2020-09-07 阅读量: 856
1. numpy多维数组,科学计算,加速,简洁,做数据科学最基本的一种结构(重要)
（1）Numpy数学运算: 开发一个算法, 写一个算法, 做一些数学运算, 实现一些公式。
（2）简单来说，Numpy 是 Python 的一个科学计算包，包含了多维数组以及多维数组的操作。
（3）Numpy 的核心是 ndarray 对象，这个对象封装了同质数据类型的n维数组。起名 ndarray 的原因就是因为是 n-dimension-array 的简写。
2. np.array(了解)
import numpy as np
np.array(object, dtype=None)
object:转换的数据
dtype:数据类型
L1 = [1, 2,3]
L2 = (3, 4,5)
L3 = 'abc'
a1=np.array(L1) 即将a1列表转化为numpy.ndarray格式
3. dtype(重要)
Numpy 中的数组比 Python 原生中的数组（只支持整数类型与浮点类型）强大的一点就是它支持更多的数据类型。
基本数据类型：bool、int、uint、float和object
4. 向上转换,整数<小数<字符串(了解),同质(同一种数据类型)
请记住，不同于 Python 列表，NumPy 要求数组必须包含同一类型的数据。如果类型不匹配，NumPy 将会向上转换（如果可行）。
向上转换:（整数向上转化为小数，然后字符串）
L1 = [1, 2,3]
L2 = (3, 4,5)
L3 = 'abc'
5. astype(重要)
a=np.array(L1,dtype=’int’) 将L1列表装换为整数型
a.astype(‘bool’) 将数据类型改变成波尔型
6 矢量化(重要)np优势所在,快速,简洁
a = [[1, 2, 3], [5, 7, 8], [4, 5, 6]]
b = [[6, 2, 1], [2, 3, 1], [4, 5, 6]]
将a和b中对应的数字相加，可以通过使用np将操作过程简单化
np.array(a)+np.array(b)
矢量化代码有很多优点，其中包括：
（1）矢量化代码更简洁易读；
（2）更少的代码行通常意味着更少的错误；
（3）该代码更接近地类似于标准数学符号（使得更容易，通常，以正确地编码数学构造）；
（4）矢量化导致更多的“Pthonic”代码。如果没有矢量化，我们的代码将会效率很低，难以读取for循环。
7. 创建常用的数组(了解)
（1）创建一个全0的数组
np.zeros(3) 即为一个三行三列的全0数组
np.zeros([4, 5],dtype='int') 即为四行五列的正数型0数组
a1 = np.array([[1, 2, 3],
[5, 7, 8],
[4, 5, 6]])
np.zeros_like(a1) 即创建一个与a1形式相同的全0数组
（2）全1数组
np.ones([4,3]) 即创建一个四行三列的全1数组
np.ones(10) 一维全1数组
np.ones(10, dtype="int32") 二维全1整数型数组
np.ones((3, 3, 3), dtype="int32") 三维全1整数型数组
（3）单位矩阵
np.eye(5, 4) 即创建一个五行四列的单位矩阵
np.eye(5, 4，k=-1) 其中k表示偏移量
（4）对角矩阵
np.diag([1, 2,3, 4])
结果如下所示：
array([[1, 0, 0, 0],
[0, 2, 0, 0],
[0, 0, 3, 0],
[0, 0, 0, 4]])
8. np.nan和np.inf
np.full 创建一个空值矩阵
np.full((3, 4), 666)
结果如下所示：
array([[666, 666, 666, 666],
[666, 666, 666, 666],
[666, 666, 666, 666]])
设置空值和无穷大
np.nan和np.inf都是浮点类型
- "" False " "True,np.nan代表的是布尔值为False
- " "不会判定为np.nan
- 去空格str.strip()
- str.strip,判断是不是缺失值
9. 创建随机数组以及一些分布数组(了解)
np.random.randint(1, 10) # 生成一个随机数
np.random.randint(1, 10,(4, 6) ) # 生成二维随机数组
np.random.rand(3, 4) # 0-1范围之内
np.random.random([3, 4]) # 同上, 参数不一样
np.random.uniform(5, 8, (3, 4)) # 均匀分布
np.random.randn(3, 4) # 标准正太分布
np.random.normal(5, 3, (3, 4)) # 均值为5, 标准差为3, (3, 4)的正态分布随机数
np.random.normal(0, 1, (3, 4)) # 均值为5, 标准差为3, (3, 4)的正态分布随机数
np.random.binomial(10, 0.5, 8) # 数据 0, 1, ....10
np.random.chisquare(3, (3, 4)) # 自由度为3的卡方分布
np.random.standard_t(3, (3, 4)) # 自由度3的t分布
np.random.f(2, 3, (3, 4)) #f分布
10.随机种子的含义(理解)
# 设置随机数种子, 拆开发现不好使, 必须放在一起才好使
np.random.seed(200)
c = np.random.randn(2, 3)
c
11. numpy线性序列(np.arange,np.linspace)(重要)
arange([start,] stop[, step,])
特点: 可以设置开始位置,终止位置和步长,但产生数字的数量不方便控制
np.linspace(开始位置, 终止位置, 产生数量)
特点: 可以设置开始位置和终止位置以及产生数量,但不方便控制步长
s, step = np.linspace(20, 30, 20, endpoint=False, retstep=True)
# retstep=True 返回步长
12. nddarray(shape,dtype)重要
数组的属性：形状（shape）、维度（ndim）和数组元素个数（size）
#dtype按照每一列的类型看的
# 1.看一下shape
# 2.看一下每一列的dtype
13. 数组的索引和切片(很重要)(二维)
与Python原生的列表、元组不同的是，Numpy数组支持多维数组的多维索引。
每一个逗号, 代表索引的一个维度
14. copy,view,赋值和切片
- 如果视图修改了,那么原数据也修改了,视图就是切片之后的数组
- 可以使用view创建视图,这种创建视图的方式和原数据相关联的
- 使用copy创建的变量就没有这个问题,copy创建的变量和原数据没有关系
- 对直接复制(赋值)的变量进行修改,也会改变原数据
- x[:2,2:](会修改原数据)
- view(会修改原数据)
- 直接赋值x_1 = x_2(会修改原数据)
- copy(不会修改原数据)
15.reshape和resize(了解)
- 返回值(函数都有返回值,参数是不会改变的)
- 没有返回值,但是修改原来的数据(理解)
