本篇文章我們繼續帶大家學習Numpy的數據操作部分，主要給大家系統的介紹一下Numpy中常用的方法和屬性。

　　雖然我們前面也用過一些方法，但是我們沒有系統的給大家介紹，本次我們分成兩部分，詳細的給大家介紹一下Numpy中的一些方法和使用。

　　Numpy的常用方法

　　Ndarray對象的常用方法

　　Numpy的常用方法

　　生成函數

　　生成ndarray對象的函數,注意所有np即為numpy的簡寫。

　　np.arange(n): 生成指定范圍的一個數據序列，返回的是ndarray對象。其實np.arange()的使用很類似內置函數range()，只不過range()函數生成的數據類似一個列表，而np.arange()生成的是ndarray對象。

　　np.array(list)：將一個列表轉成ndarray對象。

　　import numpy as np #導入numpy模塊，起別名為np

　　import warnings

　　warnings.filterwarnings("ignore") # 忽略警告信息

　　data = np.arange(10)

　　display(data)

　　data1= list(range(10))

　　display(type(data1))

　　data1=np.array(data1)

　　display(data1)

　　# 當然使用np.array()還可以創建二維的數組

　　array = [[1,2],[3,4],[5,6],[7,8],[9,10]]

　　array = np.array(array)

　　display(array)

　　# 如果是一維數組：向量

　　# 如果是二維數組，那么就看做是一個矩陣

　　結果：

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　list

　　array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([[ 1, 2],

　　[ 3, 4],

　　[ 5, 6],

　　[ 7, 8],

　　[ 9, 10]])

　　使用np.ones()、np.zeros()、np.full() 生成ndarray對象

　　np.ones(N) : 生成一個N長度的一維全1的ndarray對象

　　np.zeros(N): 生成一個N長度的一維全0的ndarray對象

　　np.full(N) : 生成一個N長度的一維值全為指定值的ndarray對象

　　import numpy as np

　　array1 = np.ones((3,4)) # 創建值全為1的數組。

　　display(array1)

　　array2 = np.zeros((3,4)) # 創建值全為0的數組。

　　display(array2)

　　array3 = np.full((3,4),6) # 創建值全為指定值的數組。

　　display(array3)

　　結果：

　　array([[1., 1., 1., 1.],

　　[1., 1., 1., 1.],

　　[1., 1., 1., 1.]])

　　array([[0., 0., 0., 0.],

　　[0., 0., 0., 0.],

　　[0., 0., 0., 0.]])

　　array([[6, 6, 6, 6],

　　[6, 6, 6, 6],

　　[6, 6, 6, 6]])

　　大家可以發現ones和zeros得到的數組是浮點型的。那如何設置它的數據類型呢?

　　A. 在聲明的時候可以使用，比如array1 = np.ones((3,4),dtype=np.int)

　　B. 使用ndarray對象.astype(數據類型)進行類型轉換

　　Numpy的數據類型有哪些呢?

　　當然若想得到一些隨機數組成的數組，我們還可以使用numpy.random中的方法完成

　　np.random.rand 生成指定形狀的0­～1之間的隨機數

　　np.random.random 生成指定形狀的0­～1之間的隨機數

　　np.random.randn 標準正態分布

　　np.random.normal 指定均值和方法的正態分布

　　np.random.randint 生成指定數值范圍內的隨機整數

　　np.random.seed 按照種子來生成隨機數，種子一樣，則生成的結果必一致

　　np.random.shuffle 打亂數組元素順序

　　np.random.uniform 均勻分布

　　np.random.choice 按照指定概率從指定集合中，生成隨機數

　　選出幾個給大家介紹一下

　　np.random.rand 與np.random.random兩者類似，都是產生0­～1之間的隨機數，但是函數的參數不一樣。

　　import numpy as np

　　d1 = np.random.random((2,3)) #注意區別多(少)了一對()

　　d2 = np.random.rand(2,3)

　　display(d1,d2)

　　np.random.randn() 服從正態分布的從0­～1之間的隨機數

　　dn = np.random.randn(2,3)

　　display(dn)

　　np.random.normal() 指定均值和方差的正態分布

　　# loc：float 此概率分布的均值(對應著整個分布的中心centre)

　　# scale：float 此概率分布的標準差(對應于分布的寬度，scale越大越矮胖，scale越小，越瘦高)

　　# size：int or tuple of ints 輸出的shape，默認為None，只輸出一個值

　　dn= np.random.normal(loc=4, scale=0.01, size=4)

　　dn1= np.random.normal(loc=4, scale=0.01, size=(2,4))

　　display(dn,dn1)

　　np.random.randint() 隨機整數

　　# 在1-10范圍里，隨機生成5個int32類型的數值，生成的結果集可能出現重復數值 arr1 = np.random.randint(1, high=10, size=5, dtype=np.int32) display(arr1) # 生成一個指定范圍[-10,0]的隨機二維數組 arr2 = np.random.randint(-10, high=10, size=(4, 6), dtype=np.int32) display(arr2)

　　np.random.choice() 從指定數據集中，隨機抽選一個數據

　　# 從數值集合中，按照指定概率生成隨機數，參數P的總和一定得是1

　　arr = np.random.choice([0,3,5,7,8,9], p=[0.1, 0.2, 0.3, 0.4,0.2,0.5]) display(arr)

　　數學函數與運算操作

　　數學相關

　　Numpy提供了許多數學操作相關函數，常用的函數有：

　　abs / fabs ：絕對值

　　ceil / floor ：向上/向下取整

　　log / log2 / log10 ：對數

　　exp ：e為底的指數

　　modf ：將浮點數num分解成整數部分和小數部分。

　　sin / sinh / cos / cosh ：正玄、余玄...

　　sqrt ：開平方

　　import numpy as np

　　arr = np.array([[-1,1.2,0.8,-3.9],[-6,1,-1.8,0.9]])

　　display(arr)

　　#絕對值

　　a = np.abs(arr)

　　display(a)

　　#向上/向下取整

　　b = np.ceil(arr)

　　b1 = np.floor(arr)

　　display(b,b1)

　　# 對數函數

　　c = np.log(arr)

　　display(c)

　　# e為底數的指數函數

　　d = np.exp(arr)

　　display(d)

　　# 浮點數拆分成 整數 和 浮點數 兩部分

　　# 返回一個元組，含有兩個元素(數組類型)，第一個元素返回小數部分，第二個元素返回整數部分。

　　e = np.modf(arr)

　　display(e)

　　#開平方

　　f = np.sqrt(arr)

　　display(f)

　　運算相關的有：

　　數組與數(一維數組與一維數組)的運算(加+、減­、乘*、除/、取整//、取模%、平方 * * 、立方 * * * )：

　　加：“+” 或者np.add(a, b)

　　減：“­-” 或者np.subtract(a, b)

　　乘：“*” 或者np.multiply(a, b)

　　除：“/” 或者np.divide(a, b)

　　次方：“ ** ” ，如2^7=2**7

　　取整函數：“ // ”或者 np.ceil(), np.floor(), np.trunc()/fix(), np.rint(), np.around()

　　取模：“%”或者np.mod()和np.remainder()

　　矩陣乘積：np.dot(a, b)

　　判斷： > 、 >= 、< 、 <= 、 == 、 !=

　　條件：all() 、any()

　　邏輯條件： & 、 | 、 !

　　上篇文章我們提到過運算相關的符號，當然每個符號還有對應的方法。在Numpy中的運算基本都是遵守廣播機制的。現在我們在看一下關系運算符：

　　import numpy as np

　　arr1 = np.array([1,2,3,4,5])

　　arr2 = np.array([0,2,-5,-4,8])

　　display(arr1>arr2,arr1<arr2,arr1!=arr2,arr1==arr2)< p="">

　　結果如下：

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

　　其中all()和any()返回的也是bool類型的結果,any()表示只要有一個True 就返回 True,all()表示所有為True 就返回 True

　　display(np.all(arr1),np.any(arr2))

　　邏輯運算符的使用：

　　np.all(arr1<0) & np.all(arr2>0)

　　數組的鏈接(拼接、組合)和拆分

　　np.concatenate 對多個數組按指定軸的方向進行連接。

　　np.stack / np.vstack / np.hstack / np.dstack / np.tile 組合

　　np.split / np.hsplit / np.vsplit / np.dsplit 拆分

　　本文章不做具體講解，可以參看上篇文章

　　排序與去重

　　np.unique( arr,return_index,return_inverse,return_counts,axis) : 返回ndarray中的元素，排除重復元素之后，并進行排序

　　np.sort( ndarray) : 作為函數使用時，不更改被排序的原始arrays,返回副本

　　arr = np.array([[1,2,3,4,5,5,6,6,6,8],[2,2,3,4,5,5,6,6,7,9]])

　　arr = np.unique(arr)

　　display(arr)

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

　　arr1 = np.sort(arr1)

　　display(arr1)

　　結果：

　　array([1, 2, 3, 4, 5, 6, 7, 8, 9])

　　array([1, 2, 3, 4, 5, 5, 6, 6, 6])

　　改變形狀與數組扁平化

　　我們可以通過數組對象的reshape方法(或者np的reshape函數)來改變數組的形狀。

　　arr1 = np.arange(30).reshape(3, 10)

　　arr2 = np.arange(30).reshape(5, -1)

　　# 也可以使用

　　a = np.arange(10)

　　b = np.reshape(a, (2,5))

　　display(b)

　　我們可以通過調用ravel或flatten方法，對數組對象進行扁平化處理。

　　np.ravel / ravel

　　flatten

　　shape, reshape, resize, ravel

　　二者的區別在于，ravel返回原數組的視圖，而flatten返回原數組的拷貝。

　　x = np.arange(16).reshape(4, 4)

　　display(x.ravel())

　　display(np.ravel(x))

　　display(x.flatten())

　　結果：

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

　　統計函數

　　Numpy(或數組對象)具有如下常用的統計函數。

　　mean / sum / prod(乘積)

　　max / min / amax / amin

　　argmax / argmin

　　std / var

　　cumsum / cumprod

　　all / any

　　median / percentile

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機生成4行5列的數組

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求積

　　print(np.std(a)) # 求標準差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位數

　　print(np.argmax(a)) # 最大值索引

　　print(np.argmin(a)) # 最小值索引

　　當然也可以指定axis進行計算，比如按照軸進行計算，比如axis=0即列軸計算

　　print(np.mean(a,axis=0)) # 平均值

　　print(np.max(a,axis=0)) # 最大值

　　print(np.min(a,axis=0)) # 最小值

　　print(np.sum(a,axis=0)) # 求和

　　Ndarray對象屬性與索引使用

　　Ndarray對象的屬性

　　ndim ­ 維度數

　　shape ­ 維度/形狀

　　dtype ­ 元數數據類型

　　size ­ 元素個數

　　itemsize ­ 返回數組元素占用空間的大小。以字節為單位

　　nbytes ­ 總字節數 = size * itemsize

　　T ­ 數組對象的轉置視圖

　　flat ­ 扁平迭代器

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

　　print(arr.ndim) #維度數

　　print(arr.shape) #維度形狀

　　print(arr.dtype) #元數數據類型

　　print(arr.size) #元素個數

　　print(arr.itemsize) # 返回數組元素占用空間的大小。以字節為單位

　　print(arr.nbytes) #返回占用空間的總長度

　　Ndarray對象的切片和索引

　　當然Numpy的方法有很多也是可以轉成ndarray中的方法使用，比如統計函數

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機生成4行5列的數組

　　print(np.mean(a)) # 平均值

　　print(a.mean()) # 通過ndarray對象調用mean方法

　　print(np.max(a)) # 最大值

　　print(a.max()) # 通過ndarray對象調用max方法

　　import numpy as np

　　a = np.random.randint(1,20,size=(4,5)) # 隨機生成4行5列的數組

　　print(np.mean(a)) # 平均值

　　print(np.max(a)) # 最大值

　　print(np.min(a)) # 最小值

　　print(np.sum(a)) # 求和

　　print(np.prod(a)) # 求積

　　print(np.std(a)) # 求標準差

　　print(np.var(a)) # 求方差

　　print(np.median(a)) # 求中位數

　　print(np.argmax(a)) # 最大值索引

　　print(np.argmin(a)) # 最小值索引

　　更多關于“Python培訓”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學，課程大綱緊跟企業需求，更科學更嚴謹，每年培養泛IT人才近2萬人。不論你是零基礎還是想提升，都可以找到適合的班型，千鋒教育隨時歡迎你來試聽。