Numpy

Numpy是高性能科学计算和数据分析的基础包，
Pandas是对它的更高级的封装

import numpy

'''
NumPy的主要对象是ndarray，该对象是一个快速、灵活的大数据容器。
它与python中的list，turple不同；它所存储的数据类型必须相同。
'''
# 多维数组
data = [1, 2, 3, 4]
arr1 = numpy.array(data)
print(arr1, type(arr1))  # [1 2 3 4] <class 'numpy.ndarray'>
print(numpy.zeros((3, 3)，dtype='int'))
print(numpy.ones((3, 3)))
print(numpy.arange(1, 10, 0.2))  # 1-10差为0.2 的等差序列
print(numpy.linspace(1, 10, 4)) 

 

np.empty(100)　　只申请100个地址，原内存里的值并没有清空
arr4 = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

arr4[:2, :2] = 10
print(arr4)  # 再将一个标量赋值给一个切片时，该值会被广播到整个切片视图上，并直接对原数组进行修改，如果想避免改变原数据，可以使用copy函数
arr4.copy()[:2, :2] = 5

# 基本的数组运算
# arr4+arr4
# arr4*arr4
# arr4*2
# arr4**0.5
# arr4+1
# 3/arr4
# arr4.sum()

 

arr4.std()
arr4.mean()  # 算数平均数
arr4.max()
print(arr4.argmin())  # 最大索引值
arr4.argmax()
arr4.cumsum()  # 所有元素的累计和
arr4.cumprod()  # 所有元素的累计积
arr.size　　　　最小元素的个数
arr.dtype　　　　元素的类型
arr.astype(float)　　#转换类型
arr.shape
arr.reshape((x,y))
arr.T　　　　　　转置
arr.ndim　　　　几维数组　　

python的数组切片后 是一个新的 而numpy是对原数据的引用

 

 

 

 

 

 

 

# 生成3行2列值{0,1）的随机多维数组
# print(numpy.random.rand(3, 2))  # 几个参数就是几维
'''
函数            参数                    描述
rand         d0,d1...dn         生成半开区间[0,1)内的多位随机数
randn        d0,d1...dn         生成来自标准正态分布的多个样本
randint      low[,high,size]    生成版开区间[low,high)内的随机整数;size是有几个
choice       a[,size,replace,p] 生成在给定的一维数组中的随机样本
bytes        length             生成随机字符串
'''
import matplotlib.pyplot as plt
size = 1000
rn1 = numpy.random.rand(size,2)
rn2 = numpy.random.randn(size)
rn3= numpy.random.randint(0,10,size)
rang = [0,10,20,30,40]
rn4 = numpy.random.choice(rang,size=size)
fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(nrows=2,ncols=2,figsize=(10,10))
ax1.hist(rn1,bins=25,stacked=True)
ax1.set_title('rand')
ax1.set_ylabel('frequency')
ax1.grid(True)

ax2.hist(rn2,bins=25)
ax2.set_title('randn')
ax2.grid(True)

ax3.hist(rn3,bins=25 )
ax3.set_title('randint')
ax3.grid(True)

ax4.hist(rn4,bins=25 )
ax4.set_title('choice')
ax4.grid(True)
fig.show()

 

 

numpy.random.binomial(100, 0.3, 1000)  # n=100,p=0.3的二项分布
numpy.random.normal(10, 20, 1000)  # 均值为10，标准差为20的正态分布
numpy.random.chisquare(0.5, 1000)  # 自由度为0.5的卡方分布
numpy.random.poisson(2.0, 1000)  # λ为2的泊松分布

 

 

 

布尔型索引

 

 

a[(a>5)&(a%2==0)]　　　　# and的意思，但这里要用  &（位运算符）　　# 因为这里的& 作用被重载了

a[(a>5)|(a%2==0)]

True and False # False
True & False　　# False
3 and 5 # 5
3　& 1　　# 0　　# 位运算优先级高

 

花式索引

 

a[,]  ,左边行   右边列


左右两边  可以是具体的值，也可以是布尔型索引，也可以是花式索引

 

 通用函数

 一元函数

numpy提供的
abs(数组)　　# 原生的可以    ，np的可以
sqrt　　　　　　# 原生的不可以    ，np的可以
exp
log 
ceil(数组)　　　　# 向上取整
floor(数组)　　　　# 向下取整
round(数组)　　　　# 四舍五入
trunc(数组)　　　　# 向0取整
rint(数组)　　　　 # 向0取整
modf(数组)　　　　# 把整数部分和小数部分分开
isnan 　　　　# b中每个元素是不是nan   返回True\False的数组

np.nan(b)
~np.nan(b)　　　取反　　　# 和  & | 一样

isinf 
cos sin tan
 

nan            
float('nan' )        # not a number
inf
float('ini')            
0.0/0.0            nan
5 /0 　　　　　　　　　　inf　　　　# 无穷大

np.nan    ==    np.nan        # False
np.nan    is    np.nan            # True
np.inf　　==　　np.inf　　　　# True

 

原生的
int　　向0取整
round　　四舍五入
math.ceil　　向上取整
math.floor　　向下取整

 

二元函数

 

add
substract
multiply
divide
power
mod
a.mean()　　# 平均值
np.maximum(a,b)  每一位比较取大的重新构成数组
mininum

a.var()　　# 方差　　　　（xi-x）^2  求和    /n　　　　# 离散程度
a.std()　　# 标准差　　　　根号方差　　　　　　　　#  
a.min()
a.max()
a.argmin()　　# 最大值的下表
a.argmax()

 

 random

 

 

 

 

 

 都被重写，支持了批量生成数据的功能