NumPy的使用

一、什么是NumPy

（一）工作环境的安装

　　使用的是Anaconda环境，它是一个集成的工作环境，方便管理各种包，这里提供一个版本的链接： https://pan.baidu.com/s/1pHqRTy_uwKMArtt8SvY6Tw 提取码: 3922 。在下载后按照指示进行安装即可。

　　注意安装完毕后需要进行环境变量的配置，在电脑的系统环境变量中进行配置，将Anaconda的安装路径以及scripts路径导入系统path中。

　　此时可以在左下角开始处打开Anaconda Prompt终端：

1、检查是否安装成功

(base) C:UsersAdministrator>conda --version
conda 4.5.4

2、管理虚拟环境

查看所有的虚拟环境

(base) C:UsersAdministrator>conda info --envs
# conda environments:
#
base                  *  H:Anaconda3
python35                 H:Anaconda3envspython35

创建新的虚拟环境

(base) C:UsersAdministrator>conda  create -n python37  python=3.7

切换环境

(base) C:UsersAdministrator>activate python35

(python35) C:UsersAdministrator>

安装包

(python35) C:UsersAdministrator>conda install requests

##或者
(python35) C:UsersAdministrator>pip install requests

卸载包

(python35) C:UsersAdministrator>conda remove requests

##或者
(python35) C:UsersAdministrator>pip uninstall requests

查看包的信息

(python35) C:UsersAdministrator>conda list

导入导出环境

#导出环境
(python35) C:UsersAdministrator>conda env export > environment.yaml

#导入新的虚拟环境
(python34) C:UsersAdministrator>conda env create -f environment.yaml

卸载虚拟环境

(python35) C:UsersAdministrator>conda remove --name python34 --all

（二）什么是NumPy

NumPy是使用Python进行科学计算的基础软件包。是一个运行速度非常快的科学计算库，因为它的底层逻辑是使用C语言实现的，NumPy的功能非常多，其主要功能包括：

功能强大的N维数组对象。
精密广播功能函数。
集成 C/C+和Fortran 代码的工具。
强大的线性代数、傅立叶变换和随机数功能。

在使用NumPy之前需要先进行它的环境搭建，在虚拟环境中只需要安装对应的包即可：

(python35) C:UsersAdministrator>conda install numpy

安装完毕后进行测试：

(python35) C:UsersAdministrator>python
Python 3.5.2 |Continuum Analytics, Inc.| (default, Jul  5 2016, 11:41:13) [MSC v
.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import numpy as np
>>>

二、NumPy的使用

（一）数组对象

1、属性

NumPy 最重要的一个特点是其 N 维数组对象（矩阵） ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。其特点如下：

所有元素必须是相同类型
ndim属性，维度个数
shape属性，各维度大小
dtype属性，数据类型
axis属性，轴参数
size属性，数组元素的个数

举例说明：

import numpy as np

#随机生成3行4列的数据
data = np.random.rand(3,4)
print(data)

###########输出##########
[[0.77006414 0.40472558 0.07331437 0.55188175]
 [0.80664964 0.84844352 0.08464626 0.67016604]
 [0.14836505 0.82259737 0.45900147 0.60369758]]

上述生成的是一个3行4列的矩阵：

print('维度个数',data.ndim) #维度个数 2
print('各维度大小',data.shape) #各维度大小 (3, 4)
print('数据类型',data.dtype) #数据类型 float64

需要着重强调一下axios参数，对于维度的转换或者，对某一个维度的操作都需要用到此参数：

>>> data = np.arange(10).reshape(2,5)
>>> data
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
#在横轴方向进行操作
>>> data.sum(axis=1)
array([10, 35])
#在纵轴方向进行操作
>>> data.sum(axis=0)
array([ 5,  7,  9, 11, 13])
>>>

2、创建数组

np.zeros, np.ones，np.empty

指定大小的全0或全1数组，值得注意的是：

（1）第一个参数是元组，用来指定大小，如(4,5)

（2）empty不是总是返回全0，有时返回的是未初始的随机值

#创建一维数组
>>> import numpy as np
>>> np.zeros(5,dtype=float)
array([0., 0., 0., 0., 0.])   #创建浮点型全为0的数组
>>> np.zeros(5,dtype=int) 
array([0, 0, 0, 0, 0])  #创建整型全为0的数组

>>> np.ones(5)
array([1., 1., 1., 1., 1.]) #创建值全为1的数组

#创建一个空数组，然后将空数组使用fill方法进行填充
>>> a = np.empty(4)
>>> a
array([7.33483560e-315, 7.33405037e-315, 2.49174182e-316, 2.07211804e-316])
>>> a.fill(6)
>>> a
array([6., 6., 6., 6.])
>>>

#创建多维数组
>>> np.zeros((4,5))
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])
>>> np.ones((4,5))
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
>>> np.empty((3,4))
array([[1.186e-321, 0.000e+000, 0.000e+000, 0.000e+000],
       [0.000e+000, 0.000e+000, 0.000e+000, 0.000e+000],
       [0.000e+000, 0.000e+000, 0.000e+000, 0.000e+000]])
>>> np.empty((3,4),int)  #指定数据类型
array([[1484587258,          0, 1484587600,          0],
       [1484428320,          0,   13996488,          0],
       [   7077996,    4784128,         84,    5006336]])

np.random 创建随机数的数组

np.random模块半酣许多可用于创建随机数组的函数，例如生成一个服从标准正态分布（均值为0、方差为1）的随机样本数组：

#一维数组
>>> np.random.randn(5)
array([ 0.80726684, -0.47856828, -1.01387413, -1.81198436, -0.30367494])

#多维数组
>>> np.random.randn(5,4)
array([[ 0.44795214,  0.58889219,  0.6557998 , -0.98750982],
       [ 0.96874065, -0.83364282,  0.40935755,  0.17958365],
       [-0.3830435 , -0.13996465,  0.65810287, -1.09443092],
       [-1.67776307,  0.00275889, -1.32662109,  1.25585212],
       [-0.66629589, -1.09667777,  1.08017396,  1.04579035]])

其它用法：

（1）numpy.random.rand(d0, d1, ..., dn)

生成一个(d0, d1, ..., dn)维的数组，数组的元素取自[0, 1)上的均分布，若没有参数输入，则生成一个数

#一个数
>>> np.random.rand()
0.5602091565863412

#多维数组
>>> np.random.rand(2,3)
array([[0.21425158, 0.55603564, 0.71230788],
       [0.91407327, 0.12856442, 0.31680005]])

>>> np.random.rand(2,2,3)
array([[[0.66192283, 0.06463257, 0.49716463],
        [0.90722766, 0.02891533, 0.97793578]],

       [[0.30110233, 0.61075461, 0.85996915],
        [0.62196878, 0.82921807, 0.12312781]]])

（2）numpy.random.randint(low, high=None, size=None, dtype='I')

生成size个整数，取值区间为[low, high)，若没有输入参数high则取值区间为[0, low)

>>> np.random.randint(6)
4
>>> np.random.randint(6,size=2)
array([1, 5])
>>> np.random.randint(6,size=2,dtype='int64')
array([5, 0], dtype=int64)

（3）numpy.random.random(size=None)

产生[0.0, 1.0)之间的浮点数

>>> np.random.random()
0.45467454915616023
>>>

>>> np.random.random(6)
array([0.30329601, 0.59093303, 0.37975647, 0.23568354, 0.01647539,
       0.46731369])

>>> np.random.random((6,3))
array([[8.65067985e-01, 6.32889091e-02, 8.97145125e-01],
       [2.41960732e-01, 7.63990918e-01, 3.28925883e-01],
       [7.77391602e-01, 2.94343398e-01, 2.47273732e-02],
       [6.80504494e-01, 7.56751159e-01, 4.94071081e-04],
       [5.18076628e-01, 1.17604372e-01, 3.18197217e-01],
       [5.13292960e-01, 5.19054712e-01, 6.87742571e-01]])

np.arange

#创建一维数组
>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#创建多维数组
>>> np.arange(10).reshape(2,5)
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

np.array

np.array(collection)，collection为序列型对象(list)，嵌套序列(list of list)

#创建一维数组
>>> np.array([1,2,3])
array([1, 2, 3])
>>> np.array(np.arange(1,4))
array([1, 2, 3])

#创建一个二维数组
>>> np.array([[1,2,3],[4,5,6]])
array([[1, 2, 3],
       [4, 5, 6]])

>>> np.array([np.arange(1,4),np.arange(4,7)])
array([[1, 2, 3],
       [4, 5, 6]])

#创建多维混合类型数组
>>> np.array([['a','b',1],[1,2,3]])
array([['a', 'b', '1'],
       ['1', '2', '3']], dtype='<U1')

3、数据类型

常用 NumPy 基本类型：

bool_	布尔型数据类型（True 或者 False）
int_	默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc	与 C 的 int 类型一样，一般是 int32 或 int 64
intp	用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8	字节（-128 to 127）
int16	整数（-32768 to 32767）
int32	整数（-2147483648 to 2147483647）
int64	整数（-9223372036854775808 to 9223372036854775807）
uint8	无符号整数（0 to 255）
uint16	无符号整数（0 to 65535）
uint32	无符号整数（0 to 4294967295）
uint64	无符号整数（0 to 18446744073709551615）
float_	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_	complex128 类型的简写，即 128 位复数
complex64	复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128	复数，表示双 64 位浮点数（实数部分和虚数部分）

数组类型使用dtype属性查看：

　　dtype,：类型名+位数，如float64、int32

>>> a = np.array([1,2,3])
>>> a.dtype
dtype('int32')

使用astype可转换数据类型：

>>> a = np.array([1,2,3])
>>> a.dtype
dtype('int32')

>>> b = a.astype(np.float64)
>>> b
array([1., 2., 3.])
>>> b.dtype
dtype('float64')

4、索引和切片

一维数组的索引和切片

一维数组的索引与Python的列表索引功能相似

>>> arr1 = np.array(np.arange(5))
>>> arr1
array([0, 1, 2, 3, 4])
>>> arr1[0]
0
>>> arr1[0:]
array([0, 1, 2, 3, 4])
>>> arr1[0:2]
array([0, 1])
>>> arr1[2:-1]
array([2, 3])

多维数组的索引与切片

使用多维数组，仍然可以像一维数组一样使用切片，并且多维数组可以在不同的维度中混合匹配切片和耽搁索引。

以下面多维数组为例：

>>> arr2 = np.array([np.arange(1,4),np.arange(4,7),np.arange(7,10)])
>>> arr2
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

其中每个元素所处位置：

0，0	0,1	0,2
1，0	1,1	1,2
2，0	2,1	2,2

索引切片规则：

arr[r1:r2, c1:c2]
arr[1,1] 等价 arr[1][1]
[:] 代表某个维度的数据

#取一个范围的数据
>>> arr2[1:3,1:3]
array([[5, 6],
       [8, 9]])

#取某一个值
>>> arr2[1,1]
5
>>> arr2[1][1]
5
>>>

#取某一个维度的值
>>> arr2[:]
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

>>> arr2[1:]
array([[4, 5, 6],
       [7, 8, 9]])

>>> arr2[:,1]
array([2, 5, 8])
>>>

另外在多维数组中还有条件索引，一般用于筛选多维数组：

#条件索引

# 找出 data_arr 中年龄大于等于5的数据
>>> data_array = np.random.rand(3,3)
>>> data_array
array([[0.41418315, 0.12959096, 0.53636403],
       [0.23272318, 0.4801341 , 0.64412843],
       [0.05275439, 0.01490136, 0.52569593]])
#过滤条件
>>> age_array = np.arange(1,10).reshape(3,3)
>>> age_array
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
#过滤得到的数据
>>> filter_array = data_array[age_array >= 5]
>>> filter_array
array([0.4801341 , 0.64412843, 0.05275439, 0.01490136, 0.52569593])
#多个过滤条件要使用 & |
>>> filter_array = data_array[(age_array >= 5) & (age_array %2 == 0)]
>>> filter_array
array([0.64412843, 0.01490136])

5、数组的运算

数组的运算是将相同大小的数组间的运算应用在元素上，注意这与线性代数中矢量运算是不同的。

##矢量与矢量的运算
>>> arr1 = np.arange(10).reshape(2,5)
>>> arr1
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

>>> arr2 = np.arange(10,20).reshape(2,5)
>>> arr2
array([[10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

#数组相加
>>> arr1+arr2
array([[10, 12, 14, 16, 18],
       [20, 22, 24, 26, 28]])
>>

#数组相乘

>>> arr1*arr2
array([[  0,  11,  24,  39,  56],
       [ 75,  96, 119, 144, 171]])
>>>

##矢量与标量的运算
>>> 1/arr2
array([[0.1       , 0.09090909, 0.08333333, 0.07692308, 0.07142857],
       [0.06666667, 0.0625    , 0.05882353, 0.05555556, 0.05263158]])

>>> 2*arr2
array([[20, 22, 24, 26, 28],
       [30, 32, 34, 36, 38]])
>>>

数组间的运算包含矢量与矢量、矢量与标量，其运算的规则就是：

矢量运算，相同大小的数组键间的运算应用在元素上
矢量和标量运算，“广播”— 将标量“广播”到各个元素

（二）常用函数

1、元素级函数

ceil, 向上最接近的整数
floor, 向下最接近的整数
rint, 四舍五入
isnan, 判断元素是否为 NaN(Not a Number)
multiply，元素相乘
divide, 元素相除

>>> arr = np.random.randn(2,3)
>>> arr
array([[ 0.13900355,  1.0035698 , -1.18212763],
       [ 0.61880961,  0.55586212,  0.56438219]])
#向上最接近的整数
>>> np.ceil(arr)
array([[ 1.,  2., -1.],
       [ 1.,  1.,  1.]])
#向下最接近的整数
>>> np.floor(arr)
array([[ 0.,  1., -2.],
       [ 0.,  0.,  0.]])
#四舍五入
>>> np.rint(arr)
array([[ 0.,  1., -1.],
       [ 1.,  1.,  1.]])
#判断元素是否为 NaN(Not a Number)
>>> np.isnan(arr)
array([[False, False, False],
       [False, False, False]])
>>>
#数组相乘
>>> arr1 = np.random.randn(2,3)
>>> arr1
array([[-0.04220886,  0.86937388, -2.46986511],
       [ 1.33986535, -0.70081799,  0.571598  ]])
>>> arr2 = np.multiply(arr,arr1)
>>> arr2
array([[-0.00586718,  0.87247737,  2.91969579],
       [ 0.82912156, -0.38955817,  0.32259973]])
#数组相除
>>> arr3 = np.divide(arr,arr1)
>>> arr3
array([[-3.29323126,  1.15435928,  0.47862032],
       [ 0.46184462, -0.79316188,  0.98737608]])
>>>

2、统计函数

np.mean(x [, axis])：所有元素的平均值，参数是 number 或 ndarray
np.sum(x [, axis])：所有元素的和，参数是 number 或 ndarray
np.max(x [, axis])：所有元素的最大值，参数是 number 或 ndarray
np.min(x [, axis])：所有元素的最小值，参数是 number 或 ndarray
np.std(x [, axis])：所有元素的标准差，参数是 number 或 ndarray
np.var(x [, axis])：所有元素的方差，参数是 number 或 ndarray
np.argmax(x [, axis])：最大值的下标索引值，参数是 number 或 ndarray
np.argmin(x [, axis])：最小值的下标索引值，参数是 number 或 ndarray
np.cumsum(x [, axis])：返回一个同纬度数组，每个元素都是之前所有元素的累加和，参数是 number 或 ndarray
np.cumprod(x [, axis])：返回一个同纬度数组，每个元素都是之前所有元素的累乘积，参数是 number 或 ndarray

注意多维的数组要指定统计的维度，否则默认是全部维度上统计。

>>> arr = np.arange(12).reshape(4,3)
>>> arr
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
>>> np.sum(arr)
66
>>> np.sum(arr,axis=1)
array([ 3, 12, 21, 30])
>>>

3、条件函数

all(iterables)：如果可迭代对象iterables中所有元素为True则返回True。
any(iterables)：如果可迭代对象iterables中任意存在每一个元素为True则返回True。
unique(iterables)：从可迭代对象iterables中找到唯一值（去重）并返回排序结果

>>> arr =np.array([[1,2],[2,4]])
>>> arr
array([[1, 2],
       [2, 4]])
>>> np.all(arr)
True
>>> np.any(arr)
True
>>> np.unique(arr)
array([1, 2, 4])
>>>

4、文件存储函数

当进行数组操作后需要将数组的内容进行保存，此时需要用到文件存储的函数。

savetxt
loadtxt

import numpy as np

array = np.arange(20)

#将数组array以整数形式保存到a.txt文件中
np.savetxt("a.txt",array,fmt='%d')
#将数组array以浮点数形式保存到b.txt文件中
np.savetxt("b.txt",array,fmt='%.2f')

#从a.txt文件中以整数形式读取文本数据，并返回NumPy数组
array1 = np.loadtxt("a.txt",dtype='int')
print(array1)
#从b.txt文件中以浮点数形式读取文本数据，并返回NumPy数组
array2 = np.loadtxt("b.txt",dtype='float')
print(array2)

　　savetxt和loadtxt函数也是可以读写CSV文件，CSV文件是用分隔符分隔的文本文件，通常的分隔符包括空格、逗号、分号等；通过loadtxt函数可以读取CSV文件，通过savetxt函数可以将数组保存为CSV文件。

　　savetxt和loadtxt函数默认都是使用空白符（空格、制表符等）作为分隔符，但可以通过delimiter关键字参数指定分隔符，还可以通过usecols关键字参数将读取的数据拆分成多列返回，列索引从0开始。

import numpy as np

array = np.arange(12).reshape(3,4)
print(array)

#将二维数组保存到c.txt文件中，并用逗号分隔
np.savetxt("c.txt",array,fmt="%d",delimiter=',')

#从c.txt文件以整数类型读取文本，并且获取第1,3列的数据
array3 = np.loadtxt("c.txt",dtype=int,delimiter=",",usecols=(0,2))
print(array3)

#将上述获取的第1,3列数据赋值给x,y变量，必须将unpack=True
x,y = np.loadtxt("c.txt",dtype=int,delimiter=",",usecols=(0,2),unpack=True)
print(x,y)

参考：

https://conda.io/docs/using/envs.html

https://www.runoob.com/numpy/numpy-tutorial.html

相关阅读:
Bootstrap组件福利篇网址
 <a>标签中的href="javascript:;"
HTTP请求上下文之终结:HttpContext类
 数据库分离附加 sqlserver
C#中三层架构UI、BLL、DAL、Model实际操作(转)
比较好的网上的sqlserver读书笔记
 ORACLE重建索引详解
 SQL Server遍历表的几种方法（转）
提高数据库操作的效率（转）
哈希表Hashtable与字典表Dictionary<K,V>的比较。
原文地址：https://www.cnblogs.com/shenjianping/p/11951015.html

NumPy的使用

一、什么是NumPy

（一）工作环境的安装

1、检查是否安装成功

2、管理虚拟环境

查看所有的虚拟环境

创建新的虚拟环境

切换环境

安装包

卸载包

查看包的信息

导入导出环境

卸载虚拟环境

（二）什么是NumPy

二、NumPy的使用

（一）数组对象

1、属性

2、创建数组

np.zeros, np.ones，np.empty

np.random 创建随机数的数组

np.arange

np.array