NumPy基础功能索引 Python

NumPy基础功能索引 NumPy作为Python中一个强大的库，合理的使用不仅可以美化代码，还可以减少循环，提高执行效率。这篇文章的目的就是做一个Numpy的启发性索引。参考图书: 利用Python进行数据分析。

NumPy基础功能索引
- ndarray: 一种多维数组对象
  - 创建ndarray
  - 数组和标量之间的运算
- 调用函数
  - 将条件逻辑表述为数组运算
- 用于数组的文件输入输出
- 随机数

ndarray: 一种多维数组对象创建ndarray
Numpy中新定义了一个数组对象（ndarray）。该对象可以通过np1.array(其他迭代类型)来定义。ndarray对象内建函数shape（查看对象形式），reshape（重建对象形式），dtype2（查看数据类型）

其他的ndarray创建方法如下

np.ones()
np.zeros()
np.empty()
np.arange()
np.eye()

In [1]: import numpy as np In [2]: np.ones((3, 3)) Out[2]:array([[ 1.,1.,1.], [ 1.,1.,1.], [ 1.,1.,1.]])

数组和标量之间的运算
这里很重要，是numpy代替for循环的一个体现。
数组与标量，数组与同型数组之间的运算都是元素级的运算

In [5]: testarray = np.ones((2, 2)) In [6]: testarray*2 Out[6]: array([[ 2.,2.], [ 2.,2.]]) In [7]: testarray + testarray Out[7]: array([[ 2.,2.], [ 2.,2.]])

调用函数一元函数：

函数	说明
abs/fabs	绝对值
sqrt	开方
square	平方
exp	e的x次方
log/log10/log2/log1p	对数，其中log1p是指log(1+x)
sign	符号
ceil	计算个元素的ceiling值，即大于等于该值的最小整数
floor	floor值，即小于等于该值的最大整数
rint	四舍五入，保留dtype
modf	将数组的小树和证书部分以两个独立数组形式返回
isnan	返回一个表示是否为空的数组
isfinite/isinf	返回一个表示是否有限或是否无穷的数组
cos/cosh/sin/sinhtan/tanh/
arccos/arccosh/arcsin/arcsinh/arctan/arctanh
logical_not	计算个元素not x的真值。相当于 -arr

二元函数：

函数	说明
add	元素加
subtract	元素减
multiply	元素乘
divide/floor_divide	元素除/元素地板除3
power	对每一个元素，计算A的B次方
maximum/fmax	元素级最大值/抛弃NAN
minimum/fmin	元素级最小值/抛弃NAN
mod	元素级求模

数组统计方法

方法	说明
sum	求轴向和
mean	求期望
std/var	求标准差/求方差
min/max	求最小值/求最大值
argmin/argmax	求最小值索引/求最大值索引
cunsum	求累计
cunprod	求累积

将条件逻辑表述为数组运算
if:

In [22]: result = [(x if c else y) for x, y, c in zip(xarray, yarray, cond)] In [23]: xarray = np.arange(5) In [24]: yarray = np.arange(5)+10 In [25]: cond = np.array([True, False, True, True, False]) In [26]: result = [(x if c else y) for x, y, c in zip(xarray, yarray, cond)] In [27]: result Out[27]: [0, 11, 2, 3, 14]

where:

In [28]: result = np.where(cond, xarray, yarray) In [29]: result Out[29]: array([ 0, 11,2,3, 14])

用于数组的文件输入输出

保存	读取
np.save(‘path’, testarray)	np.load(‘path.npy)
np.savez(‘path’, a=testarray1, b=testarray2)	np.load(‘path.npz’)
np.savetxt(‘path’)	np.loadtxt(‘path.txt’)

随机数 【NumPy基础功能索引】部分numpy.random函数

函数	说明
seed	确定随机数生成器的种子
permutation	返回一个序列的随机排列或返回一个随机排列的范围
shuffle	对一个序列就地随机排列
rand	产生均匀分布的样本值
randint	从给定的上下限范围内随机选取整数
randn	产生正态分布（均值为0，方差为1）的样本值
binomial	产生二项分布的样本值
normal	产生正态分布的样本值
beta	产生Beta分布的样本值
chisquare	插死你哼卡方分布的样本值
gamma	产生Gamma分布的样本值
uniform	产生再[0,1)中均匀分布的样本值


例1：: np.random.randn()经常被我用来创建测试DataFrame

In [1]: import pandas as pdIn [2]: import numpy as npIn [3]: pd.DataFrame(np.random.randn(3, 4), index=list('123'), columns=list('abcd')) Out[3]: abcd 1 -1.653480 -1.309714 -0.6475470.612910 2 -0.456685 -0.896083 -0.925626 -0.774381 3 -0.6263430.9285881.006751 -0.066363

例2：: np.random.randint()经常用来产生随机数（抽签）

In [4]: np.random.randint(3, 5) Out[4]: 3 In [5]: np.random.randint(3, 100) Out[5]: 48 In [6]: np.random.randint(3, 10, size=(3, 4)) Out[6]: array([[7, 7, 5, 9], [3, 7, 5, 7], [9, 5, 3, 9]])

例3：: np.random.normal()用来产生服从正态分布的随机数，有三个参数，依次为 loc， scale， size。分别表示正态分布的均值、方差和生成随机数的shape。

In [1]: import numpy as npIn [2]: np.random.normal() Out[2]: -1.3004106794256696In [3]: np.random.normal(loc=10, scale=1, size=(3,4)) Out[3]: array([[10.33944193, 10.05519234, 11.42222642, 10.72775738], [ 9.30701505, 11.18810188,9.47168679, 10.25634846], [11.41716704, 10.27783005,9.50031229,8.7759825 ]])