python数据分析：Numpy（2）

本文已参与「新人创作礼」活动，一起开启掘金创作之路。

一，Numpy的索引以及切片

1. 一维数组索引及切片

   ar = np.arange(20)
   print(ar)
   print(ar[0])
   print(ar[0:2])
   

   [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
   0
   [0 1]
   

2. 二维数组索引及切片

   ar = np.arange(20)
   print(ar)
   print(ar[0])
   print(ar[0:2])
   print("-----------")
   ar = np.arange(16).reshape(4, 4)
   print(ar)
   print("-----------")
   print(ar[0])        # 得到ar中的第一行，是一个一维数组
   print(ar[0][0])     # 在一维数组中取值
   print(ar[0:2])      # 得到ar中第1,2行的元素，是一个二维数组
   print(ar[2, 0])     # 得到ar中第3行第1的元素，同ar[2][0]
   print(ar[:2, 0:2])  # 得到ar中第1,2行，第1,2列的元素，是一个二维数组
   

   [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
   0
   [0 1]
   -----------
   [[ 0  1  2  3]
    [ 4  5  6  7]
    [ 8  9 10 11]
    [12 13 14 15]]
   -----------
   [0 1 2 3]
   0
   [[0 1 2 3]
    [4 5 6 7]]
   8
   [[0 1]
    [4 5]]
   

3. 三维数组索引及切片

   ar = np.arange(8).reshape(2, 2, 2)
   print(ar)           # 得到三维数组
   print("-----------")
   print(ar[0])        # 得到二维数组
   print("-----------")
   print(ar[0][0])     # 得到一维维数组
   print("-----------")
   print(ar[0][0][0])  # 一维数组切片取值
   

   [[[0 1]
     [2 3]]
   
    [[4 5]
     [6 7]]]
   -----------
   [[0 1]
    [2 3]]
   -----------
   [0 1]
   -----------
   0
   

4. 布尔型索引及切片

ar = np.arange(12).reshape(3, 4)
i = np.array([True, False, True])
j = np.array([True, True, False, False])
print(ar)
print("----------------")
print((ar[i, :]))			# 这里会根据i这个布尔型的矩阵去筛选行([i, :] = [i])
print("----------------")
print(ar[:, j])				# 这里会根据j这个布尔型的矩阵去筛选列
print("----------------")

m = ar > 5   # 生成一个判断矩阵
print(m)
print(ar[m])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
----------------
[[ 0  1  2  3]
 [ 8  9 10 11]]
----------------
[[0 1]
 [4 5]
 [8 9]]
----------------
[[False False False False]
 [False False  True  True]
 [ True  True  True  True]]
[ 6  7  8  9 10 11]

二，Numpy随机数

numpy.random包含多种概率分布的随机样本，是数据分析辅助的重点工具之一

1. normal()生成一个标准正太分布的4*4样本值

   print(np.random.normal(size=(4, 4)))
   

   [[-0.75805306 -1.10550994  0.58563116  0.69159232]
    [-0.79607061 -0.62674703  0.50510922  0.02851873]
    [-1.67733194 -0.14344304 -1.1073622   0.59621208]
    [-0.08384931  2.23586403  0.32801917  2.13216881]]
   

2. rand(d0, d1, ..., dn)：生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布

   a = np.random.rand()
   print(a)                       # 生成一个[0,1)之间的浮点数
   
   print(np.random.rand(4))       # 生成一个一维的随机浮点数组
   print(np.random.rand(4)*100)   # 生成0~100之间的随机浮点数组
   print("------------")
   print(np.random.rand(4, 4))    # 生成一个二维的4*4的随机浮点数组
   
   data1 = np.random.rand(5000)
   data2 = np.random.rand(5000)
   
   import matplotlib.pyplot as plt
   %matplotlib inline
   plt.scatter(data1, data2)		# 均匀分布图
   

   0.43316183351219784
   [0.67844824 0.72220204 0.61572637 0.83903573]
   [24.41916074 33.48807894 95.66911823 37.33989376]
   ------------
   [[0.86914038 0.51305665 0.72220719 0.30997817]
    [0.16340544 0.62289361 0.63996127 0.01620125]
    [0.94574311 0.64496598 0.33538176 0.35390014]
    [0.27094295 0.87964819 0.17391197 0.6599391 ]]
   

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E5QayFCO-1667954586220)(D:\python\python思维导图和笔记\数据分析\三，Numpy\笔记辅图\1.png)]

3. randn(d0, d1, ..., dn)：生成一个浮点数或N维浮点数组 —— 正态分布

   import matplotlib.pyplot as plt
   %matplotlib inline
   
   data3 = np.random.randn(5000)
   data4 = np.random.randn(5000)
   
   plt.scatter(data3, data4)
   

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4jBzt63e-1667954586222)(D:\python\python思维导图和笔记\数据分析\三，Numpy\笔记辅图\2.png)]

4. randint(low, high=None, size=None, dtype='l')：生成一个整数或N维整数数组，若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数，且high必须大于low，dtype参数：只能是int类型

   print(np.random.randint(2))
   # 生成一个[0, 2)之间的整数
   
   print(np.random.randint(2, 10))
   # 生成一个[2, 10)之间的整数
   
   print(np.random.randint(2, 10, 10))
   # 生成一个[2, 10)之间，一共10个元素的一维数组
   
   print(np.random.randint(2, 50, (4, 4)))
   # 生成一个[2, 10)之间，4*4个元素的二维数组
   

   1
   5
   [3 9 4 5 5 2 5 7 4 9]
   [[20 46 21 47]
    [10 12 46 34]
    [11 16 49 45]
    [49 29  4 13]]
   

三，Numpy数据的输入输出

1. .npy文件

   # 写入
       ar = np.random.rand(5,5)
       np.save('arraydata.npy', ar)
   # 也可以直接 np.save('C:/Users/Hjx/Desktop/arraydata.npy', ar)
   
   # 读取
       ar_load =np.load('arraydata.npy')
       print(ar_load)
   # 也可以直接 np.load('C:/Users/Hjx/Desktop/arraydata.npy')
   

2. .txt文件

   # 存入
   ar = np.random.rand(5,5)
   np.savetxt('array.txt',ar, delimiter=',')
   # np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# ')：存储为文本txt文件
   
   # 读写
   ar_loadtxt = np.loadtxt('array.txt', delimiter=',')
   print(ar_loadtxt)
   # 也可以直接 np.loadtxt('C:/Users/Hjx/Desktop/array.txt')
   

3. np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# ')：存储为文本txt文件