Python数据分析-ndarray

1.ndarray的特性

多维性

import numpy as np

arr = np.array(5)
print(arr)
print("array的维度",arr.ndim)

5
array的维度 0

arr2 = np.array([1,2,3])
print(arr2)
print("arrar的维度",arr2.ndim)

[1 2 3]
arrar的维度 1

arr2 = np.array([[1,2,3],[4,5,6]])
print(arr2)
print("arrar的维度",arr2.ndim)

[[1 2 3]
 [4 5 6]]
arrar的维度 2

同质性

arr3 = np.array([1,"hello"])
print(arr3)

['1' 'hello']

不同的数据类型会被转化成相同的数据类型

arr4 = np.array([1,2.5])
print(arr4)

[1.  2.5]

2.ndarray的属性

arr4 = np.array(1)
print(arr4)
print("数组的形状:",arr4.shape)
print("数组的维度:",arr4.ndim)
print("元素的个数:",arr4.size)
print("元素的数据类型:",arr4.dtype)
print("元素的转置:",arr4.T)

1
数组的形状: ()
数组的维度: 0
元素的个数: 1
元素的数据类型: int32
元素的转置: 1

arr5 = np.array([1,2,3])
print(arr5)
print("数组的形状:",arr5.shape)
print("数组的维度:",arr5.ndim)
print("元素的个数:",arr5.size)
print("元素的数据类型:",arr5.dtype)
print("元素的转置:",arr5.T)

[1 2 3]
数组的形状: (3,)
数组的维度: 1
元素的个数: 3
元素的数据类型: int32
元素的转置: [1 2 3]

arr6 = np.array([[1,2,3],[4,5.0,6]])
print(arr6)
print("数组的形状:",arr6.shape)
print("数组的维度:",arr6.ndim)
print("元素的个数:",arr6.size)
print("元素的数据类型:",arr6.dtype)
print("元素的转置:",arr6.T)

[[1. 2. 3.]
 [4. 5. 6.]]
数组的形状: (2, 3)
数组的维度: 2
元素的个数: 6
元素的数据类型: float64
元素的转置: [[1. 4.]
 [2. 5.]
 [3. 6.]]

3.ndarray的创建

基础的创建方法

arr7 = np.array([1,2,3],dtype=np.float32)
print(arr7)
arr7

[1. 2. 3.]





array([1., 2., 3.], dtype=float32)

copy

arr8 = np.copy(arr7) # 元素跟原始的数组相同，但是不是一个数组了
arr8

array([1., 2., 3.], dtype=float32)

预定义形状

# 全0
arr9 = np.zeros((2,3)) 
print(arr9)
print(arr9.dtype) # 默认float64

[[0. 0. 0.]
 [0. 0. 0.]]
float64

# 全1
arr10 = np.ones((3,4))
print(arr10)

[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

# 未初始化
arr11 = np.empty((3,5)) # 内容是随机的
print(arr11)

[[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 0.00000000e+000 0.00000000e+000
  2.59305626e-306]]

# 任意数填充
arr12 = np.full((3,4),78)
arr12

array([[78, 78, 78, 78],
       [78, 78, 78, 78],
       [78, 78, 78, 78]])

arr13 = np.zeros_like(arr12)
print(arr13)
arr14 = np.empty_like(arr10)
print(arr14)

[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

特殊数列

# 等差数列
arr15 = np.arange(2,11,2) # start,end,step
print(arr15)

[ 2  4  6  8 10]

# 等间隔数列
arr16 = np.linspace(1,10,5) # start end number
print(arr16)

[ 1.    3.25  5.5   7.75 10.  ]

# 对数间隔数列
arr17 = np.logspace(0,4,3,base=3)
print(arr17)

[ 1.  9. 81.]

特殊矩阵

# 单位矩阵:
arr18 = np.eye(3,dtype=int)
print(arr18)

[[1 0 0]
 [0 1 0]
 [0 0 1]]

# 对角矩阵
arr19 = np.diag([1,2,5,3])
print(arr19)

[[1 0 0 0]
 [0 2 0 0]
 [0 0 5 0]
 [0 0 0 3]]

# 随机矩阵
# 生成0到1之间的随机浮点数（均匀分布）
arr20 = np.random.rand(2,3)
print(arr20)

[[0.71912505 0.4289779  0.28617504]
 [0.15021712 0.21373923 0.11392345]]

# 生成指定范围区间的随机浮点数
arr21 = np.random.uniform(3,6,(2,3))
print(arr21)

[[3.80064859 3.98720526 3.46284681]
 [3.45723353 3.67728475 4.88173559]]

# 生成指定范围区间的随机整数
arr22 = np.random.randint(3,6,(2,3))
print(arr22)

[[3 4 4]
 [5 4 4]]

# 生成随机数列（正态分布）
arr23 = np.random.randn(2,3)
print(arr23)

[[-0.15306313  1.19935259  0.84587337]
 [ 0.54632939 -0.15679205 -1.3430744 ]]

# 设置随机种子
np.random.seed(200)
arr24 = np.random.randint(1,10,(2,5))
print(arr24)

[[1 5 8 7 9]
 [2 8 4 2 8]]

4.ndarray的数据类型

# 布尔类型
arr25 = np.array([0,1,3,0],dtype='bool')
print(arr25)

[False  True  True False]

# 整数类型
arr26 = np.array([0,1,2,0],dtype=np.int8)
print(arr26)

[0 1 2 0]

# 浮点数类型float
# 复数类型complex

5.索引与切片

# 一维数组的索引与切片
arr27 = np.random.randint(1,100,10)
print(arr27)
print(arr27[7])
print(arr27[:]) # 获取全部数据
print(arr27[2:5]) # 左包右不包
print(arr27[(arr27>10) & (arr27<70)]) # 取出大于10小于70的元素
print(arr27[slice(2,8,2)]) # start end step

[85 34 22 13 43 46 16 56 51 97]
56
[85 34 22 13 43 46 16 56 51 97]
[22 13 43]
[34 22 13 43 46 16 56 51]
[22 43 16]

# 二维数组的索引与切片
arr28 = np.random.randint(1,100,(4,8))
print(arr28)
print(arr28[1,3])
print(arr28[:,:])
print(arr28[1,2:5])
print(arr28[arr28>50]) # 返回1维数组
print(arr28[1,:][arr28[1,:]>50]) # 取第二行大于50的元素

[[17 48 13 49 86 19 59 68]
 [20 97 51 27 92 18 38 50]
 [77 19 37 50 49 18 17 96]
 [83 45 65 74 62 39 32 80]]
27
[[17 48 13 49 86 19 59 68]
 [20 97 51 27 92 18 38 50]
 [77 19 37 50 49 18 17 96]
 [83 45 65 74 62 39 32 80]]
[51 27 92]
[86 59 68 97 51 92 77 96 83 65 74 62 80]
[97 51 92]

6.ndarray的运算

# 算数运算
a = np.array([[1,2,3],[7,8,9]])
b = np.array([[4,5,6],[3,6,7]])
print(a+b)
print(a-b)
print(a*b)  # 对应位置元素相乘
print(a/b)  # 对应位置元素相除
print(a**2)

[[ 5  7  9]
 [10 14 16]]
[[-3 -3 -3]
 [ 4  2  2]]
[[ 4 10 18]
 [21 48 63]]
[[0.25       0.4        0.5       ]
 [2.33333333 1.33333333 1.28571429]]
[[ 1  4  9]
 [49 64 81]]

# 广播机制
print(a+3)
c = np.array([1,2,3])
print(a+c) 

[[ 4  5  6]
 [10 11 12]]
[[ 2  4  6]
 [ 8 10 12]]

# 矩阵运算
d = np.array([2,3,4])
e = np.diag([1,2,4])
print(d)
print(e)
print(d@e) # ‘@’表示矩阵乘法

[2 3 4]
[[1 0 0]
 [0 2 0]
 [0 0 4]]
[ 2  6 16]