内容简介：责编 | 胡巍巍
作者 | Che_Hongshu
责编 | 胡巍巍
前言
玩数据分析、数据挖掘、AI的都知道这个 Python 库用的是很多的，里面包含各种操作，在实际的DataSet的处理当中是非常常用的，这里我做一个总结，方便自己看，也方便大家看，我准备做一个非常细致的分类，每个分类有对应的NumPy常用用法，以后见到或者用到再一个个慢慢加进来。
下载、安装、导入
用Anaconda安装是十分方便的，如果你已经安装了tf、Keras之类的，其实已经直接把NumPy安装了，一般来说安装就是pip命令。
1pip install numpy #py2 2pip3 install numpy #py3
用法则是：
1import numpy as np # 一般as为np来操作
常用用法总结
１．Array基本信息以及生成各种常见Array基本操作
生成Array，得到对应的基本信息：
1import numpy as np 2 3array = np.array([[1, 2, 3], 4 [2, 3, 4]]) 5 6print array #numpy生成的array 7print array.dtype # 每个元素的类型 8print "number of dim", array.ndim # array的维度 9print 'shape:', array.shape #形状， 两行三列。 10print 'size:', array.size #array的大小＝array中所有元素的个数 11""" 12 [[1 2 3] 13 [2 3 4]] 14 int64 15 number of dim 2 16 shape: (2, 3) 17 size: 6 18"""
Array的生成就是np.array(list)，本质上是把定义的list转换成Array，
因为Array可以进行更加方便地计算和操作，比如矩阵的转置和相乘。
Array的dtype设置：
1import numpy as np 2 3a = np.array([2, 23, 4], dtype=np.float32) 4print "a's dtype", a.dtype 5aa = np.array([2, 23, 4], dtype=np.int) 6print "aa's dtype", aa.dtype 7aaa = np.array([2, 23, 4]) 8print "aaa's dtype", aaa.dtype 9aaaa = np.array([2.2, 23.2, 4.2]) 10print "aaaa's dtype", aaaa.dtype 11aaaaa = np.array([2, 23, 4], dtype=np.int64) 12print "aaaaa's dtype:", aaaaa.dtype 13 14""" 15 a's dtype float32 16 aa's dtype int64 17 aaa's dtype int64 18 aaaa's dtype float64 19 aaaaa's dtype: int64 20"""
由可以得到一个结论就是如果定义的Array里面的list的元素本身为整数的话，不设置type，则默认为INT64；如果设置为INT类型而没有设置字节大小则还是默认为INT64，如果元素本身为小数，则默认为FLOAT64。
所以如果用INT64，则如果元素都为整数则不需要设置默认即可，设置其他类型需要设置，FLOAT类似。
生成常见Array格式：
1a1 = np.zeros((2, 3), dtype=np.int) # 生成shape=(2, 3)的全为0的array 2 3print a1 4""" 5 [[0 0 0] 6 [0 0 0]] 7""" 8 9a2 = np.ones((3, 4), dtype=np.int16) # 生成shape=(3, 4)的全为1的array 10 11print a2 12""" 13 [[1 1 1 1] 14 [1 1 1 1] 15 [1 1 1 1]] 16"""
这里注意shape=(a,b)，在填入shape的参数的时候一定要加括号，以下雷同。
1a3 = np.empty((3, 4)) # 生成shape=(3, 4)的全为接近空的array 2print a3 3""" 4 [[6.92259773e-310 4.67497449e-310 6.92259751e-310 6.92259750e-310] 5 [2.37151510e-322 3.16202013e-322 0.00000000e+000 6.92257087e-310] 6 [6.92259748e-310 6.92257087e-310 6.92257063e-310 6.92257063e-310]] 7""" 8a4 = np.arange(10, 20, 2) # 生成array 10到20 每隔2的一增加，for循环中主要使用 9print a4 10""" 11 [10 12 14 16 18] 12""" 13 14a5 = np.arange(12) # 生成array ０到12-1=11 每一个增加，for循环中非常常用 15print a5 16""" 17 [ 0 1 2 3 4 5 6 7 8 9 10 11] 18""" 19 20a6 = np.arange(12).reshape((3,4)) # 这里主要展示reshape的功能，能够重新定义矩阵的形状 21print a6 22""" 23 [[ 0 1 2 3] 24 [ 4 5 6 7] 25 [ 8 9 10 11]] 26""" 27 # 1和10之间４个元素越过，这个主要应用在插值运算或者matplotlib画光滑曲线的时候计算用到。 28a7 = np.linspace(1, 10, 4).reshape((2, 2)) 29 30print a7 31""" 32 [[ 1. 4.] 33 [ 7. 10.]] 34 35"""
２．Array之间的计算
加减法，相同维度:
1import numpy as np 2 3a = np.array([10, 20, 30, 40]) 4b = np.arange(4) 5print "a:", a 6print "b:", b 7c = a+b 8print "c:", c 9c1 = a-b 10print "c1:", c1 11""" 12 a: [10 20 30 40] 13 b: [0 1 2 3] 14 c: [10 21 32 43] 15 c1: [10 19 28 37] 16"""
不同维度:
1aa = np.array([[1, 2, 3, 4], 2 [11, 22, 33, 44]]) 3 4bb = np.arange(4) 5 6print "aa:", aa 7print "bb:", bb 8print "a+b:", aa+bb 9 10""" 11 aa: [[ 1 2 3 4] 12 [11 22 33 44]] 13 bb: [0 1 2 3] 14 a+b: [[ 1 3 5 7] 15 [11 23 35 47]] 16"""
如果是不同维度的Array进行加减法的话，
程序就是把维度低的Array自动复制扩展到大维度的Array进行相加。
当然前提条件是两个不同维度的Array进行相加的时候。
低维度的Array的shape也要和高维度的Array其中一个shape相同，例如上面代码所示，(2,4) (1,4) 都有个shape为４。
乘除法：
1d = np.array([[1, 2], 2 [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6 7print "d*e:", d*e #对应元素相乘 8print "d/e", d/e #对应元素相除，因为是int64类型所以类似于2/3=0 9""" 10 d: [[1 2] 11 [3 4]] 12 e: [[1 3] 13 [5 7]] 14 d*e: [[ 1 6] 15 [15 28]] 16 d/e [[1 0] 17 [0 0]] 18"""
不同纬度的乘除法和上面加减法解析情况一样，可对比来看。
平方，三角函数，比较元素大小：
1a = np.array([10, 20, 30, 40]) 2b = np.arange(4) 3c2 = b**2 # 平方 4print "c2:", c2 5 6c3 = 10*np.sin(a) # sin函数 7print "c3:", c3 8""" 9c2: [0 1 4 9] 10c3: [-5.44021111 9.12945251 -9.88031624 7.4511316 ] 11""" 12print "b:", b 13print "b:", b < 3 # b中小于３的都为TRUE 14print "b:", b == 3 # b中等于３的为TRUE 15""" 16b: [0 1 2 3] 17b: [ True True True False] 18b: [False False False True] 19 20"""
矩阵相乘：
矩阵相乘：
1d = np.array([[1, 2], 2 [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6print np.dot(d, e) 7print d.dot(e) 8""" 9 d: [[1 2] 10 [3 4]] 11 e: [[1 3] 12 [5 7]] 13 [[11 17] #例如１１ 为1*1+2*5=11 14 [23 37]] 15 [[11 17] 16 [23 37]] 17 18"""
np.dot(d, e) 与d.dot(e)一样，都为d和e进行矩阵相乘：随机数和max、min、sum。
1f = np.random.random((2, 4)) #随机产生shape为（２，４）的一个array，每个元素都为0-1之间随机生成 2print f 3print "=------=" 4print np.sum(f) 5print np.min(f) 6print np.max(f) 7""" 8[[0.11027523 0.84841991 0.59866992 0.92557867] 9 [0.99917522 0.2771565 0.25578198 0.06671013]] 10=------= 114.081767552987877 120.06671012832269874 130.9991752153886827 14""" 15print "=============" 16print np.sum(f, axis=0) 17print np.min(f, axis=1) 18print np.max(f, axis=0) 19""" 20[1.10945044 1.12557641 0.8544519 0.9922888 ] 21[0.11027523 0.06671013] 22[0.99917522 0.84841991 0.59866992 0.92557867] 23"""
顾名思义，sum为总，min为最小，max为最大，如果不设置axis维度参数的话，则都为整个array的元素来说，但一般我们运用都只是算某个维度的sum、max、min，在二维数据中，axis=0代表行，第一个维度，axis=1，代表列为第二个维度，其实这么记并不是很好很有可能记错。
我一般都是这么记的：axis=0为行，那意思就是每一行都要算呗？算完那不就是一列的每一行算个数被，axis=1类推，多维数据类推即可。
矩阵转置和排序，以及元素比较大小重置元素方法：
1c = np.arange(14, 2, -1).reshape((3, 4)) 2 3print c 4print "sort:", np.sort(c)# 每一行进行重新大小 排序 当然也有axis参数配置，根据我的axis参数说明来操作 5 6print np.transpose(c) #转置 同下面操作 7print c.T # 转置 同上面操作 8 9print "clip:",np.clip(c, 5, 9)#c矩阵中的元素小于５的等于５，大于９的等于９ 10""" 11 [[14 13 12 11] 12 [10 9 8 7] 13 [ 6 5 4 3]] 14 sort: [[11 12 13 14] 15 [ 7 8 9 10] 16 [ 3 4 5 6]] 17 [[14 10 6] 18 [13 9 5] 19 [12 8 4] 20 [11 7 3]] 21 [[14 10 6] 22 [13 9 5] 23 [12 8 4] 24 [11 7 3]] 25 clip: [[9 9 9 9] 26 [9 9 8 7] 27 [6 5 5 5]] 28"""
平均值、中值，累加，后减前：
1a = np.arange(2, 14).reshape((3, 4)) 2print "a:", a 3print "average:", np.average(a) #平均值 4print "median:", np.median(a) #中值 5 6print "cumsum:", np.cumsum(a) #每个元素变成当前元素＋前面所有元素的和 7print "diff:", np.diff(a) #当前元素减去前面元素的差 8""" 9 a: [[ 2 3 4 5] 10 [ 6 7 8 9] 11 [10 11 12 13]] 12 average: 7.5 13 median: 7.5 14 cumsum: [ 2 5 9 14 20 27 35 44 54 65 77 90] 15 diff: [[1 1 1] 16 [1 1 1] 17 [1 1 1]] 18"""
３．索引
最大值最小值索引，非零索引：
1a = np.array([[2, 6, 0, 4], 2 [4, 8, 9, 1], 3 [10, 2, 3, 11]]) 4print "argmin:", np.argmin(a) 5print "axis0:", np.argmin(a, axis=0) 6print "axis1:", np.argmin(a, axis=1) 7print "argmax:", np.argmax(a) 8print "zero:", np.nonzero(a) 9 10""" 11argmin: 2 12axis0: [0 2 0 1] 13axis1: [2 3 1] 14argmax: 11 15zero: (array([0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2]), array([0, 1, 3, 0, 1, 2, 3, 0, 1, 2, 3])) 16"""
argmin/argmax都是返回最小值/最大值的索引的函数。
这里的axis和上面的分析是完全一致的，例如argmin(a)就是最小的索引，虽小的毋庸置疑是０，所以总体来讲从第一行第一个元素到最后一行最后一个元素。
总体来算索引，那就是第二个为０，所以返回２，如果axis=0说明一列中的每一行来比较，那第一列比较出来最小的为２，即索引为０，因为每一列的每一行来比较所以最后的维度为列数，在这里即为４，以此列推。
非零索引的意思为非零的数返回索引，如上例为返回两个Array，前面Array对应行索引，后面对应列索引，一前一后加一起的shape才对应一个非零索引
取值，取列或行：
1import numpy as np 2 3a = np.arange(3, 15).reshape((3, 4)) 4 5print a 6print a[1] #索引为1的行，同下 7print a[:][1] #索引为1的行，同上 8print "=========-------===========" 9print a[2][1] #和数组一样的表示 10print a[2, 1] #同上，这才是比较标准的array的索引表示，前面是行后面是列的索引 11print "=========---------============" 12print a[:, 1] #索引为１的列,生成为行向量 13print a[:, 1:2] #索引为１的列，生成为列向量 14print a[:, 1:3] 15 16print a[1, 1:3] #为上面a[:, 1:3]的索引为１的行向量 17""" 18 [[ 3 4 5 6] 19 [ 7 8 9 10] 20 [11 12 13 14]] 21 [ 7 8 9 10] 22 [ 7 8 9 10] 23 =========-------=========== 24 12 25 12 26 =========---------============ 27 [ 4 8 12] 28 [[ 4] 29 [ 8] 30 [12]] 31 [[ 4 5] 32 [ 8 9] 33 [12 13]] 34 [8 9] 35"""
着重讲一下a[:, 1:2]a[:, 1:3]a[1, 1:3]：
a[:, 1:2]：:代表行所有也就是一列要的话，这一列的每一行都要，1:2对应的从索引为１的列来算移植相当于取到索引为（2-1）的列，2为取的最高索引大一个。
所以总体来讲就是首先取每一行，之后在行里取索引１->１的列元素，所以为最终的结果列向量。
a[:, 1:3]：按照上面的分析则每一行都要，列要索引为1和(3-1)的元素，那就是索引为1和2的所有元素，也就是第二列和第三列的元素。
a[1, 1:3]：为a[:, 1:3]的索引为１的所有元素。
这里需要注意的是：a[:, 1] #索引为１的列,生成为行向量，a[:, 1:2]#索引为１的列，生成为列向量。
因为两种取值的思想不一样，最终造成的结果也不一样，一个是直接取，所以维度减少了一个，另一个是在原本维度上截取，最终还是原来的维度。
迭代元素和降维：
1a = np.arange(3, 15).reshape((3, 4))# 数据都是下取上差一个取到。 2print a 3print "row" 4for row in a: #取每一行迭代 5 print row 6print "column" 7for column in a.T: #每一列迭代 8 print column 9print "=====================" 10print a.flatten() # 所有元素变成一维 11b = np.array([[1, 2, 3]]) 12print b 13print b.flatten() #降维 14 15for item in a.flat: #每个元素打印 16 print item 17 18""" 19 [[ 3 4 5 6] 20 [ 7 8 9 10] 21 [11 12 13 14]] 22 row 23 [3 4 5 6] 24 [ 7 8 9 10] 25 [11 12 13 14] 26 column 27 [ 3 7 11] 28 [ 4 8 12] 29 [ 5 9 13] 30 [ 6 10 14] 31 ===================== 32 [ 3 4 5 6 7 8 9 10 11 12 13 14] 33 [[1 2 3]] 34 [1 2 3] 35 3 36 4 37 5 38 6 39 7 40 8 41 9 42 10 43 11 44 12 45 13 46 14 47"""
行迭代，就是可以理解为最外层的维度进行迭代，列迭代就是利用转置来完成。
flatten()函数的意思为把Array的内层的维度进行降一维，将内层的维度弄掉，则二维数据就成为一维数据了
４．合并与分开
两个合并、多个合并（行向量转换成列向量）：
1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.array([1, 1, 2]) 5b = np.array([2, 3, 4]) 6 7c = np.vstack((a, b)) #vertical 8 9print "a:", a 10print "b:", b 11print "c:", c 12print "a,c shape:", a.shape, c.shape 13 14d = np.hstack((a, b)) #horizontal 15print "d:", d 16print d.shape 17""" 18 a: [1 1 2] 19 b: [2 3 4] 20 c: [[1 1 2] 21 [2 3 4]] 22 a,c shape: (3,) (2, 3) 23 d: [1 1 2 2 3 4] 24 (6,) 25""" 26print a.T # not transponse 行向量无法直接用转置来变成列向量 27# 行向量变成列向量 28print a[np.newaxis, :].shape 29print a[:, np.newaxis].shape 30print a[:, np.newaxis] #转换方法 31""" 32 [1 1 2] 33 (1, 3) 34 (3, 1) 35 [[1] 36 [1] 37 [2]] 38""" 39a = np.array([1, 1, 2])[:, np.newaxis] 40b = np.array([2, 3, 4])[:, np.newaxis] 41 42c = np.concatenate((a, b, b), axis=0) #多向量融合 43 44print c 45 46c = np.concatenate((a, b, b), axis=1) #多向量融合 47 48print c 49 50""" 51 [[1] 52 [1] 53 [2] 54 [2] 55 [3] 56 [4] 57 [2] 58 [3] 59 [4]] 60 [[1 2 2] 61 [1 3 3] 62 [2 4 4]] 63"""
分开：
1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.arange(12).reshape((3, 4)) 5 6print a 7print "平等分开" 8print "vertical:", np.split(a, 2, axis=1) # 9 10print "horizontal:", np.split(a, 3, axis=0) # 11""" 12 [[ 0 1 2 3] 13 [ 4 5 6 7] 14 [ 8 9 10 11]] 15 平等分开 16 vertical: [array([[0, 1], 17 [4, 5], 18 [8, 9]]), array([[ 2, 3], 19 [ 6, 7], 20 [10, 11]])] 21 horizontal: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])] 22""" 23print "不平等分开" 24print np.array_split(a, 3, axis=1) 25 26print "代替需要axis参数" 27print "vertical_a:", np.vsplit(a, 3) 28 29print "horizontal_a:", np.hsplit(a, 2) 30""" 31 不平等分开 32 [array([[0, 1], 33 [4, 5], 34 [8, 9]]), array([[ 2], 35 [ 6], 36 [10]]), array([[ 3], 37 [ 7], 38 [11]])] 39 代替需要axis参数 40 vertical_a: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])] 41 horizontal_a: [array([[0, 1], 42 [4, 5], 43 [8, 9]]), array([[ 2, 3], 44 [ 6, 7], 45 [10, 11]])] 46"""
５．元素传递和copy
Array这个元素传递有点意思的，就是如果直接a=b，其实从内存角度来考虑就相当于a和b指向了一样的元素内存空间，所以改变一个元素的值，另一个一样改变，如果想各是各的，并且还想传递另一个元素的值那就用a=b.copy()，所以这个还是需要注意的。
6.补充部分
array.min/max/ptp
1import numpy as np 2 3a = [[2, 4, 8, 9], [1, 7, 4, 5], [5, 7, 1, 4]] 4a = np.array(a) 5print(a) 6print(a.min(0)) 7print(a.min(1)) 8print(a.ptp(0)) 9""" 10[[2 4 8 9] 11 [1 7 4 5] 12 [5 7 1 4]] 13axis=0 为每列的最小值返回 14[1 4 1 4] 15axis=1 为每行的最小值返回 16[2 1 1] 17ptp为最大值减最小值的range 18[4 3 7 5] 19"""
np.random.choice：
1import numpy as np 2 3a = np.random.choice(a=100, size=20) 4print(a) 5""" 60-99之间选size为20的随机数的list 7[78 82 91 96 5 60 28 79 24 56 5 34 58 48 96 57 77 23 80 69] 8"""
作者简介：Che_Hongshu，CSDN 博客专家。硕士就读于东南大学模式识别专业，方向为机器学习和序列分析部分。个人公众号AI蜗牛车，致力于系统化一步步AI学习、数据分析库、机器学习理论与实战，深度学习理论与实战应有尽有。
本文系作者投稿，版权归作者所有。
【END】
作为码一代，想教码二代却无从下手：
听说少儿编程很火，可它有哪些好处呢？
孩子多大开始学习比较好呢？又该如何学习呢？
最新的编程教育政策又有哪些呢？
下面给大家介绍CSDN新成员： 极客宝宝（ID： geek_baby）
戳他了解更多↓↓↓
热 文推 荐
☞ 她说：为啥 程序员 都特想要机械键盘？这答案我服！
System.out.println("点个在看吧！");
console.log("点个在看吧！");
print("点个在看吧！");
printf("点个在看吧！\n");
cout << "点个在看吧！" << endl;
Console.WriteLine("点个在看吧！");
Response.Write("点个在看吧！");
alert("点个在看吧！")
echo "点个在看吧！"
你点的每个“在看”，我都认真当成了喜欢
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
运营之光 2.0
黄有璨 / 电子工业出版社 / 2017-4 / 99
在互联网行业内，“运营”这个职能发展到一定阶段后，往往更需要有成熟的知识体系和工作方法来给予行业从业者以指引。 《运营之光：我的互联网运营方法论与自白 2.0》尤其难得之处在于：它既对“什么是运营”这样的概念认知类问题进行了解读，又带有大量实际的工作技巧、工作思维和工作方法，还包含了很多对于运营的思考、宏观分析和建议，可谓内容完整而全面，同时书中加入了作者亲历的大量真实案例，让全书读起来深入......一起来看看 《运营之光 2.0》 这本书的介绍吧!
