共计 9639 个字符，预计需要花费 25 分钟才能阅读完成。
Numpy 是 python 中最有用的工具之一。它能够无效地解决大容量数据。应用 NumPy 的最大起因之一是它有很多解决数组的函数。在本文中，将介绍 NumPy 在数据迷信中最重要和最有用的一些函数。
创立数组
1、Array
它用于创立一维或多维数组
Dtype: 生成数组所需的数据类型。
ndim: 指定生成数组的最小维度数。
import numpy as np
np.array([1,2,3,4,5])
----------------
array([1, 2, 3, 4, 5, 6])还能够应用此函数将 pandas 的 df 和 series 转为 NumPy 数组。
sex = pd.Series(['Male','Male','Female'])
np.array(sex)
------------------------
array(['Male', 'Male', 'Female'], dtype=object)2、Linspace
创立一个具备指定距离的浮点数的数组。
start: 起始数字
end: 完结
Num: 要生成的样本数，默认为 50。
np.linspace(10,100,10)
--------------------------------
array([10., 20., 30., 40., 50., 60., 70., 80., 90., 100.])3、Arange
在给定的距离内返回具备肯定步长的整数。
step: 数值步长。
np.arange(5,10,2)
-----------------------
array([5, 7, 9])4、Uniform
在上上限之间的均匀分布中生成随机样本。
np.random.uniform(5,10,size = 4)
------------
array([6.47445571, 5.60725873, 8.82192327, 7.47674099])
np.random.uniform(size = 5)
------------
array([0.83358092, 0.41776134, 0.72349553])
np.random.uniform(size = (2,3))
------------
array([[0.7032511 , 0.63212039, 0.6779683],
[0.81150812, 0.26845613, 0.99535264]])5、Random.randint
在一个范畴内生成 n 个随机整数样本。
np.random.randint(5,10,10)
------------------------------
array([6, 8, 9, 9, 7, 6, 9, 8, 5, 9])6、Random.random
生成 n 个随机浮点数样本。
np.random.random(3)
---------------------------
array([0.87656396, 0.24706716, 0.98950278])7、Logspace
在对数尺度上生成距离平均的数字。
Start: 序列的起始值。
End: 序列的最初一个值。
endpoint: 如果为 True，最初一个样本将蕴含在序列中。
base: 底数。默认是 10。
np.logspace(0,10,5,base=2)
------------------
array([1.00000000e+00, 5.65685425e+00, 3.20000000e+01, 1.81019336e+02,1.02400000e+03])8、zeroes
np.zeroes 会创立一个全副为 0 的数组。
shape: 阵列的形态。
Dtype: 生成数组所需的数据类型。’ int ‘ 或默认 ’ float ‘
np.zeros((2,3),dtype='int')
---------------
array([[0, 0, 0],
[0, 0, 0]])
np.zeros(5)
-----------------
array([0., 0., 0., 0., 0.])9、ones
np.ones 函数创立一个全副为 1 的数组。
np.ones((3,4))
------------------
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])10、full
创立一个独自值的 n 维数组。
fill_value: 填充值。
np.full((2,4),fill_value=2)
--------------
array([[2, 2, 2, 2],
[2, 2, 2, 2]])(2,4) : ꜱʜᴀᴘᴇ11、Identity
创立具备指定维度的单位矩阵。
np.identity(4)
----------
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])#ᴅᴇꜰᴀᴜʟᴛ ᴅᴀᴛᴀ ᴛʏᴘᴇ ɪꜱ `ꜰʟᴏᴀᴛ`数组操作
12、min
返回数组中的最小值。
axis: 用于操作的轴。
out: 用于存储输入的数组。
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
----------------
113、max
返回数组中的最大值。
np.max(arr)
------------------
614、unique
返回一个所有惟一元素排序的数组。
return_index: 如果为 True，返回数组的索引。
return_inverse: 如果为 True，返回惟一数组的下标。
return_counts: 如果为 True，返回数组中每个惟一元素呈现的次数。
axis: 要操作的轴。默认状况下，数组被认为是扁平的。
np.unique(arr,return_counts=True)
---------------------
(array([1, 2, 3, 4, 5, 6]), ## Unique elements
array([2, 2, 2, 1, 1, 2], dtype=int64) ## Count
)15、mean
返回数组的平均数
np.mean(arr,dtype='int')
-------------------------------
316、medain
返回数组的中位数。
arr = np.array([[1,2,3],[5,8,4]])
np.median(arr)
-----------------------------
3.517、digitize
返回输出数组中每个值所属的容器的索引。
bin：容器的数组。
right: 示意该距离是否包含左边或右边的 bin。
a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3])
bins = np.array([0,1,2,3])
np.digitize(a,bins)
-------------------------------
array([0, 1, 1, 2, 2, 2, 4, 4, 4], dtype=int64)
Exp Value
x < 0 : 0
0 <= x <1 : 1
1 <= x <2 : 2
2 <= x <3 : 3
3 <=x : 4
Compares -0.9 to 0, here x < 0 so Put 0 in resulting array.
Compares 0.5 to 0, here 0 <= x <1 so Put 1.
Compares 5.4 to 4, here 3<=x so Put 418、reshape
它是 NumPy 中最罕用的函数之一。它返回一个数组，其中蕴含具备新形态的雷同数据。
A = np.random.randint(15,size=(4,3))
A
----------------------
array([[8, 14, 1],
[8, 11, 4],
[9, 4, 1],
[13, 13, 11]])
A.reshape(3,4)
-----------------
array([[8, 14, 1, 8],
[11, 4, 9, 4],
[1, 13, 13, 11]])
A.reshape(-1)
-------------------
array([8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])19、expand_dims
它用于扩大数组的维度。
arr = np.array([8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
np.expand_dims(A,axis=0)
-------------------------
array([[8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11]])
np.expand_dims(A,axis=1)
---------------------------
array([[8],
[14],
[1],
[8],
[11],
[4],
[9],
[4],
[1],
[13],
[13],
[11]])20、squeeze
通过移除一个繁多维度来升高数组的维度。
arr = np.array([[8],[14],[1],[8],[11],[4],[9],[4],[1],[13],[13],[11]])
np.squeeze(arr)
---------------------------
array([8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])21、count_nonzero
计算所有非零元素并返回它们的计数。
a = np.array([0,0,1,1,1,0])
np.count_nonzero(a)
--------------------------
322、argwhere
查找并返回非零元素的所有下标。
a = np.array([0,0,1,1,1,0])
np.argwhere(a)
---------------------
array([[2],[3],[4]], dtype=int64)23、argmax & argmin
argmax 返回数组中 Max 元素的索引。它能够用于多类图像分类问题中取得高概率预测标签的指标。
arr = np.array([[0.12,0.64,0.19,0.05]])
np.argmax(arr)
---------
1argmin 将返回数组中 min 元素的索引。
np.argmin(min)
------
324、sort
对数组排序。
kind: 要应用的排序算法。{‘quicksort’,‘mergesort’,‘heapsort’,‘stable’}
arr = np.array([2,3,1,7,4,5])
np.sort(arr)
----------------
array([1, 2, 3, 4, 5, 7])25、abs
返回数组中元素的绝对值。当数组中蕴含正数时，它很有用。
A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
---------------
array([[1, 3, 4],
[2, 4, 3]])26、round
将浮点值四舍五入到指定数目的小数点。
decimals: 要保留的小数点的个数。
a = np.random.random(size=(3,4))
a
-----
array([[0.81695699, 0.42564822, 0.65951417, 0.2731807],
[0.7017702 , 0.12535894, 0.06747666, 0.55733467],
[0.91464488, 0.26259026, 0.88966237, 0.59253923]])
np.round(a,decimals=0)
------------
array([[1., 0., 1., 1.],
[1., 1., 1., 1.],
[0., 1., 0., 1.]])
np.round(a,decimals=1)
-------------
array([[0.8, 0. , 0.6, 0.6],
[0.5, 0.7, 0.7, 0.8],
[0.3, 0.9, 0.5, 0.7]])27、clip
它能够将数组的裁剪值放弃在一个范畴内。
arr = np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
-----------------
array([0, 1, 0, 0, 5, 5, 5, 2, 3])
arr.clip(0,3)
------------------
array([0, 1, 0, 0, 3, 3, 3, 2, 3])
arr.clip(3,5)
------------------
array([3, 3, 3, 3, 5, 5, 5, 3, 3])替换数组中的值
28、where
返回满足条件的数组元素。
condition: 匹配的条件。如果 true 则返回 x，否则 y。
a = np.arange(12).reshape(4,3)
a
-------
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8],
[9, 10, 11]])
np.where(a>5) ## Get The Index
--------------------
(array([2, 2, 2, 3, 3, 3], dtype=int64),
array([0, 1, 2, 0, 1, 2], dtype=int64))
a[np.where(a>5)] ## Get Values
--------------------------
array([6, 7, 8, 9, 10, 11])它还能够用来替换 pandas df 中的元素。
np.where(data[feature].isnull(), 1, 0)29、put
用给定的值替换数组中指定的元素。
a: 数组
Ind: 须要替换的索引。
V: 替换值。
arr = np.array([1,2,3,4,5,6])
arr
--------
array([1, 2, 3, 4, 5, 6])
np.put(arr,[1,2],[6,7])
arr
--------
array([1, 6, 7, 4, 5, 6])30、copyto
将一个数组的内容复制到另一个数组中。
dst：指标
src：起源
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
print("Before arr1",arr1)
print("Before arr2",arr1)np.copyto(arr1,arr2)
print("After arr1",arr1)
print("After arr2",arr2)
---------------------------
Before arr1 [1 2 3]
Before arr2 [4 5 6]
After arr1 [4 5 6]
After arr2 [4 5 6]汇合操作
31、查找公共元素
intersect1d 函数以排序的形式返回两个数组中所有惟一的值。
Assume_unique: 如果为真值，则假如输出数组都是惟一的。
Return_indices: 如果为真，则返回公共元素的索引。
ar1 = np.array([1,2,3,4,5,6])
ar2 = np.array([3,4,5,8,9,1])
np.intersect1d(ar1,ar2)
---------------
array([1, 3, 4, 5])
np.intersect1d(ar1,ar2,return_indices=True)
---------------
(array([1, 3, 4, 5]), ## Common Elements
array([0, 2, 3, 4], dtype=int64),
array([5, 0, 1, 2], dtype=int64))32、查找不同元素
np.setdiff1d 函数返回 arr1 中在 arr2 中不存在的所有惟一元素。
a = np.array([1, 7, 3, 2, 4, 1])
b = np.array([9, 2, 5, 6, 7, 8])
np.setdiff1d(a, b)
---------------------
array([1, 3, 4])33、从两个数组中提取惟一元素
Setxor1d 将按程序返回两个数组中所有惟一的值。
a = np.array([1, 2, 3, 4, 6])
b = np.array([1, 4, 9, 4, 36])
np.setxor1d(a,b)
--------------------
array([2, 3, 6, 9, 36])34、合并
Union1d 函数将两个数组合并为一个。
a = np.array([1, 2, 3, 4, 5])
b = np.array([1, 3, 5, 4, 36])
np.union1d(a,b)
-------------------
array([1, 2, 3, 4, 5, 36])数组宰割
35、程度宰割
Hsplit 函数将数据程度宰割为 n 个相等的局部。
A = np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2) ## splits the data into two equal parts
---------------
[array([[3, 4],[6, 7]]), array([[5, 2],[2, 6]]) ]
np.hsplit(A,4) ## splits the data into four equal parts
-----------------
[array([[3],[6]]), array([[4],[7]]),
array([[5],[2]]), array([[2],[6]]) ]36、垂直宰割
Vsplit 将数据垂直宰割为 n 个相等的局部。
A = np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
----------------
[array([[3, 4, 5, 2]]), array([[6, 7, 2, 6]]) ]数组叠加
37、程度叠加
hstack 将在另一个数组的开端追加一个数组。
a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])
np.hstack((a,b))
---------------------
array([1, 2, 3, 4, 5, 1, 4, 9, 16, 25])38、垂直叠加
vstack 将一个数组重叠在另一个数组上。
np.vstack((a,b))
----------------------
array([[1, 2, 3, 4, 5],
[1, 4, 9, 16, 25]])数组比拟
39、allclose
如果两个数组的形态雷同，则 Allclose 函数依据公差值查找两个数组是否相等或近似相等。
a = np.array([0.25,0.4,0.6,0.32])
b = np.array([0.26,0.3,0.7,0.32])
tolerance = 0.1 ## Total Difference
np.allclose(a,b,tolerance)
---------
False
tolerance = 0.5
np.allclose(a,b,tolerance)
----------
True40、equal
它比拟两个数组的每个元素，如果元素匹配就返回 True。
np.equal(arr1,arr2)
-------------
array([True, True, True, False, True, True])反复的数组元素
repeat
它用于反复数组中的元素 n 次。
A: 反复的元素
Repeats: 反复的次数。
np.repeat('2017',3)
---------------------
array(['2017', '2017', '2017'], dtype='<U4')让咱们来看一个更理论的示例，咱们有一个蕴含按年数量销售的数据集。
fruits = pd.DataFrame([['Mango',40],
['Apple',90],
['Banana',130]
],columns=['Product','ContainerSales'])
fruits
在数据集中，短少年份列。咱们尝试应用 numpy 增加它。
fruits['year'] = np.repeat(2020,fruits.shape[0])
fruits
41、tile
通过反复 A，rep 次来结构一个数组。
np.tile("Ram",5)
-------
array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='<U3')
np.tile(3,(2,3))
-------
array([[3, 3, 3],
[3, 3, 3]])爱因斯坦求和
42、einsum
此函数用于计算数组上的多维和线性代数运算。
a = np.arange(1,10).reshape(3,3)
b = np.arange(21,30).reshape(3,3)
np.einsum('ii->i',a)
------------
array([1, 5, 9])
np.einsum('ji',a)
------------
array([[1, 4, 7],
[2, 5, 8],
[3, 6, 9]])
np.einsum('ij,jk',a,b)
------------
array([[150, 156, 162],
[366, 381, 396],
[582, 606, 630]])
p.einsum('ii',a)
----------
15统计分析
43、直方图
这是 Numpy 的重要统计分析函数，可计算一组数据的直方图值。
A = np.array([[3, 4, 5, 2],
[6, 7, 2, 6]])
np.histogram(A)
-------------------
(array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1], dtype=int64),
array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7.]))44、百分位数
沿指定轴计算数据的 Q -T- T 百分位数。
a: 输出。
q: 要计算的百分位。
overwrite_input: 如果为 true，则容许输出数组批改两头计算以节俭内存。
a = np.array([[2, 4, 6], [4, 8, 12]])
np.percentile(a, 50)
-----------
5.0
np.percentile(a, 10)
------------
3.0
arr = np.array([2,3,4,1,6,7])
np.percentile(a,5)
------------
2.545、标准偏差和方差
std 和 var 是 NumPy 的两个函数，用于计算沿轴的标准偏差和方差。
a = np.array([[2, 4, 6], [4, 8, 12]])
np.std(a,axis=1)
--------
array([1.63299316, 3.26598632])
np.std(a,axis=0) ## Column Wise
--------
array([1., 2., 3.])
np.var(a,axis=1)
-------------------
array([2.66666667, 10.66666667])
np.var(a,axis=0)
-------------------
array([1., 4., 9.])
数组打印
46、显示带有两个十进制值的浮点数
np.set_printoptions(precision=2)
a = np.array([12.23456,32.34535])
print(a)
------------
array([12.23,32.34])47、设置打印数组最大值
np.set_printoptions(threshold=np.inf)48、减少一行中元素的数量
np.set_printoptions(linewidth=100) ## 默认是 75保留和加载数据
49、保留
savetxt 用于在文本文件中保留数组的内容。
arr = np.linspace(10,100,500).reshape(25,20)
np.savetxt('array.txt',arr)50、加载
用于从文本文件加载数组，它以文件名作为参数。
np.loadtxt('array.txt')以上就是 50 个 numpy 罕用的函数，心愿对你有所帮忙。
https://avoid.overfit.cn/post/f47bb7762ccb41189baff5fe6a10403a
作者：Abhay Parashar
