Numpy入門——Python資料分析mooc筆記
阿新 • • 發佈:2019-01-07
資料
一個數據,表達一個含義
一組資料,表達一個或多個含義
列表和陣列
列表:資料型別可以不同
陣列:資料型別相同
Python已有列表型別,為什麼需要一個數組物件(型別)?
- 陣列物件可以去掉元素間運算所需的迴圈,使一維向量更像單個數據
- 設定專門的陣列物件,經過優化,可以提升這類應用的運算速度
- 陣列物件採用相同的資料型別,有助於節省運算和儲存空間
比較Python內建列表型別和陣列物件型別
計算
A2+B3 ,其中A和B是一維陣列
Python內建列表型別
def pySum(): a = [0,1,2,3,4] b = [5,6,7,8
numpy陣列
import numpy as np def npSum(): a = np.array([0,1,2,3,4]) b = np.array([5,6,7,8,9]) c = a**2 + b**3 return c print(npSum())
N維陣列物件:ndarray
np.array()
生成一個ndarray陣列,輸出成[]
軸(axis): 儲存資料的維度;秩(rank):軸的數量
In [1]: import numpy as np
In [2]: a = np.array([[0,1,2,3],[4,5,6,7]])
In [3]: a
Out[3]:
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
In [4]: a.ndim
Out[4]: 2
In [5]: a.shape
Out[5]: (2, 4)
In [6]: a.size
Out[6]: 8
In [7]: a.dtype
Out[7]: dtype('int32')
In [8 ]: a.itemsize
Out[8]: 4
In [9]: b = np.array([[0,1,2,3,4],[5,6,7]])
# ndarray陣列可以由非同質物件構成
In [10]: b
Out[10]: array([[0, 1, 2, 3, 4], [5, 6, 7]], dtype=object)
# 非同質ndarray元素為物件型別
In [11]: b.ndim
Out[11]: 1
In [12]: b.shape
Out[12]: (2,)
In [13]: b.size
Out[13]: 2
# 非同質ndarray物件無法有效發揮NumPy優勢,儘量避免使用
In [14]: b.dtype
Out[14]: dtype('O')
In [15]: b.itemsize
Out[15]: 8
屬性 | 說明 |
---|---|
.ndim |
秩,即軸的數量或維度的數量 |
.shape |
ndarray物件的尺度,對於矩陣,n行m列 |
.size |
ndarray物件元素的個數,相當於.shape中n*m的值 |
.dtype |
ndarray物件的元素型別(bool,intc,intp,int8,int16,int32,int64) |
.itemsize |
ndarray物件中每個元素的大小,以位元組為單位 |
ndarray陣列的建立方法
- 從Python中的列表、元組等型別建立ndarray陣列
x = np.array(list/tuple, dtype=np.float32)
當np.array()不指定dtype時,NumPy將根據資料情況關聯一個dtype型別 使用NumPy中函式建立ndarray陣列,如:arange, ones, zeros等
函式 說明 np.arange(n)
類似range()函式,返回ndarray型別,元素從0到n‐1 np.ones(shape)
根據shape生成一個全1陣列,shape是元組型別 np.zeros(shape)
根據shape生成一個全0陣列,shape是元組型別 np.full(shape,val)
根據shape生成一個數組,每個元素值都是val np.eye(n)
建立一個正方的n*n單位矩陣,對角線為1,其餘為0 np.ones_like(a)
根據陣列a的形狀生成一個全1陣列 np.zeros_like(a)
根據陣列a的形狀生成一個全0陣列 np.full_like(a,val)
根據陣列a的形狀生成一個數組,每個元素值都是val 使用NumPy中其他函式建立ndarray陣列
函式 說明 np.linspace()
根據起止資料等間距地填充資料,形成陣列 np.concatenate()
將兩個或多個數組合併成一個新的陣列 In [2]: a = np.linspace(1,10,4) In [3]: a Out[3]: array([ 1., 4., 7., 10.]) In [4]: b = np.linspace(1,10,4,endpoint=False) In [5]: b Out[5]: array([ 1. , 3.25, 5.5 , 7.75]) py In [6]: c = np.concatenate((a,b)) In [7]: c Out[7]: array([ 1. , 4. , 7. , 10. , 1. , 3.25, 5.5 , 7.75])
ndarray陣列的變換
對於建立後的ndarray陣列,可以對其進行維度變換和元素型別變換
1. 維度變換
| 方法 | 說明 |
| -------------------- | ---------------------------- |
| `.reshape(shape)` | 不改變陣列元素,返回一個shape形狀的陣列,原陣列不變 |
| `.resize(shape)` | 與.reshape()功能一致,但修改原陣列 |
| `.swapaxes(ax1,ax2)` | 將陣列n個維度中兩個維度進行調換 |
| `.flatten()` | 對陣列進行降維,返回摺疊後的一維陣列,原陣列不變 |
```shell
In [8]: d = np.ones((2,3,4),dtype=np.int32)
In [9]: d.reshape((3,8))
Out[9]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
In [10]: d
Out[10]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
In [11]: d.resize((3,8))
In [12]: d
Out[12]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
In [13]: d.flatten()
Out[13]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1])
In [14]: d
Out[14]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
```
型別變換
new_a = a.astype(new_type)
astype()方法一定會建立新的陣列(原始資料的一個拷貝),即使兩個型別一致In [2]: e = np.ones((2,3,4),dtype=np.int) In [3]: e Out[3]: array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]) In [4]: e.astype(np.float) Out[4]: array([[[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]], [[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]]])
陣列向列表的轉換
ls = a.tolist()
In [2]: a = np.full((2,3,4),25,dtype=np.int32) In [3]: a Out[3]: array([[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]) In [4]: a.tolist() Out[4]: [[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]
ndarray陣列的操作
索引:獲取陣列中特定元素位置的過程
切片:獲取陣列元素子集的過程
- 一維陣列的索引和切片:與Python的列表類似
每個維度切片方法與一維陣列相同
每個維度可以使用步長跳躍切片
```
In [2]: a = np.array([9,8,7,6,5])
In [3]: a[2]
Out[3]: 7
In [4]: a[1:4:2]
Out[4]: array([8, 6])
```
多維陣列的切片
In [5]: b = np.arange(24).reshape((2,3,4)) In [6]: b Out[6]: 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]]]) In [7]: b[1,2,3] Out[7]: 23 In [8]: b[-1,-2,-3] Out[8]: 17
ndarray陣列的運算
- 陣列與標量之間的運算作用於陣列的每一個元素
- NumPy一元函式
對ndarray中的資料執行元素級運算的函式
函式 | 說明 |
---|---|
np.abs(x) 、np.fabs(x) |
計算陣列各元素的絕對值 |
np.sqrt(x) |
計算陣列各元素的平方根 |
np.square(x) |
計算陣列各元素的平方 |
np.log(x) 、 np.log10(x) 、np.log2(x) |
計算陣列各元素的自然對數、10底對數和2底對數 |
np.ceil(x) 、np.floor(x) |
計算陣列各元素的ceiling值 或 floor值 |
np.rint(x) |
計算陣列各元素的四捨五入值 |
np.modf(x) |
將陣列各元素的小數和整數部分以兩個獨立陣列形式返回 |
np.cos(x) 、np.cosh(x) 、np.sin(x) 、np.sinh(x) 、np.tan(x) 、np.tanh(x) |
計算陣列各元素的普通型和雙曲型三角函式 |
np.exp(x) |
計算陣列各元素的指數值 |
np.sign(x) |
計算陣列各元素的符號值,1(+), 0, ‐1(‐) |
- NumPy二元函式
| 函式 | 說明 |
| ---------------------------------------- | ---------------------- |
| `+`、`‐`、`*`、`/`、`**` | 兩個陣列各元素進行對應運算 |
| `np.maximum(x,y)`、`np.fmax()`<br>`np.minimum(x,y)`、`np.fmin()` | 元素級的最大值/最小值計算 |
| `np.mod(x,y)` | 元素級的模運算 |
| `np.copysign(x,y)` | 將陣列y中各元素值的符號賦值給陣列x對應元素 |
| `>`、`<`、`>=`、`<=`、`==`、`!=` | 算術比較,產生布爾型陣列 |