Python数据分析 #002 Numpy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

目录

• 1. Numpy 介绍
• 2. 初识numpy
  • 2.1 存储数据
  • 2.2 numpy与python list对比
• 3. 基本操作
  • 3.1 ndarry的属性
  • 3.2 ndarry的形状
  • 3.3 ndarry的数据类型
  • 3.4 生成数组的方法
    • 3.4.1 生成0和1的数组
    • 3.4.2 从已有数组生成
    • 3.4.3 生成固定范围的数组
    • 3.4.4 生成随机数组
    • 3.4.5 正态分布
  • 3.5 数组的索引操作
  • 3.6 形状修改
  • 3.7 类型修改
  • 3.8 数组去重
• 4. ndarry运算
  • 4.1 逻辑运算
    • 4.1.1 单条件
    • 4.1.2 多条件
    • 4.1.3 三元运算符
  • 4.2 统计运算
  • 4.3 数组运算
    • 4.3.1 数组与数的运算
    • 4.3.2 数组与数组的运算
• 5. 矩阵运算
• 6. 合并，分割
  • 6.1 水平合并
  • 6.2 竖直合并
  • 6.3 concatenate
  • 6.4 分割
• 7. numpy读取文件
  • 7.1 缺失值处理

1. Numpy 介绍

• NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：线性代数、傅里叶变换、随机数生成等功能

• python在图像处理中常常使用Numpy进行像素的运算

• 安装Numpy：pip install numpy

---

---

2. 初识numpy

2.1 存储数据

numpy 只能存储相同类型的数据

import numpy as np

score = np.array([[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])

print(score)
print(type(score))

[[80 89 86 67 79]
 [78 97 89 67 81]
 [90 94 78 67 74]
 [91 91 90 67 69]
 [76 87 75 67 86]
 [70 79 84 67 84]
 [94 92 93 67 64]
 [86 85 83 67 80]]
<class 'numpy.ndarray'>

---

2.2 numpy与python list对比

import random
import time

list_data = []
for i in range(100000000):
    list_data.append(random.random())
    
np_list = np.array(list_data)

t1 = time.time()
python_list = sum(list_data)
t2 = time.time()
d1 = t2 - t1

t3 = time.time()
np_ndarry = np.sum(np_list)
t4 = time.time()
d2 = t4-t3

print(d1)
print(d2)

0.8986742496490479
0.24837088584899902

---

---

3. 基本操作

3.1 ndarry的属性

import numpy as np

# score为二维数组，即列表内嵌套一层列表，[ [],[],[] ]
score = np.array([[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])

# 数组的形状 
## 8 为 内层列表的个数
## 5 为内层列表内元素个数
print(score.shape)

# 数组的维数
print(score.ndim)

# 数组的大小(总元素个数)
print(score.size)

# 数组中元素类型
print(score.dtype)

# 数组中一个元素的大小
print(score.itemsize)

(8, 5)
2
40
int32
4

---

3.2 ndarry的形状

import numpy as np

# 二维
a = np.array([[1,2,3],[4,5,6]])
# 一维
b = np.array([1,2,3,4])
# 三维
c = np.array( [ [[1,2,3],[4,5,6]], [[1,2,3], [4,5,6]] ])

print(a.shape) # 从外到内，二维数组内一维数组个数为2，一维数组内元素个数为3
print(b.shape) # 从外到内，三维数组内二维数组个数为2，二维数组内一维数组个数为2，一维数组内元素个数为3
print(c.shape) # 从外到内，三维数组内二维数组个数为2，二维数组内一维数组个数为2，一维数组内元素个数为3

(2, 3)
(4,)
(2, 2, 3)

---

3.3 ndarry的数据类型

定义数组时没有指定类型则：
int 默认为 int32， float 默认为float64

# 1.生成数组不指定类型
import numpy as np

data1 = np.array([1.1, 2.2, 3.3, 4.4, 5.5])
data2 = np.array([1, 2, 3, 4, 5])

print(data1)
print(data2)

print(data1.dtype)
print(data2.dtype)

[1.1 2.2 3.3 4.4 5.5]
[1 2 3 4 5]
float64
int32

# 2.生成数组指定类型
import numpy as np

data3 = np.array([1, 2, 3], dtype="int32")
print(data3.dtype)

data4 = np.array([1, 2, 3], dtype=np.int64)
print(data4.dtype)

int32
int64

---

3.4 生成数组的方法

3.4.1 生成0和1的数组

import numpy as np

# shape 可封装成数组或列表
data1 = np.zeros(shape=(3, 4), dtype="int64")
print(data1)

data2 = np.ones(shape=[3, 4], dtype=np.int32)
print(data2)

[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

3.4.2 从已有数组生成

import numpy as np

score = np.array([[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])

data1 = np.array(score) # 深拷贝
data3 = np.copy(score)  # 深拷贝
data2 = np.asarray(score) # 浅拷贝

3.4.3 生成固定范围的数组

import numpy as np

# [0, 10] 均匀的取5个数
data = np.linspace(0, 10, 5)
print(data)

[ 0.   2.5  5.   7.5 10. ]

3.4.4 生成随机数组

import numpy as np

# [low, high) 左闭右开，生成1000个数
# 生成的数，出现的概率相同
data = np.random.uniform(low=-1, high=1, size=1000000)

# 验证分布是否均匀
import matplotlib.pyplot as plt

plt.figure(figsize=(20, 8), dpi=80)
plt.hist(data, 1000)
plt.show()

3.4.5 正态分布

import numpy as np 

# loc 为正态分布中的μ，即随机变量的均值（对称轴）
# scale 为正态分布的σ， 即随机变量的方差（值越大，越胖越矮）
data = np.random.normal(loc=1.75, scale=0.1, size=1000000)

import matplotlib.pyplot as plt

plt.figure(figsize=(20, 8), dpi=80)
plt.hist(data,1000)
plt.show()

---

3.5 数组的索引操作

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(6, 4))
print(data)

[[-2.80765847  0.9806412   0.4627258  -0.8282472 ]
 [ 0.61957529  1.10015229  3.17409706 -1.47719302]
 [-0.68976519 -0.65544996  0.07485424  1.8778339 ]
 [-0.87999222  0.8916781   0.32213593 -0.22866971]
 [ 0.0454046   0.28607432  0.6885944  -0.94492507]
 [ 0.28773556  0.86663415  0.81204776 -0.14302773]]

# 第一个参数为第几个列表（索引从0开始），第二个为列表切片
data[1,:3]

array([0.61957529, 1.10015229, 3.17409706])

data2 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])

# 第2个二维数组中的第1个一位数组中索引为2的值
data2[1,0,2]

34

---

3.6 形状修改

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(5, 4))
print(data)

[[ 1.68222052 -0.43455475  1.38495045  0.64855998]
 [ 0.75760956 -0.72282992 -0.680814    0.33704623]
 [-1.12369912  0.57891835 -1.11248383  1.58782981]
 [ 0.05110219 -0.18106968  0.83644638 -0.73372486]
 [-1.23898805 -1.08965331  0.86758045 -1.50162934]]

data.reshape(4, 5) # 返回新的数组，原始数组未改变

array([[ 1.68222052, -0.43455475,  1.38495045,  0.64855998,  0.75760956],
       [-0.72282992, -0.680814  ,  0.33704623, -1.12369912,  0.57891835],
       [-1.11248383,  1.58782981,  0.05110219, -0.18106968,  0.83644638],
       [-0.73372486, -1.23898805, -1.08965331,  0.86758045, -1.50162934]])

data # 原始数组未改变

array([[ 1.68222052, -0.43455475,  1.38495045,  0.64855998],
       [ 0.75760956, -0.72282992, -0.680814  ,  0.33704623],
       [-1.12369912,  0.57891835, -1.11248383,  1.58782981],
       [ 0.05110219, -0.18106968,  0.83644638, -0.73372486],
       [-1.23898805, -1.08965331,  0.86758045, -1.50162934]])

data.resize(4,5) # 没有返回值，原始数组被改变

data # 原始数组被改变

array([[ 1.68222052, -0.43455475,  1.38495045,  0.64855998,  0.75760956],
       [-0.72282992, -0.680814  ,  0.33704623, -1.12369912,  0.57891835],
       [-1.11248383,  1.58782981,  0.05110219, -0.18106968,  0.83644638],
       [-0.73372486, -1.23898805, -1.08965331,  0.86758045, -1.50162934]])

data.T # 转置，行变成列， 列变成行，原始数组未改变

array([[ 1.68222052, -0.72282992, -1.11248383, -0.73372486],
       [-0.43455475, -0.680814  ,  1.58782981, -1.23898805],
       [ 1.38495045,  0.33704623,  0.05110219, -1.08965331],
       [ 0.64855998, -1.12369912, -0.18106968,  0.86758045],
       [ 0.75760956,  0.57891835,  0.83644638, -1.50162934]])

data # 原始数组未改变

array([[ 1.68222052, -0.43455475,  1.38495045,  0.64855998,  0.75760956],
       [-0.72282992, -0.680814  ,  0.33704623, -1.12369912,  0.57891835],
       [-1.11248383,  1.58782981,  0.05110219, -0.18106968,  0.83644638],
       [-0.73372486, -1.23898805, -1.08965331,  0.86758045, -1.50162934]])

---

3.7 类型修改

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(5, 4))
print(data)

[[ 0.36497627 -0.59952847  0.79296164  0.41958173]
 [-0.28965997 -1.54775829 -2.00663764  0.33787286]
 [-2.02337191 -0.33037293  0.16974602  0.80092937]
 [ 1.26416642 -1.54476757  1.15745786 -2.20419407]
 [-0.82871831 -0.75315981  0.45672733  0.25010667]]

int_data = data.astype("int32")
print(int_data)

[[ 0  0  0  0]
 [ 0 -1 -2  0]
 [-2  0  0  0]
 [ 1 -1  1 -2]
 [ 0  0  0  0]]

# 序列化到本地
bytes_data = data.tostring()
print(bytes_data)

b'\xac\xa9Op\xc5[\xd7?=@\xadTV/\xe3\xbf\xdcML\x14\xf1_\xe9?p_qQm\xda\xda?\xf4\t\xa5\xfb\xc9\x89\xd2\xbf\xf2([3\x9e\xc3\xf8\xbf\xc9\xcc/\t\x98\r\x00\xc0\xb1\xf4j\x7f\xb5\x9f\xd5?\x0b\xaf\x88\x9c\xdd/\x00\xc0z.X~\xd4$\xd5\xbf\xb5\xd3\x96\xd5<\xba\xc5?\xaa$\x19\xa16\xa1\xe9?!\xdf!\x90\x06:\xf4?x\xf5f3^\xb7\xf8\xbf\x12\x93\x89\x87\xf2\x84\xf2?)xm\x800\xa2\x01\xc0\xb8^?E\xdc\x84\xea\xbfK\xd4s\x9c\xe2\x19\xe8\xbf`$\xa5D\x05;\xdd?\xd4\xd9+f\xbf\x01\xd0?'

---

3.8 数组去重

import numpy as np

temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])

# 方法一：unique方法
print(np.unique(temp))

# 方法二：flatten把数组变为一维，再转化为集合（集合的去重功能）
## set 只能操作一位数组
print(set(temp.flatten()))

[1 2 3 4 5 6]
{1, 2, 3, 4, 5, 6}

---

---

4. ndarry运算

4.1 逻辑运算

4.1.1 单条件

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(6, 4))
print(data)

[[ 0.08410401 -0.37538945  0.13432796 -0.24338345]
 [-0.82588345 -0.30354523  1.20103    -0.63800444]
 [ 0.53934054  1.1967968   2.1809332  -0.27882138]
 [ 0.43126568 -0.06625733 -0.03355664  2.07546607]
 [ 3.36921258 -1.3003321   1.10167876 -0.21506415]
 [ 0.38562248  0.09991896  0.09002989  0.01234904]]

data  = data[:3, :]
print(data)

[[ 0.08410401 -0.37538945  0.13432796 -0.24338345]
 [-0.82588345 -0.30354523  1.20103    -0.63800444]
 [ 0.53934054  1.1967968   2.1809332  -0.27882138]]

data > 0.5

array([[False, False, False, False],
       [False, False,  True, False],
       [ True,  True,  True, False]])

data[data > 0.5] = 1.1
print(data)

[[ 0.08410401 -0.37538945  0.13432796 -0.24338345]
 [-0.82588345 -0.30354523  1.1        -0.63800444]
 [ 1.1         1.1         1.1        -0.27882138]]

# data > 0.5 中全为True则返回True,否则返回False
np.all(data > 0.5)

False

# data > 0.5 中全为False则返回False，否则返回True
np.any(data > 0.5)

True

---

4.1.2 多条件

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(6, 4))
print(data)

[[ 0.76787982  0.88737247  1.74263682 -0.49420296]
 [-0.18329718 -1.19295672 -1.18810181  1.23850121]
 [ 0.14925692 -0.67148871  2.52844995 -0.47884825]
 [-0.86996908  1.06541647 -2.33653304  0.63750588]
 [-0.42733769  0.81996285  0.8012661  -0.16436488]
 [-0.04465013 -0.10945832  0.28680191 -0.33861742]]

data = data[:4, :]
print(data)

[[ 0.76787982  0.88737247  1.74263682 -0.49420296]
 [-0.18329718 -1.19295672 -1.18810181  1.23850121]
 [ 0.14925692 -0.67148871  2.52844995 -0.47884825]
 [-0.86996908  1.06541647 -2.33653304  0.63750588]]

# 逻辑且
np.logical_and(data>0.5, data<1)

array([[ True,  True, False, False],
       [False, False, False, False],
       [False, False, False, False],
       [False, False, False,  True]])

# 逻辑或
np.logical_or(data>0.5, data<-1)

array([[ True,  True,  True, False],
       [False,  True,  True,  True],
       [False, False,  True, False],
       [False,  True,  True,  True]])

---

4.1.3 三元运算符

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(6, 4))
print(data)

[[-0.52116204  0.67736524  0.43120268 -0.5997491 ]
 [ 1.70802526 -1.46056336  1.09866457 -1.748535  ]
 [-0.88784022  0.0807401  -0.55049389 -0.09172021]
 [-0.48830458  0.25574224  0.15369485  0.08506734]
 [-0.86505423  1.19853149 -2.42415664  0.87008424]
 [-0.81790143 -0.40965744  0.29866362  1.55827793]]

data = data[1:5, :]
print(data)

[[-0.88784022  0.0807401  -0.55049389 -0.09172021]
 [-0.48830458  0.25574224  0.15369485  0.08506734]
 [-0.86505423  1.19853149 -2.42415664  0.87008424]]

data > 0.1

array([[False, False, False, False],
       [False,  True,  True, False],
       [False,  True, False,  True]])

# np.where(布尔值， 为True时显示的值， 为False时显示的值)
np.where(data>0.1, 1, 0)

array([[0, 0, 0, 0],
       [0, 1, 1, 0],
       [0, 1, 0, 1]])

---

4.2 统计运算

import numpy as np 

data = np.random.normal(loc=0, scale=1, size=(6, 4))
print(data)

[[ 0.49955014  0.37754483  0.47376036  0.93311119]
 [-0.43336049 -0.39221278 -1.57935361 -0.57287375]
 [-1.12843407 -0.74063168 -0.02489084 -1.62302954]
 [ 1.61659902  0.16823097 -1.41860306 -0.83117873]
 [ 0.04641276  0.48024601  1.48735848  1.10058279]
 [-0.77769939  0.56009927  0.48404536 -1.90639525]]

# 所有元素中最大的值
print(np.max(data))
print(data.max())

1.6165990231076133
1.6165990231076133

# 每一列中最大的值
# 或写成 np.max(data, axis=0)
print(data.max(axis=0))

# 每一行中最大的值
print(data.max(axis=1))

# 每行中最大的数的位置，索引从0开始
print(data.argmax(axis=1))

[1.61659902 0.56009927 1.48735848 1.10058279]
[ 0.93311119 -0.39221278 -0.02489084  1.61659902  1.48735848  0.56009927]
[3 1 2 0 2 1]

---

---

4.3 数组运算

4.3.1 数组与数的运算

import numpy as np

arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr * 10
# 其他运算符同理

array([[10, 20, 30, 20, 10, 40],
       [50, 60, 10, 20, 30, 10]])

---

4.3.2 数组与数组的运算

条件：满足广播机制，即shape中数字相同或中其中有一个为1

import numpy as np

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr2 = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])
arr3 = np.array([[1], [3], [5]])
arr4 = np.array([[1], [3]])

# shape从右往左看
# arr1 和 arr2 shape中一个为 6，一个为 4，不相等，且没有一个数为1，则不能进行运算
# arr1 和 arr3 shape中一个为6，一个为1，满足。一个为2，一个为3不满足，不能运算
# arr1 和 arr4 shape中 6和1， 满足。2和2 满足，则能运算。
print(arr1.shape)
print(arr2.shape)
print(arr3.shape)
print(arr4.shape)

(2, 6)
(2, 4)
(3, 1)
(2, 1)

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr4 = np.array([[1], [3]])

# (2,6) , (2, 1) 得到的数组shape为（2，6）,取最大 
arr1 + arr4

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

# 不满足广播机制求数组的乘积
data = np.array([[80, 86],[82, 80],[85, 78],[90, 90],[86, 82],[82, 90],[78, 80],[92, 94]]) # （8，2）
weights = np.array([[0.3], [0.7]])  # （2， 1）

# 两种方法
print(np.matmul(data, weights))
print(np.dot(data, weights))

# 若写成 data * weights 会报错，因为不满足广播机制的数组间不能执行运算操作（加减乘除）

[[84.2]
 [80.6]
 [80.1]
 [90. ]
 [83.2]
 [87.6]
 [79.4]
 [93.4]]
[[84.2]
 [80.6]
 [80.1]
 [90. ]
 [83.2]
 [87.6]
 [79.4]
 [93.4]]

---

---

5. 矩阵运算

矩阵一定是二维数组，二维数组不一定是矩阵（可能是ndarry)，
矩阵运算法则：(M行, N列) x (N行, L列) = (M行, L列)

import numpy as np

# ndarray存储矩阵
data_arry = np.array([[80, 86],[82, 80],[85, 78],[90, 90],[86, 82],[82, 90],[78, 80],[92, 94]])

# matrix储存矩阵
data_mat = np.mat([[80, 86],[82, 80],[85, 78],[90, 90],[86, 82],[82, 90],[78, 80],[92, 94]])

print(data_arry)
print(type(data_arry))
print(data_mat)
print(type(data_mat))

[[80 86]
 [82 80]
 [85 78]
 [90 90]
 [86 82]
 [82 90]
 [78 80]
 [92 94]]
<class 'numpy.ndarray'>
[[80 86]
 [82 80]
 [85 78]
 [90 90]
 [86 82]
 [82 90]
 [78 80]
 [92 94]]
<class 'numpy.matrix'>

# 矩阵运算不需要满足广播机制（前提是数据为矩阵对象，即type为numpy.matrix）
data_mat = np.mat([[80, 86],[82, 80],[85, 78],[90, 90],[86, 82],[82, 90],[78, 80],[92, 94]]) # (8, 2)
weights_mat = np.mat([[0.3], [0.7]]) # (2, 1)

# 矩阵运算法则 (8, 2) * (2, 1) = (8, 1) 
data_mat * weights_mat

matrix([[84.2],
        [80.6],
        [80.1],
        [90. ],
        [83.2],
        [87.6],
        [79.4],
        [93.4]])

---

---

6. 合并，分割

6.1 水平合并

import numpy as np

a = np.array([1, 2, 3]) # (3,)
b = np.array([4, 5, 6])
m = np.array([[1], [2], [3]]) # (3, 1)
n = np.array([[4], [5], [6]])

c = np.hstack((a, b))
d = np.hstack((m, n))
print(c)
print(d)

[1 2 3 4 5 6]
[[1 4]
 [2 5]
 [3 6]]

---

6.2 竖直合并

import numpy as np

a = np.array([1, 2, 3]) # (3,)
b = np.array([4, 5, 6])
m = np.array([[1], [2], [3]]) # (3, 1)
n = np.array([[4], [5], [6]])

c = np.vstack((a, b))
d = np.vstack((m, n))
print(c)
print(d)

[[1 2 3]
 [4 5 6]]
[[1]
 [2]
 [3]
 [4]
 [5]
 [6]]

---

6.3 concatenate

该方法不能水平合并一维数组，axis=1对一维数组来说是越界的

import numpy as np

a = np.array([[1], [2], [3]]) # (3, 1)
b = np.array([[4], [5], [6]])

c = np.concatenate((a, b), axis=0)  # 竖直
d = np.concatenate((a, b), axis=1)  # 水平
print(c)
print(d)

[[1]
 [2]
 [3]
 [4]
 [5]
 [6]]
[[1 4]
 [2 5]
 [3 6]]

---

6.4 分割

import numpy as np

# 生成0-8的一维+数组
x = np.arange(9)
print(x)

# 根据个数分割
data1 = np.split(x, 3)
print(data1)

# 根据索引分割  [0，3）, [3, 5), [5, 7)
data2 = np.split(x, [3, 5, 7])
print(data2)

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

---

---

7. numpy读取文件

numpy适合打开纯int类型数据的文件，否则容易产生缺失值，即出现nan

import numpy as np 

# 打开的文件，包含str, float类型数据会显示nan,所以一般不用numpy打开文件
# 打开文件，指定分隔符为 “ ，”
data = np.genfromtxt(r"C:\Users\ASUS PC\Desktop\test.csv", delimiter=",")
print(data)

[[  nan   nan   nan   nan]
 [  1.  123.    1.4  23. ]
 [  2.  110.    nan  18. ]
 [  3.    nan   2.1  19. ]]

---

7.1 缺失值处理

import numpy as np 

data = np.genfromtxt(r"C:\Users\ASUS PC\Desktop\test.csv", delimiter=",")
print(data)

# 把数据为 nan 的修改为该列的平均值
# 若直接把 nan 的数据直接赋值为0或1，则会改变当前行或当前列的平均值大小，不推荐
def fill_nan_by_column_mean(t):
    for i in range(t.shape[1]):
        # 计算nan的个数
        nan_num = np.count_nonzero(t[:, i][t[:, i] != t[:, i]])
        if nan_num > 0:
            now_col = t[:, i]
            # 求和
            now_col_not_nan = now_col[np.isnan(now_col) == False].sum()
            # 和/个数
            now_col_mean = now_col_not_nan / (t.shape[0] - nan_num)
            # 赋值给now_col
            now_col[np.isnan(now_col)] = now_col_mean
            # 赋值给t，即更新t的当前列
            t[:, i] = now_col
    return t

fill_nan_by_column_mean(data)

[[  nan   nan   nan   nan]
 [  1.  123.    1.4  23. ]
 [  2.  110.    nan  18. ]
 [  3.    nan   2.1  19. ]]

array([[  2.  , 116.5 ,   1.75,  20.  ],
       [  1.  , 123.  ,   1.4 ,  23.  ],
       [  2.  , 110.  ,   1.75,  18.  ],
       [  3.  , 116.5 ,   2.1 ,  19.  ]])