numpy模块
numpy模块简介
nunpy是高性能科学计算和数据分析的基础包，也是pandas等其他数据分析工具的基础。
numpy具有多维数组功能，运算更加高效快速。
下载模块
在notebook中如果需要执行pip命令下载模块，只需要在命令行的开头加上一个感叹号即可
！pip install numpy
在安装完之后anaconda之后该软件也会给我们提供一个下载模块的工具
conda使用方式与pip一致
conda install numpy
导入模块
import numpy import numpy as np # 更加倾向于起别名 np
numpy前戏
notebook单元格左侧如果是星号表示当前单元格正在执行，是数字表示执行完毕
计算IBM指数
伪造数据
import random
# 伪造数据
h = []
w = []
for i in range(1000):
h.append(random.randint(153,180))
w.append(random.uniform(51,88))
python代码实现
import time
# for循环计算
start_time = time.time()
for i in range(100000000):
w[i]/(h[i]/100) ** 2
end_time = time.time() - start_time
end_time
numpy解决方案
import numpy as np H = np.array(h) W = np.array(w) # 数组运算 start_time = time.time() BMI = W/(H/100)**2 end_time = time.time() - start_time end_time
多维数组
一维数组
np.array([1,2,3,4])
二维数组（矩阵）
np.array([[1,2,3,4],[9,8,7,6]])
numpy中同一个数组内所有数据的数据类型肯定是一致的
np.array([1,2,False]) >>> array([1, 2, 0]) np.array([1,2,3.1]) >>> array([1.,2.,3.1])
numpy中进行数据操作的时候同一个数组内所有的数据都挨个对应参与操作
a1 = np.array([1,2,3,4]) a2 = np.array([7,8,9,1]) a1 + a2 >>> array([ 8, 10, 12, 5]) a1 * 10 >>> array([10, 20, 30, 40])
数据类型
布尔型：bool_
整型
int_ int8 int16 int32 int64
int32表示(-2**31，2**31-1),因为它只有32个位，只能表示2**32个数
无符号整型
uint8 uint16 uint32 uint64
浮点型
float_ float16 float32 float64
复数型
complex_ complex64 complex128
为什么numpy数据类型以数字居多
因为numpy主要用于科学计算，只有数字可以参与计算
为什么有些数据类型后面加下划线
因为为了跟python数据类型关键字区分开
常用属性
T 数组的转置（对高维数组而言）
li1 = [
[1,2,3],
[4,5,6]
]
a = np.array(li1)
a.T
执行结果：
array([[1, 4],
[2, 5],
[3, 6]])
就相当于将行变成列，列变成行，也是一个比较常用的方法
dtype
数组元素的数据类型
size
数组元素的个数
ndim
数组的维数
shape
数组的维度大小（以元组形式）
常用方法
如何查看某个方法的使用说明
方式一：
在方法后面加问号执行即可
方式二：
写完方法名之后先按shift不松开然后按tab即可（shift+tab）
array（）
将列表转换为数组，可选择显示指定dtype
arange（）
range的numpy版，支持浮点数
np.arange(1,10,2) np.arange(1.2,10,0.4)
linspace（）
类似arange（），第三个参数为数组长度
np.linspace(1,10,20)
这个方法与arange有一些区别，arange是顾头不顾尾，而这个方法是顾头又顾尾。
在1~10之间生成的二十个数字，每个数字之间的距离是相等的，前后两个数做减法肯定相等。
zeros（）
根据指定形状和dtype创建全0数组
np.zeros((3,4))
ones()
根据指定形状和dtype创建全1数组
np.ones((3,4))
empty()
根据指定形状和dtype创建空数组（随机值）
np.empty(10)
eye()
根据指定边长和dtype创建单位矩阵
np.eye(5)
索引与切片
针对一维数组
索引与切片操作跟python中的列表完全一致
age = np.array([13.,19,22,14,19,11])
花式索引（间断索引）
age[[0,2,5]]
布尔值索引（逻辑索引）
age[age>15]
针对二维数组索引与切片有些许复杂
res[行索引(切片),列索引(切片)]
如果需要获取二维数组的所有行或列元素，那么对应的行索引或列索引需要用英文的冒号表示
res = np.array([[ 1, 3, 5, 7],
[ 2, 4, 6, 8],
[ 11, 13, 15, 17],
[ 12, 14, 16, 18],
[100, 101, 102, 103]])
arr1[3,3] # 18 arr1[3,:] # array([12, 14, 16, 18]) arr1[:,1] # array([ 3, 4, 13, 14, 101]) arr1[0:2,1:3] # array([[3,5],[4,6]])
运算符
数学运算符
+
数组对应元素的加和
-
数组对应元素的差
*
数组对应元素的乘积
/
数组对应元素的商
%
数组对应元素的余数
//
数组对应元素的整除数
**
数组对应元素的加幂指数
比较运算符
>
判断arr1的元素是否大于arr2的元素
等价 np.greater(arr1,arr2)
>=
判断arr1的元素是否大于等于arr2的元素
等价 np.greater_equal(arr1,arr2)
<
判断arr1的元素是否小于arr2的元素
等价np.less(arr1,arr2)
<=
判断arr1的元素是否小于等于arr2的元素
等价np.less_equal(arr1,arr2)
==
判断arr1的元素是否等于arr2的元素
等价np.equal(arr1,arr2)
!=
判断arr1的元素是否不等于arr2的元素
等价np.not_equal(arr1,arr2)
函数
常用的数学函数
np.round(arr)
对各元素四舍五入
np.sqrt(arr)
计算各元素的算术平方根
np.square(arr)
计算各元素的平方值
np.exp(arr)
计算以e为底的指数
np.power(arr, α)
计算各元素的指数
np.log2(arr)
计算以2为底各元素的对数
np.log10(arr)
计算以10为底各元素的对数
np.log(arr)
计算以e为底各元素的对数
常用的统计函数（必会）
np.min(arr,axis)
按照轴的方向计算最小值
np.max(arr,axis)
按照轴的方向计算最大值
np.mean(arr,axis)
按照轴的方向计算平均值
np.median(arr,axis )
按照轴的方向计算中位数
np.sum(arr,axis)
按照轴的方向计算和
np.std(arr,axis)
按照轴的方向计算标准差
np.var(arr,axis)
按照轴的方向计算方差
注意：
axis=0时，计算数组各列的统计值
axis=1时，计算数组各行的统计值
不使用axis参数
计算每一行的和
array([[ 80.5, 60., 40.1, 20., 90.7],
[ 10.5, 30., 50.4, 70.3, 90.],
[ 35.2, 35., 39.8, 39., 31.],
[91.2, 83.4, 85.6, 67.8, 99.]])
# 计算每一行的和
Sum = []
for row in range(4):
Sum.append(np.sum(arr2[row,:]))
计算每一列的平均值
Avg = []
for col in range(5):
Avg.append(np.mean(arr2[:,col]))
使用axis参数
arr2.sum(axis = 1) # 等价np.sum(arr2, axis = 1) np.mean(arr2, axis = 0) # 等价arr2.mean(axis = 0)
随机数
numpy中的random子模块
np.random
rand
给定形状产生随机数组（0到1之间的数）
randint
给定形状产生随机整数
choice
给定形状产生随机选择
shuffle
与random.shuffle相同
uniform
给定形状产生随机数组(随机均匀分布)
normal
随机正态分布
