)
print(y)
结果：
>>> [ 2.1 -2.1 3.54 7.2 -7.2 ]
savez、load示例：
a = np.array([[1,2,3],[4,5,6]])
b = np.array([1,2,3])
c = np.array([1.2,3.1,3.3])
np.savez('data.npz',a,b,c)
arr = np.load('data.npz')
print('arr_0',arr['arr_0'])
print('arr_1',arr['arr_1'])
print('arr_2',arr['arr_2'])
结果：
>>> arr_0 [[1 2 3]
[4 5 6]]
arr_1 [1 2 3]
arr_2 [1.2 3.1 3.3]
注意：无需备注出身(英雄不问出处)，打广告的就不要来了，我自己都不在群里推送自己的公众号文章，抱拳了！加作者微信：MultiAgent1024-(注意后面有小-)，拉你进群。
▲扫码关注我们