轉自：http://blog.csdn.net/xx5595480/article/details/64943459

Python是一門不錯的動態語言，其應用的領域非常廣泛，如web開發、Linux運維、資料探勘、機器學習、爬蟲、推薦系統等。在學完《廖雪峰Python2.7教程》感覺受益匪淺，掌握了基本的語法之後開始接觸用Python進行資料分析。這裡向大家推薦兩本書《Python資料分析》和《利用Python進行資料分析》，而這兩本書也是目前我正在學習的材料，雖然這兩本書都是基於Python2.x，但對於Python3.x也能正常執行。

本期將會涉及到Python模組中的numpy，這是一個處理陣列的強大模組，而該模組也是其他資料分析模組（如pandas和scipy）的核心。下面將從這5個方面來介紹numpu模組的內容：

1）陣列的建立

2）有關陣列的屬性和函式

3）陣列元素的獲取--普通索引、切片、布林索引和花式索引

4）統計函式與線性代數運算

5）隨機數的生成

陣列的建立

numpy中使用array()函式建立陣列,array的首個引數一定是一個序列，可以是元組也可以是列表。

一維陣列的建立

可以使用numpy中的arange()函式建立一維有序陣列，它是內建函式range的擴充套件版。

In [1]: import numpy as np

In [2]: ls1 = range(10)

In [3]: list(ls1)

Out[3]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

In [4]: type(ls1)

Out[4]: range

In [5]: ls2 = np.arange(10)

In [6]: list(ls2)

Out[6]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

In [7]: type(ls2)

Out[7]: numpy.ndarray

通過arange生成的序列就不是簡簡單單的列表型別了，而是一個一維陣列。

如果一維陣列不是一個規律的有序元素，而是人為的輸入，就需要array()函式建立了。

In [8]: arr1 = np.array((1,20,13,28,22))

In [9]: arr1

Out[9]: array([ 1, 20, 13, 28, 22])

In [10]: type(arr1)

Out[10]: numpy.ndarray

上面是由元組序列構成的一維陣列。

In [11]: arr2 = np.array([1,1,2,3,5,8,13,21])    

In [12]: arr2

Out[12]: array([ 1,  1,  2,  3,  5,  8, 13, 21])

In [13]: type(arr2)

Out[13]: numpy.ndarray

上面是由列表序列構成的一維陣列。

二維陣列的建立

二維陣列的建立，其實在就是列表套列表或元組套元組。

In [14]: arr3 = np.array(((1,1,2,3),(5,8,13,21),(34,55,89,144)))

In [15]: arr3

Out[15]:

array([[  1,   1,   2,   3],

[  5,   8,  13,  21],

[ 34,  55,  89, 144]])

上面使用元組套元組的方式。

In [16]: arr4 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

In [17]: arr4

Out[17]:

array([[ 1,  2,  3,  4],

[ 5,  6,  7,  8],

[ 9, 10, 11, 12]])

上面使用列表套列表的方式。

對於高維陣列在將來的資料分析中用的比較少，這裡關於高維陣列的建立就不贅述了，構建方法仍然是套的方式。

上面所介紹的都是人為設定的一維、二維或高維陣列，numpy中也提供了幾種特殊的陣列，它們是：

In [18]: np.ones(3)  #返回一維元素全為1的陣列

Out[18]: array([ 1.,  1.,  1.])

In [19]: np.ones([3,4])  #返回元素全為1的3×4二維陣列

Out[19]:

array([[ 1.,  1.,  1.,  1.],

[ 1.,  1.,  1.,  1.],

[ 1.,  1.,  1.,  1.]])

In [20]: np.zeros(3) #返回一維元素全為0的陣列

Out[20]: array([ 0.,  0.,  0.])

In [21]: np.zeros([3,4]) #返回元素全為0的3×4二維陣列

Out[21]:

array([[ 0.,  0.,  0.,  0.],

[ 0.,  0.,  0.,  0.],

[ 0.,  0.,  0.,  0.]])

In [22]: np.empty(3) #返回一維空陣列

Out[22]: array([ 0.,  0.,  0.])

In [23]: np.empty([3,4]) #返回3×4二維空陣列

Out[23]:

array([[ 0.,  0.,  0.,  0.],

[ 0.,  0.,  0.,  0.],

[ 0.,  0.,  0.,  0.]])

有關陣列的屬性和函式

當一個數組構建好後，我們看看關於陣列本身的操作又有哪些屬性和函式：

In [24]: arr3

Out[24]:

array([[  1,   1,   2,   3],

[  5,   8,  13,  21],

[ 34,  55,  89, 144]])

In [25]: arr3.shape  #shape方法返回陣列的行數和列數

Out[25]: (3, 4)

In [26]: arr3.dtype  #dtype方法返回陣列的資料型別

Out[26]: dtype('int32')

In [27]: a = arr3.ravel()    #通過ravel的方法將陣列拉直（多維陣列降為一維陣列）

In [28]: a

Out[28]: array([  1,   1,   2,   3,   5,   8,  13,  21,  34,  55,  89, 144])

In [29]: b = arr3.flatten()  #通過flatten的方法將陣列拉直

In [30]: b

Out[30]: array([  1,   1,   2,   3,   5,   8,  13,  21,  34,  55,  89, 144])

兩者的區別在於ravel方法生成的是原陣列的檢視，無需佔有記憶體空間，但檢視的改變會影響到原陣列的變化。而flatten方法返回的是真實值，其值的改變並不會影響原陣列的更改。

通過下面的例子也許就能明白了：

In [31]: b[:3] = 0

In [32]: arr3

Out[32]:

array([[  1,   1,   2,   3],

[  5,   8,  13,  21],

[ 34,  55,  89, 144]])

通過更改b的值，原陣列沒有變化。

In [33]: a[:3] = 0

In [34]: arr3

Out[34]:

array([[  0,   0,   0,   3],

[  5,   8,  13,  21],

[ 34,  55,  89, 144]])

a的值變化後，會導致原陣列跟著變化。

In [35]: arr4

Out[35]:

array([[ 1,  2,  3,  4],

[ 5,  6,  7,  8],

[ 9, 10, 11, 12]])

In [36]: arr4.ndim   #返回陣列的維數

Out[36]: 2

In [37]: arr4.size   #返回陣列元素的個數

Out[37]: 12

In [38]: arr4.T  #返回陣列的轉置結果

Out[38]:

array([[ 1,  5,  9],

[ 2,  6, 10],

[ 3,  7, 11],

[ 4,  8, 12]])

如果陣列的資料型別為複數的話，real方法可以返回複數的實部，imag方法返回複數的虛部。

介紹完陣列的一些方法後，接下來我們看看陣列自身有哪些函式可操作：

In [39]: len(arr4) #返回陣列有多少行

Out[39]: 3

In [40]: arr3

Out[40]:

array([[  0,   0,   0,   3],

[  5,   8,  13,  21],

[ 34,  55,  89, 144]])

In [41]: arr4

Out[41]:

array([[ 1,  2,  3,  4],

[ 5,  6,  7,  8],

[ 9, 10, 11, 12]])

In [42]: np.hstack((arr3,arr4))

Out[42]:

array([[  0,   0,   0,   3,   1,   2,   3,   4],

[  5,   8,  13,  21,   5,   6,   7,   8],

[ 34,  55,  89, 144,   9,  10,  11,  12]])