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 npnp.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) : ꜱ

11、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.]])#ꜰ   ꜱ `ꜰ`

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)----------------1

13、max

返回数组中的最大值。

np.max(arr)------------------6

14、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')-------------------------------3

16、medain

返回数组的中位数。

arr = np.array([[1,2,3],[5,8,4]])np.median(arr)-----------------------------3.5

17、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        Valuex < 0     :   00 <= x <1 :   11 <= x <2 :   22 <= x <3 :   33 <=x     :   4Compares -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 4

18、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)--------------------------3

22、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)---------1

argmin将返回数组中min元素的索引。

np.argmin(min)------3

24、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)---------Falsetolerance = 0.5np.allclose(a,b,tolerance)----------True

40、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)-----------5.0np.percentile(a, 10)------------3.0arr = np.array([2,3,4,1,6,7])np.percentile(a,5)------------2.5

45、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