數據分析第三篇：Numpy知識點

Numpy

將字符型數據轉為datetime

import numpy as np
f = np.array(['2018','2019-01-01','2019-01-02 01:01:01'])

# 把f數組的元素類型改為日期類型
g = f.astype('M8[D]') # M8[Y] M8[M] M8[D]
print(g)

# 時間戳（將日期轉為數） 上面g的單位不同，這邊的數值也不同
# g中的值距離1970年總共有多少天
h = g.astype('int32')
print(h)
print(h[2] - h[1])

生成ndarray數組

- np.random.random((2,2))
- np.ones((3,4))
- np.zeros((2,2), dtype='int32')
- np.arange(1,10)
- np.linspace(0,2,10)
- np.eye(3)
- np.full((3,3),7)

np.random.random((2,2))
Out[2]: 
array([[ 0.61705652, 0.48264423],
[ 0.69303143, 0.35004567]])

np.ones((3,4))
Out[3]: 
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])

np.zeros((2,2), dtype='int32')
Out[4]: 
array([[0, 0],
[0, 0]])

np.arange(1,10)
Out[5]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

np.linspace(0,2,10)
Out[6]: 
array([ 0. , 0.22222222, 0.44444444, 0.66666667, 0.88888889,
1.11111111, 1.33333333, 1.55555556, 1.77777778, 2. ])

np.eye(3)
Out[7]: 
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])

np.full((3,3),7)
Out[8]: 
array([[7, 7, 7],
[7, 7, 7],
[7, 7, 7]])

Numpy 的random模塊

# 使用numpy.random的normal函數生成符合二項分布的隨機數
n = 100
# 172：期望值
# 20：標准差
# n：數字生成數量
x= np.random.normal(172, 20, n)
y= np.random.normal(60, 10, n)

ndarray數組對象的維度操作

視圖變維：array.reshape() array.ravel()

- ravel() 是扁平化但是不復制，公用一個對象
- flatten() 是扁平化同時復制，會生成一個新對象並且返回

import numpy as np
a = np.arange(1,9)
# 視圖變維使用的還是原始數組中的數據，如果修改了原始數組中的數據，那么新數組讀到的數據也會發生變化。
b = a.reshape((2,4))
print(a,b)
a[0] =999
print(b)
c = b.ravel()
print(c)

復制變維（數據獨立）：flatten()

# 測試flatten
d=b.flatten().reshape((2,4))
d[0] = 110
print(b)
print(d)

 就地變維：直接修改數組維度，不返回新數組 resize() shape

d.resize(2,2,2)
d.shape=(2,4)
print(d)

ndarray數組的切片操作

# 數組的切片與列表的切片參數類似
# 步長為正：默認從前往后切
# 步長為負：默認從后往前切
array[起始位置:終止位置:步長]
a = np.arange(1,10) # array([1, 2, 3, 4, 5, 6, 7, 8, 9])
a.resize(3,3) # array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]])
a[1:, :] # 第2行到最后一行，所有列

ndarray數組的掩碼操作

a = np.array([1,2,3,4,5,6,7,8])
f = np.array([True, False, True, False,False, True, False, True])
a[f]
Out[35]: array([1, 3, 6, 8])

# 現在有數組的1-100，我們現在要拿到數組中3的倍數或7的倍數
flag_a = a%3==0
flag_b = a%7==0

flag_a
Out[43]: 
array([False, False, True, False, False, True, False, False, True,
False, False, False, False, False, ... False, False, False,
False, False, True, False, False, True, False, False, True, False], dtype=bool)

flag = np.any([flag_a, flag_b], axis=0)

a[flag]
Out[45]: 
array([ 3, 6, 7, 9, 12, 14, 15, 18, 21, 24, 27, 28, 30, 33, 35, 36, 39,
42, 45, 48, 49, 51, 54, 56, 57, 60, 63, 66, 69, 70, 72, 75, 77, 78,
81, 84, 87, 90, 91, 93, 96, 98, 99])

多維數組的組合和拆分

垂直方向的操作：vstack() vsplit()

a = np.arange(1,7).reshape(2,3)
b = np.arange(7,13).reshape(2,3)

a
Out[54]: 
array([[1, 2, 3],
[4, 5, 6]])
b
Out[55]: 
array([[ 7, 8, 9],
[10, 11, 12]])

c = np.vstack((a,b))
c
Out[57]: 
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

a,b = np.vsplit(c, 2)

水平方向的操作：hstack() hsplit()

d = np.hstack((a,b))
a,b = np.hsplit(d, 2)

深度方向的操作：dstack() dsplit() 二維數組深度操作會變為三維數組，最后拆分也是三維數組

a
Out[59]: 
array([[1, 2, 3],
[4, 5, 6]])

b
Out[60]: 
array([[ 7, 8, 9],
[10, 11, 12]])

e = np.dstack((a,b))

e
Out[62]: 
array([[[ 1, 7],
[ 2, 8],
[ 3, 9]],

[[ 4, 10],
[ 5, 11],
[ 6, 12]]])

a,b = np.dsplit(e,2)
a
Out[64]: 
array([[[1],
[2],
[3]],

[[4],
[5],
[6]]])

多維數組組合與拆分的相關函數

# 根據axis所指定的軸向（0,1,2）進行多維數組的組合
# 如果待組合的兩個數組都是二維數組
# axis=0:垂直方向
# axis=1:水平方向
# 如果待組合的兩個數組都是三維數組
# axis=0:垂直方向
# axis=1:水平方向
# axis=2:深度方向
np.concatenate((a,b), axis=0)
# 通過axis給定的軸向和拆分的份數對c進行拆分
np.split(c,2,axis=0)

長度不等的兩個數組的組合操作

np.pad(ary, # 原始數組
pad_width=(0,1), # 補全方式（頭部補0個，尾部補1個）
mode='constant', # 設置補全模式
constant_values=-1) # 設置補全的默認值為-1

a = np.arange(1,5)
a
Out[66]: array([1, 2, 3, 4])
# 返回一個新數組
np.pad(a, pad_width=(0,3),mode='constant',constant_values=-1)
Out[67]: array([ 1, 2, 3, 4, -1, -1, -1])

簡單的一維數組的組合方案

a = np.arange(1,10)
b = np.arange(11,20)
# 垂直方向疊加
np.row_stack((a,b))
# 水平方向疊加
np.column_stack((a,b))

Numpy數組的其他屬性

1.shape 維度

2.dtype 元素類型

3.size 元素的個數

4.ndim 維度

5.itemsize 元素字節數

6.nbytes 數組的總字節數

7.real 復數數組的實部

8.imag 復數數組的虛部

9.T 數組對象的轉置視圖

10.flat 返回數組的扁平迭代器

a = np.arange(1,28)
a.resize(3,3,3)

a.size
Out[75]: 27

len(a)
Out[76]: 3

a.ndim
Out[77]: 3

a.shape
Out[78]: (3, 3, 3)

a.dtype
Out[79]: dtype('int32')

a.dtype.name
Out[81]: 'int32'

# ndarray數組的扁平迭代器
for i in a.flat:
print(i)
[e for e in a.flat]