关于数据分析:Python数据分析-Numpy与2维数组操作

作者：韩信子 @ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/33
本文地址：http://www.showmeai.tech/article-detail/143
申明：版权所有，转载请分割平台与作者并注明出处

n 维数组是 NumPy 的外围概念，大部分数据的操作都是基于 n 维数组实现的。本系列内容笼罩到 1 维数组操作、2 维数组操作、3 维数组操作方法，本篇解说 Numpy 与 2 维数组操作。

NumPy 中曾有一个专用的 matrix 类来代表矩阵，起初被弃用，当初 NumPy 中的矩阵和 2 维数组示意同一含意。

矩阵初始化的语法与向量是相似的：

如上要应用双括号，这里的 (3,2) 是第 1 个参数示意矩阵维度，第 2 个地位参数（可选）是为 dtype（也承受整数）保留的。

随机矩阵的生成也与向量相似：

二维数组的索引语法要比嵌套列表更不便：

“view”示意数组切片时并未进行任何复制，在批改数组后，相应更改也将反映在切片中。

在很多矩阵运算操作中，NumPy 能够实现跨行或跨列的操作。为了实用任意维数的数组，NumPy 引入了 axis 的概念。
axis 参数的值实际上就是维度值，如第一个维是 axis=0，第二维是axis=1，依此类推。因而，在 2 维数组中，axis= 0 指列方向，axis=1 指行方向。

除了 +，-，_，/，// 和 *_等数组元素的运算符外，NumPy 提供了 @ 运算符计算矩阵乘积：

相似一维向量中的播送机制，NumPy 同样能够通过播送机制实现向量与矩阵，或两个向量之间的混合运算，如下图所示：

留神，上图最初一个示例是对称的逐元素乘法。应用矩阵乘法 @能够计算非对称线性代数外积，两个矩阵调换地位后计算内积：

在 NumPy 的 2 维数组中，行向量和列向量是被区别对待的。通常 NumPy 会尽可能应用繁多类型的 1 维数组（例如，2 维数组 a 的第 j 列 a[:, j]是 1 维数组）。默认状况下，一维数组在 2 维操作中被视为行向量，因而，将矩阵乘行向量时，应用形态 (n,) 或(1,n)的向量后果统一。有多种办法能够从一维数组中失去列向量，但并不包含 transpose：

应用 reshape 操作增加新的 axis 能够更新数组形态和索引，也能够将 1 维数组转化为 2 维列向量：

其中，- 1 示意在 reshape 是该维度主动决定，方括号中的 None 等同于 np.newaxis，示意在指定地位增加一个空轴。
总结一下，NumPy 中共有三种类型的向量：1 维数组，2 维行向量和 2 维列向量。以下是两两类型转换图：

依据播送规定，一维数组被隐式解释为二维行向量，因而通常不用在这两个数组之间进行转换，对应图中暗影化区域。
严格来说，除一维外的所有数组的大小都是一个向量（如 a.shape == [1,1,1,5,1,1]），因而 NumPy 的输出类型是任意的，但上述三种最为罕用。能够应用 np.reshape 将一维矢量转换为这种模式，应用 np.squeeze 可将其复原。这两个性能都通过 view 发挥作用。

矩阵的拼接有以下两种形式：

图示操作仅实用于矩阵重叠或向量重叠，而一维数组和矩阵的混合重叠只有通过 vstack 才可实现，hstack 会导致维度不匹配谬误。因为前文提到将一维数组作为行向量，而不是列向量。为此，能够将其转换为行向量，或应用专门的 column\_stack 函数执行此操作：

与 stack 对应的是 split，能够对矩阵进行切分解决：

矩阵复制有两种形式：

tile 相似粘贴复制；
repeat 相当于分页打印。

delete 能够删除特定的行或列：

相应插入操作为 insert：

与 hstack 一样，append 函数无奈主动转置 1D 数组，因而须要从新调整向量形态或增加维数，或者应用 column\_stack：

如果仅仅是向数组的边界增加常量值，pad 函数是足够的：

播送机制使得 meshgrids 变得容易。例如须要下图所示（但尺寸大得多）的矩阵：

上述两种办法因为应用了循环，因而都比较慢。MATLAB 通过构建 meshgrid 解决这种问题。

meshgrid 函数承受任意一组索引，通过 mgrid 切片和 indices 索引生成残缺的索引范畴，而后，fromfunction 函数依据 I 和 J 实现运算。
在 NumPy 中有一种更好的办法，无需在内存中存储整个 I 和 J 矩阵（尽管 meshgrid 已足够优良，仅存储对原始向量的援用），仅存储形态矢量，而后通过播送规实现其余内容的解决：

如果没有 indexing =’ij’参数，那么 meshgrid 将更改参数的程序，即 J,I=np.meshgrid(j,i)——一种用于可视化 3D 绘图的“xy”模式（祥见该文档）。
除了在二维或三维网格上初始化函数外，网格还能够用于索引数组：

以上办法在稠密网格中同样实用。

就像 sum 函数，NumPy 提供了矩阵不同轴上的 min/max, argmin/argmax, mean/median/percentile, std/var 等函数。

np.amin等同于 np.min，这样做同样是为了防止from numpy import * 可能的歧义。
2 维及更高维中的 argmin 和 argmax 函数别离返回最小和最大值的索引，通过 unravel\_index 函数能够将其转换为二维坐标：

all 和 any 同样也可作用于特定维度：

尽管在前文中，axis 参数实用于不同函数，但在二维数组排序中影响较小：

咱们通常不须要上述这样的排序矩阵，axis 不是 key 参数的代替。但好在 NumPy 提供了其余性能，这些性能容许按一列或几列进行排序：
1、a[a [:,0] .argsort()]示意按第一列对数组进行排序：

其中，argsort 返回排序后的原始数组的索引数组。
能够重复使用该办法，但千万不要搞混：
a = a[a[:,2].argsort()]
a = a[a[:,1].argsort(kind='stable')]
a = a[a[:,0].argsort(kind='stable')]

2、函数 lexsort 能够像上述这样对所有列进行排序，然而它总是按行执行，并且排序的行是颠倒的（即从下到上），其用法如下：

a[np.lexsort(np.flipud(a[2,5].T))]，首先按第 2 列排序，而后按第 5 列排序；
a[np.lexsort(np.flipud(a.T))]，从左到右顺次排序各列。

其中，flipud 沿高低方向翻转矩阵（沿 axis = 0 方向，与 a [::-1，…]等效，其中…示意“其余所有维度”），留神辨别它与 fliplr，fliplr 用于 1 维数组。

3、sort 函数还有一个 order 参数，但该办法极不敌对，不举荐学习。

4、在 pandas 中排序也是不错的抉择，因为在 pandas 中操作地位确定，可读性好且不易出错：

pd.DataFrame(a).sort_values(by=[2,5]).to_numpy()，先按第 2 列排序，再按第 5 列排序。
pd.DataFrame(a).sort_values().to_numpy()，按从左到右的程序对所有列进行排序。

本教程系列的代码能够在 ShowMeAI 对应的 github 中下载，可本地 python 环境运行，能迷信上网的宝宝也能够间接借助 google colab 一键运行与交互操作学习哦！

NumPy 速查表
Pandas 速查表
Matplotlib 速查表
Seaborn 速查表

NumPy 教程
Python NumPy 教程

数据分析介绍
数据分析思维
数据分析的数学根底
业务认知与数据初探
数据荡涤与预处理
业务剖析与数据挖掘
数据分析工具地图
统计与数据科学计算工具库 Numpy 介绍
Numpy 与 1 维数组操作
Numpy 与 2 维数组操作
Numpy 与高维数组操作
数据分析工具库 Pandas 介绍
图解 Pandas 外围操作函数大全
图解 Pandas 数据变换高级函数
Pandas 数据分组与操作
数据可视化准则与办法
基于 Pandas 的数据可视化
seaborn 工具与数据可视化

图解 Python 编程：从入门到精通系列教程
图解数据分析：从入门到精通系列教程
图解 AI 数学根底：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程

关于数据分析:Python数据分析-Numpy与2维数组操作

一、向量初始化

（1）矩阵初始化

（2）随机矩阵生成

（3）二维数组索引

二、轴参数

三、矩阵运算

四、行向量与列向量

五、矩阵操作

六、Meshgrids 网格

七、矩阵统计

八、矩阵排序

材料与代码下载

本系列教程波及的速查表能够在以下地址下载获取：

拓展参考资料

ShowMeAI 相干文章举荐

ShowMeAI 系列教程举荐