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
  • 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

人生苦短我用python！这不是吹牛 ，为什么？咱们大家一起看看心中的大神，其他语言之父们！

Java之父——James Gosling

vb.net之父 ——lan Cooper

PHP之父 ——Rasmus Lerdorf

Go语言之父 ——rob pike

C++之父 ——Bjarne Stroustrupt

最后是重磅的Python之父！

就凭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！

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！

话不多说，几天先来和大家分享Numpy的基本使用方法，一起学习！

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：javascript
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：javascript
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：javascript
复制
a = arange(5)

a.dtype


a

a.shape

4. 创建多维数组

代码语言：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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：javascript
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]]])]

21. 数组的属性

代码语言：javascript
复制
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：javascript
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')

作者：Johngo

配图：Pexels

#编程算法#python#numpy#linux