数据科学家极力推荐核心计算工具-Numpy的前世今生（上）

发布于

先看下本文目录哈

代码语言：txt
复制
1. 一般Python和numpy实现方式
2. 上述两种实现方式比较
3. numpy数组
4. 创建多维数组
5. 选取数组元素
6. 数据类型
7. 数据类型转换
8. 数据类型对象
9. 字符编码
10. dtype类的属性
11. 创建自定义数据类型
12. 数组与标量的运算
13. 一维数组的索引与切片
14. 多维数组的切片与索引
15. 布尔型索引
16. 花式索引
17. 数组转置
18. 改变数组的维度
19. 组合数组
20. 数组的分割
21. 数组的属性
22. 数组的转换

然后，重磅！今天给大家拿到Python的核心资料！实实在在在工业界会要用到！

公众号后台回复“Python数据科学”全部获取得到！

image.png

人生苦短我用python！这不是吹牛 ，为什么？大家看看其他语言之父们！

Java之父——James Gosling

image.png

vb.net之父 ——lan Cooper

image.png

PHP之父 ——Rasmus Lerdorf

image.png

Go语言之父 ——rob pike

image.png

C++之父 ——Bjarne Stroustrupt

image.png

最后是重磅的Python之父！

image.png

Python在发展接近三十年里，逐渐发展为各行各业的网红语言!

无论是哪个方向工业界 Python 都为其发展带了不可磨灭的功劳！

1. 一般Python和numpy实现方式

实现：实现了两个向量的相加

代码语言：txt
复制
# -*- coding: utf-8 -*-

此处两种操作方式：


第一种对于每一个元素的操作，第二种是对于整体的操作


向量相加-Python


def pythonsum(n):

a = range(n)

b = range(n)

c = []

for i in range(len(a)):

a[i] = i ** 2

b[i] = i ** 3

c.append(a[i] + b[i])

return c


#向量相加-NumPy

import numpy as np


def numpysum(n):

a = np.arange(n) ** 2

b = np.arange(n) ** 3

c = a + b

return c

2. 上述两种实现方式比较

代码语言：txt
复制
#效率比较

import sys

from datetime import datetime

import numpy as np


size = 1000


start = datetime.now()

c = pythonsum(size)

delta = datetime.now() - start

print "The last 2 elements of the sum", c[-2:]

print "PythonSum elapsed time in microseconds", delta.microseconds


start = datetime.now()

c = numpysum(size)

delta = datetime.now() - start

print "The last 2 elements of the sum", c[-2:]

print "NumPySum elapsed time in microseconds", delta.microseconds

res:

The last 2 elements of the sum 995007996, 998001000

PythonSum elapsed time in microseconds 1110

The last 2 elements of the sum 995007996 998001000

NumPySum elapsed time in microseconds 4052

3. numpy数组

代码语言：txt
复制
a = arange(5)

a.dtype


a

a.shape

4. 创建多维数组

代码语言：txt
复制
m = np.array([np.arange(2), np.arange(2)])


print m


print m.shape


print m.dtype


np.zeros(10)

np.zeros((3, 6))

np.empty((2, 3, 2))

np.arange(15)

5. 选取数组元素

代码语言：txt
复制
a = np.array([[1,2],[3,4]])


print "In: a"

print a


print "In: a[0,0]"

print a[0,0]


print "In: a[0,1]"

print a[0,1]


print "In: a[1,0]"

print a[1,0]


print "In: a[1,1]"

print a[1,1]

6. 数据类型

代码语言：txt
复制
print "In: float64(42)"

print np.float64(42)


print "In: int8(42.0)"

print np.int8(42.0)


print "In: bool(42)"

print np.bool(42)


print np.bool(0)


print "In: bool(42.0)"

print np.bool(42.0)


print "In: float(True)"

print np.float(True)

print np.float(False)


print "In: arange(7, dtype=uint16)"

print np.arange(7, dtype=np.uint16)


print "In: int(42.0 + 1.j)"

try:

print np.int(42.0 + 1.j)

except TypeError:

print "TypeError"

#Type error


print "In: float(42.0 + 1.j)"

print float(42.0 + 1.j)

#Type error

7. 数据类型转换

代码语言：txt
复制
arr = np.array([1, 2, 3, 4, 5])

arr.dtype

float_arr = arr.astype(np.float64)

float_arr.dtype


arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])

arr

arr.astype(np.int32)


numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)

numeric_strings.astype(float)

8. 数据类型对象

代码语言：txt
复制
a = np.array([[1,2],[3,4]])


print a.dtype.byteorder


print a.dtype.itemsize

9. 字符编码

代码语言：txt
复制
print np.arange(7, dtype='f')

print np.arange(7, dtype='D')


print np.dtype(float)


print np.dtype('f')


print np.dtype('d')


print np.dtype('f8')


print np.dtype('Float64')

10. dtype类的属性

代码语言：txt
复制
t = np.dtype('Float64')

print t.char

print t.type

print t.str

<---------------------------------------------

d

<type 'numpy.float64'>

<f8

11. 创建自定义数据类型

代码语言：txt
复制
t = np.dtype([('name', np.str_, 40), ('numitems', np.int32), ('price', np.float32)])

print t


print t['name']


itemz = np.array([('Meaning of life DVD', 42, 3.14), ('Butter', 13, 2.72)], dtype=t)


print itemz[1]

<---------------------------------------------

[('name', 'S40'), ('numitems', '<i4'), ('price', '<f4')]

|S40

('Butter', 13, 2.72)

12. 数组与标量的运算

代码语言：txt
复制
arr = np.array([[1., 2., 3.], [4., 5., 6.]])

arr

arr * arr

arr - arr


1 / arr

arr ** 0.5

<---------------------------------------------

array([[1.        , 1.41421356, 1.73205081],

[2.        , 2.23606798, 2.44948974]])

13. 一维数组的索引与切片

代码语言：txt
复制
a = np.arange(9)

print a

print a[3:7]


print a[:7:2]


print a[::-1]


s = slice(3,7,2)

print a[s]


s = slice(None, None, -1)

print a[s]

<----------------------------------------

a: [0 1 2 3 4 5 6 7 8]

a[3:7]: [3 4 5 6]

a[:7:2]: [0 2 4 6]

a[::-1]: [8 7 6 5 4 3 2 1 0]

a[s]: [3 5]

a[s]: [8 7 6 5 4 3 2 1 0]

14. 多维数组的切片与索引

代码语言：txt
复制
b = np.arange(24).reshape(2,3,4)


print b.shape

print b

print b[0,0,0]

print b[:,0,0]

print b[0]

print b[0, :, :]

print b[0, ...]

print b[0,1]

print b[0,1,::2]

print b[...,1]

print b[:,1]

print b[0,:,1]

print b[0,:,-1]

print b[0,::-1, -1]

print b[0,::2,-1]

print b[::-1]


s = slice(None, None, -1)

print b[(s, s, s)]

<-----------------------------------------------

b.shape:

(2, 3, 4)


b:

[[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]


[[12 13 14 15]

[16 17 18 19]

[20 21 22 23]]]


b[0,0,0]:

0


b[:,0,0]:

[ 0 12]


b[0]:

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]


b[0, :, :]:

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]


b[0, ...]:

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]


b[0,1]:

[4 5 6 7]


b[0,1,::2]:

[4 6]


b[...,1]:

[[ 1  5  9]

[13 17 21]]


b[:,1]:

[[ 4  5  6  7]

[16 17 18 19]]


b[0,:,1]:

[1 5 9]


b[0,:,-1]:

[ 3  7 11]


b[0,::-1, -1]:

[11  7  3]


b[0,::2,-1]:

[ 3 11]


b[::-1]:

[[[12 13 14 15]

[16 17 18 19]

[20 21 22 23]]


[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]]


b[(s, s, s)]:

[[[23 22 21 20]

[19 18 17 16]

[15 14 13 12]]


[[11 10  9  8]

[ 7  6  5  4]

[ 3  2  1  0]]]

15. 布尔型索引

代码语言：txt
复制
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])

data = randn(7, 4)

names

data


names == 'Bob'

data[names == 'Bob']


data[names == 'Bob', 2:]

data[names == 'Bob', 3]


names != 'Bob'

data[-(names == 'Bob')]


mask = (names == 'Bob') | (names == 'Will')

mask

data[mask]


data[data < 0] = 0

data


data[names != 'Joe'] = 7

data


<--------------------------------------------------

['Bob' 'Joe' 'Will' 'Bob' 'Will' 'Joe' 'Joe']

[[ 1.43829891 -1.83591387  0.63309836 -0.0836829 ]

[ 0.26632654 -0.22359825  0.27609837  0.37220043]

[ 0.98970563  0.31626285  0.80613492 -2.52762618]

[-0.95268723  0.55888808 -0.37982142 -0.79270072]

[ 0.00445215 -0.55879136  0.41136902 -0.3590782 ]

[-0.49665784 -0.09281634  0.65459855  1.35881415]

[ 0.21105429 -0.99353232  1.29098127 -1.25913777]]

[ True False  True  True  True False False]

[[ 1.43829891 -1.83591387  0.63309836 -0.0836829 ]

[ 0.98970563  0.31626285  0.80613492 -2.52762618]

[-0.95268723  0.55888808 -0.37982142 -0.79270072]

[ 0.00445215 -0.55879136  0.41136902 -0.3590782 ]]

[[1.43829891 0.         0.63309836 0.        ]

[0.26632654 0.         0.27609837 0.37220043]

[0.98970563 0.31626285 0.80613492 0.        ]

[0.         0.55888808 0.         0.        ]

[0.00445215 0.         0.41136902 0.        ]

[0.         0.         0.65459855 1.35881415]

[0.21105429 0.         1.29098127 0.        ]]

[[7.         7.         7.         7.        ]

[0.26632654 0.         0.27609837 0.37220043]

[7.         7.         7.         7.        ]

[7.         7.         7.         7.        ]

[7.         7.         7.         7.        ]

[0.         0.         0.65459855 1.35881415]

[0.21105429 0.         1.29098127 0.        ]]

16. 花式索引

代码语言：txt
复制
arr = np.empty((8, 4))

for i in range(8):

arr[i] = i

arr


arr[[4, 3, 0, 6]]


arr[[-3, -5, -7]]


arr = np.arange(32).reshape((8, 4))

arr

arr[[1, 5, 7, 2], [0, 3, 1, 2]]


arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]


arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]

<---------------------------------------------

arr = np.empty((8, 4))

print arr

array([[-3.10503618e+231, -3.10503618e+231,  3.32457344e-309,2.14057207e-314],

[-3.10503618e+231, -3.10503618e+231,  2.14038712e-314,1.27319747e-313],

[ 1.27319747e-313,  1.27319747e-313,  2.12199579e-314,1.91163808e-313],

[ 2.14059464e-314,  2.12199580e-314,  3.18573536e-313,2.14059516e-314],

[ 2.12199580e-314,  1.25160619e-308,  0.00000000e+000,0.00000000e+000],

[ 0.00000000e+000,  0.00000000e+000,  0.00000000e+000,0.00000000e+000],

[ 0.00000000e+000,  0.00000000e+000,  0.00000000e+000,0.00000000e+000],

[ 0.00000000e+000,  0.00000000e+000,  2.12199579e-314,2.14062641e-314]])


for i in range(8):

arr[i] = i

print arr

[[0. 0. 0. 0.]

[1. 1. 1. 1.]

[2. 2. 2. 2.]

[3. 3. 3. 3.]

[4. 4. 4. 4.]

[5. 5. 5. 5.]

[6. 6. 6. 6.]

[7. 7. 7. 7.]]


同时选取多行，甚至多列，换位


print arr[[4, 3, 0, 6]]  ### 注意与arr[4]的不同

[[4. 4. 4. 4.]

[3. 3. 3. 3.]

[0. 0. 0. 0.]

[6. 6. 6. 6.]]


print arr[[-3, -5, -7]]  ### 注意与arr[4]的不同

[[5. 5. 5. 5.]

[3. 3. 3. 3.]

[1. 1. 1. 1.]]


arr = np.arange(32).reshape((8, 4))

print arr

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]

[12 13 14 15]

[16 17 18 19]

[20 21 22 23]

[24 25 26 27]

[28 29 30 31]]

print arr[[1, 5, 7, 2], [0, 3, 1, 2]]

[ 4 23 29 10]


print arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]

[[ 4  7  5  6]

[20 23 21 22]

[28 31 29 30]

[ 8 11  9 10]]


print arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]

[[ 4  7  5  6]

[20 23 21 22]

[28 31 29 30]

[ 8 11  9 10]]

17. 数组转置

代码语言：txt
复制
arr = np.arange(15).reshape((3, 5))

arr

arr.T

<--------------------------------------

array([[ 0,  5, 10],

[ 1,  6, 11],

[ 2,  7, 12],

[ 3,  8, 13],

[ 4,  9, 14]])

18. 改变数组的维度

代码语言：txt
复制
b = np.arange(24).reshape(2,3,4)   ## 与resize()的区别，resize会改变


print b


print b.ravel()


print b.flatten()


b.shape = (6,4)


print b


print b.transpose() # 转置


b.resize((2,12))  ## 和reshape()一样，resize会改变原数据


print b


numpy中的ravel()、flatten()、squeeze()都有将多维数组转换为一维数组的功能，区别：


ravel()：如果没有必要，不会产生源数据的副本


flatten()：返回源数据的副本


squeeze()：只能对维数为1的维度降维

19. 组合数组

代码语言：txt
复制
a = np.arange(9).reshape(3,3)

print a


b = 2 * a


print b


print np.hstack((a, b))


print np.concatenate((a, b), axis=1)


print np.vstack((a, b))


print np.concatenate((a, b), axis=0)


print np.dstack((a, b))  # 深度合并


oned = np.arange(2)


#-------------另外一种实现--------------------

print oned


twice_oned = 2 * oned


print twice_oned


print np.column_stack((oned, twice_oned))


print np.column_stack((a, b))


print np.column_stack((a, b)) == np.hstack((a, b))


print np.row_stack((oned, twice_oned))


print np.row_stack((a, b))


print np.row_stack((a,b)) == np.vstack((a, b))

20. 数组的分割

代码语言：txt
复制
a = np.arange(9).reshape(3, 3)

print a

print np.hsplit(a, 3)

print np.split(a, 3, axis=1)

<----------------------------------------------------

[[0 1 2]

[3 4 5]

[6 7 8]]


[

array([[0],[3],[6]]),

array([[1],[4],[7]]),

array([[2],[5],[8]])

]


[

array([[0],[3],[6]]),

array([[1],[4],[7]]),

array([[2],[5],[8]])

]


print np.vsplit(a, 3)

print np.split(a, 3, axis=0)

c = np.arange(27).reshape(3, 3, 3)

print c

print np.dsplit(c, 3)

<------------------------------------------------

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

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

[[[ 0  1  2]

[ 3  4  5]

[ 6  7  8]]


[[ 9 10 11]

[12 13 14]

[15 16 17]]


[[18 19 20]

[21 22 23]

[24 25 26]]]

[array([[[ 0],

[ 3],

[ 6]],


   [[ 9],
    [12],
    [15]],

   [[18],
    [21],
    [24]]]), array([[[ 1],
    [ 4],
    [ 7]],

   [[10],
    [13],
    [16]],

   [[19],
    [22],
    [25]]]), array([[[ 2],
    [ 5],
    [ 8]],

   [[11],
    [14],
    [17]],

   [[20],
    [23],
    [26]]])]</code></pre></div></div><h4 id="9spai" name="21.-%E6%95%B0%E7%BB%84%E7%9A%84%E5%B1%9E%E6%80%A7">21. 数组的属性</h4><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言：</span>txt</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-txt"><code class="language-txt" style="margin-left:0">b=np.arange(24).reshape(2,12)



print b.ndim

print b.size

print b.itemsize

print b.nbytes


b = np.array([ 1.+1.j,  3.+2.j])

print b.real

print b.imag


b=np.arange(4).reshape(2,2)

print b.flat

print b.flat[2]

<--------------------------------------------

2

24

8

192

[1. 3.]

[1. 2.]

<numpy.flatiter object at 0x7fdb1d4eae00>

2

22. 数组的转换

代码语言：txt
复制
b = np.array([ 1.+1.j,  3.+2.j])

print b


print b.tolist()


print b.tostring()


print np.fromstring('\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\x08@\x00\x00\x00\x00\x00\x00\x00@', dtype=complex)


print np.fromstring('20:42:52',sep=':', dtype=int)


print b


print b.astype(int)


print b.astype('complex')

#机器学习#numpy#python#数据结构#大数据解决方案