《利用Python进行数据分析》读书笔记-4-第四章-Numpy基础：数组和矢量计算

字数统计: 2k字   |   阅读时长≈ 8分

Tip：全称Numerical Pythn，是高性能科学计算和数据分析的基础包。本书所有高级工具的构建基础。

NumPy功能

  • ndarry，矢量算术运算和复杂广播能力的快速切节省空间的多维数组
  • 对数组数据进行快速运算的标准数据函数（无需编写循环）
  • 读写磁盘的工具，，操作内存映射文件的工具
  • 线性代数、随机数生成以及傅立叶变换
  • 集成C、C++、Fortran等语言编写的代码（从生态系统角度，最重要的功能）

对于大部分数据分析应用，作者关注功能：

  • 数据整理和清理、子集构造和过滤、转换等快速矢量化数组运算
  • 数组算法，如排序、唯一化、集合运算
  • 高效描述统计和数据聚合／摘要运算
  • 异构数据集的合并／连接运算
  • 条件逻辑表述为数组表达式（除去if-else-if循环）
  • 数据分组运算

Tip:标准NumPy约定，总是使用import NumPy as np,而不是from NumPy import *.

ndarray: 一种多维数组对象

Tip：NumPy最重要特点是其N维数组对象（即ndarray，该对象是一个快速而灵活的大数据集容器）。

大多数数据分析工作不需要深入理解NumPy，但精通面向数组的编程和思维方式是成为Python科学计算牛人的一大关键步骤。

Focus:本书提到的数组、NUmPy数组、ndarray都是指ndarray对象

  • ndarray是同构数据多维容器，其中所有元素相同的类型。
  • 每个数组都有shape和dtype属性

创建ndarray

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
#!/usr/bin/python
# -*- coding:utf-8 -*-

import numpy as np
# data = np.ndarraz([[0.580052,0.186730,1.040717],[-0.636917,-0.938659,0.124094]])
# print data.shape

data1 = [5,7,8,3,9]
arr1 = np.array(data1)
# print arr1
# print arr1.ndim  # 1 维
# print arr1.shape  # (5,)
# print arr1.dtype   # int64

# print np.zeros(10)
# [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
# print np.zeros((3,6))
# [[ 0.  0.  0.  0.  0.  0.]
#  [ 0.  0.  0.  0.  0.  0.]
#  [ 0.  0.  0.  0.  0.  0.]]
# print np.empty((2,3,2))
# [[[ -2.00000000e+000  -2.00000000e+000]
#   [  6.95320070e-310   6.95320070e-310]
#   [  6.95320070e-310   6.95320070e-310]]
#
#  [[  6.95320070e-310   6.95320070e-310]
#   [  6.95320070e-310   6.95320070e-310]
#   [  6.95320070e-310   6.95320070e-310]]]
# np.empty经常返回一些为初始化的垃圾值
# print np.arange(10)
# [0 1 2 3 4 5 6 7 8 9]

Focus:如无特别指定，数据类型基本都是float64

ndarray的数据类型

ndarray的astype方法可转换其dtype：

1
2
3
4
5
6
arr = np.array([1,2,3,4,5])
print arr.dtype
# int64
float_arr = arr.astype(np.float64)
print float_arr.dtype
# float64

数组与标量之间运算

无需循环就可执行批量运算；这就叫做矢量化（vectorization）。不同大小数组之间的运算叫做广播。

1
2
3
arr = np.array([[1.,2.,3.], [4.,5.,6.]])
# print arr
# print arr * arr 加减乘除都是相对位置相乘

基本索引和切片

与列表最重要区别在于，数组切片是原始数组的视图。说明数据不会被复制，视图伤的任何修改都会直接反映到数组上。若非要复制，就要显式复制：arr[5:8].copy()

1
2
3
4
5
6
7
8
9
arr = np.arange(10)
# print arr[5:8]  # [5,6,7]
arr[5:8] = 12
# print arr   # [0 1 2 3 4 12 12 12 8 9]
arr_slice = arr[5:8]
arr_slice[1] =12345
print arr  # [0 1 2 3 4 12 12345 12 8 9]
arr_slice[:] = 64
# print arr  # [0 1 2 3 4 64 64 64 8 9]

切片索引

ndarray切片语法与一维对象相似。多维切片只是一维的基础山进行扩展。

沿着第0轴切片；切片是沿着一个轴向选取元素的。一次传入多个切片：

1
2
3
4
5
6
7
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
# print arr2d[:2]
# out: [[1 2 3], [4 5 6]]
# print arr2d[:2,:1]
# out: [[1], [4]]
# print arr2d[:2,1:]
# out: [[2,3],[5,6]]

上面只能得到相同维数的数组视图。

通过将整数索引和切片混合，可以得到低维度的切片：

1
2
3
4
5
6
print arr2d[1,:2]
# out: [4, 5]
print arr2d[2:,1]
# out: [8]
print arr2d[:, :1]
# out: [[1],  [4],  [7]]

Focus：:,冒号表示选取整个轴。

对切片表达式进行赋值，该操作会扩散到整个选区。

1
2
3
arr2d[:2, 1:] = 0
print arr2d
# out: [[1 0 0],  [4 0 0],  [7 8 9]]

布尔型索引

二维数组切片，第一个数字开始在行这个维度上切片，第二个数字在列上切片。

布尔型索引选取数组中多数据，总是创建数的副本，即使是返回一摸一样多数组。

⚠️：Python关键字and和or在布尔型数组中无效。

通过布尔型数组设置值，如下，将data中的所有负值都设为0:

1
data[data < 0] = 0

一维数组设置正行或列的值：

1
data[name != 'Joe'] = 7

花式索引

指利用整数数组进行索引；花式索引跟切片不一样，总是将数据复制到新数组中。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
arr = np.empty((8,3))
for i in range(8):
    arr[i] = i
# print arr
# out：[[ 0.  0.  0.]
#  [ 1.  1.  1.]
#  [ 2.  2.  2.]
#  [ 3.  3.  3.]
#  [ 4.  4.  4.]
#  [ 5.  5.  5.]
#  [ 6.  6.  6.]
#  [ 7.  7.  7.]]

# print arr[[4,3,0,6]]
# out:[[ 4.  4.  4.]
#  [ 3.  3.  3.]
#  [ 0.  0.  0.]
#  [ 6.  6.  6.]]

数组转置与轴对换

1
2
3
4
5
6
7
8
9
10
11
12
13
arrzzdh = np.arange(15).reshape(3,5)
# print arrzzdh
# out: 0-15个数字 转换成3行5列的数组
# [[ 0  1  2  3  4]
#  [ 5  6  7  8  9]
#  [10 11 12 13 14]]
print arrzzdh.T
# out: 转置，行列倒置
# [[ 0  5 10]
#  [ 1  6 11]
#  [ 2  7 12]
#  [ 3  8 13]
#  [ 4  9 14]]

利用数组进行数据处理

用数组表达式代替循环的做法，称为矢量化。

1
2
3
4
5
6
7
8
9
points = np.arange(-5,5,0.1) # 1000个间隔相等的点
xs, ys = np.meshgrid(points, points)
# print ys
import matplotlib.pyplot as plt
z = np.sqrt(xs**2 + ys**2)
# print z
plt.imshow(z, cmap=plt.cm.gray);plt.colorbar()
plt.title("Image plot of $\sqrt{x^2 + y^2}$ for a grid of values")
plt.show()

将条件逻辑表述为数组运算

如numpy.where函数是三元表达式x if condition erse y的矢量化版本。

1
result = np.where(condition="",x="",y="")

满足条件则x，否则y

数学和统计方法

1
2
3
4
5
6
7
arr = np.random.randn(5, 4)
print arr.mean()
# out: -0.360180571527

arr = np.random.randn(100)
print (arr > 0).sum()
# out: 随机的一百个数字，每次大于0的数的个数。
1
2
3
4
5
6
7
8
9
10
11
12
## 排序
arr1 =np.random.randn(8)
print arr1
arr1.sort()
# 先sort排序，才能输出，如果直接同时输出排序，会None
print arr1

# 多维数组排序，在任何一个轴上，传入该轴编号即可
arr2 = np.random.randn(5,3)
print arr2
arr2.sort(1)
print arr2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
## 唯一化
names = np.array(['jin', 'king', 'lin', 'wen', 'jin', 'wen', 'lin'])
# print np.unique(names) # 这里又必须直接输出
# print names  # 无效
ints = np.array([2,3,4,5,6,7,8,5,4,2,4,6,1])
# print np.unique(ints) # 直接输出有效
# print ints # 无效
# # 没效果？那么纯Python方法有效果吗
# print sorted(set(names))
# print names
# print sorted(set(ints))
# print ints
# 还是没有效果啊
# 这里说明排序唯一都要直接输出，**原值没有改变**。
1
2
3
4
5
6
7
8
9
10
11
12
13
## 用于数组的文件输入输出
### 将数组以二进制格式保存到硬盘
# np.save()和np.load()方法是用于读写的主要方法。
arr3 = np.arange(10)
np.save('test_arr_save', arr3)
# 保存为了.npy文件；然后用load方法读取数组
# print np.load('test_arr_save.npy')
# out: [0 1 2 3 4 5 6 7 8 9]
# np.savez保存多个数组到压缩文件
np.savez('arr_archive.npz', a= arr3, b=arr3)
arch = np.load('arr_archive.npz')
# print arch['b']
# out: [0 1 2 3 4 5 6 7 8 9]
1
2
3
# 存取文本文件
# 指定分隔符为逗号，读取csv文件
# np.loadtxt('filename', delimiter=',')

最后涉及到了线性代数,随机漫步等数学概念，深切体会到学好数学是任何一门科学想要往高了走的必然阶梯，计算机科学当然也不例外。

今天组内培训，讲了一些代码规范、版本更新和项目管理的知识，无规矩不成方圆，团队大了，尤其需要一套行之有效的规矩来约束每个人的行为，代码能体现一个人的行为方式，是否有代码洁癖。Talk is cheap, show me the code.希望组内能坚持下去，互相code Review。

扫一扫，分享到微信

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia-plus根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true