NumPy数值计算基础
nan：不是一个数，0除0，属于float类型
inf：无限，3除0
nan(NAN,Nan): not a number表示不是一个数字
什么时候numpy中会出现nan：
当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)
inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷
什么时候回出现inf包括（-inf，+inf）
比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）
- a=b 完全不复制，a和b相互影响
- a = b[:],视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，
- a = b.copy(),复制，a和b互不影响
1.array创建数组及其属性
import numpy as np
ar=np.array([[1.2,8,5,8],[1,3,5,2],[5,24,7,7]])
print(ar)
print(ar.shape) #数组结构
print(ar.dtype) #数组类型
print(ar.size) #数组元素个数
print(ar.itemsize) #数组每个元素大小
2.其他创建方式
np.arange(0,1,0.1) # 0到1，不包括1，间隔为0.1
np.linspace(0, 1, 12) #0到1生成12个数
np.logspace(0, 2, 20)) #1（102）到100（102）之间，20个等比数列
np.zeros((2,3) #2x3零矩阵
np.eye(3) #单位矩阵
np.diag([1,2,3,4])) #对角阵
np.ones((5,3))) #所有元素都为1
3.数据类型及其转换
np.float64(42) #整型转换为浮点型
np.int8(42.0) #浮点型转换为整型
np.bool(42) #整型转换为布尔型
np.bool(0) #整型转换为布尔型
np.float(True) #布尔型转换为浮点型
np.float(False) #布尔型转换为浮点型
#创建一个餐饮数据库
import numpy as np
df = np.dtype([("name", np.str_, 40), ("numitems", np.int64),
("price",np.float64)])#创建数据类型
its=np.array([("tomato",42,5.4),("potato",50,6.6)])#定义数组数据
print('数据类型为：',df["name"])
print('数据类型为：',np.dtype(df["name"]))
print('自定义数据为：',its)
4.生成随机数
np.random.random(100)
np.random.rand(10,5) #均匀分布的随机数
np.random.randn(10,5)) #正态分布的随机数
np.random.randint(2,10,size =[2,5]))#不小于2，不大于10的2行5列数组
5.数组的索引和切片
import numpy as np
a=np.arange(12).reshape(3,4)
print(a[[0,2],[1,3]])#取相应位置的四个元素
print(a[0:2,1:3])#取行和列的元素
a[a<4]=2 #布尔运算
a[a>5]=0
np.where(a<5,0,1) #三元运算符
b=a.clip(2,3)#小于1的替换为10，大于1的替换为了18
print(a)
print(b)
一维数组
arr[5] #用整数作为下标可以获取数组中的某个元素
arr[3:5] #用范围作为下标获取数组的一个切片，包括arr[3]不包括arr[5]
arr[:5] #省略开始下标，表示从arr[0]开始
arr[-1] #下标可以使用负数，-1表示从数组后往前数的第一个元素
arr[1:-1:2] #第三个参数表示步长，2表示隔一个元素取一个元素，第2,4,…后1
数组值修改
arr[2:4] = 100,101 #下标还可以用来修改元素的值
多维数组3X5
arr[0,3:5] #索引第0行中第3和第4列的元素
arr[2:] #取第3行之后的所有行
arr[[0,2,3]] #取第0,2,3行数据
arr[1:,2:] #索引第2和第3行中第3列、第4列和第5列的元素
arr[:,2] #索引第2列的元素
print(a[[0,2],[1,3]])
print(a[0:2,1:3])
arr[1:,(0,2,3)] #索引第2、3行中第0、2、3列的元素
#mask是一个布尔数组，它索引第1、3行中第2列的元素
mask = np.array([1,0,1],dtype = np.bool)
print('索引结果为：',arr[mask,2])
6.改变数组形态
arr.reshape(3,4) #设置数组的形状
arr.reshape(3,4).ndim) #查看数组维度
np.arange(12).reshape(3,4) #改变一维数组的形状
arr.ravel() #数组展平
arr.flatten() #横向展平 a=np.arange(12).reshape(12,)
arr.flatten('F') #纵向展平
np.hstack((arr1,arr2)) #hstack函数横向组合
np.vstack((arr1,arr2)) #vstack函数纵向组合
np.concatenate((arr1,arr2),axis = 1) #concatenate函数横向组合
np.concatenate((arr1,arr2),axis = 0) #concatenate函数纵向组合
np.hsplit(arr, 2) #hsplit函数横向分割
np.vsplit(arr, 2) #vsplit函数纵向分割
np.split(arr, 2, axis=1) #split函数横向分割
np.split(arr, 2, axis=0) #split函数纵向分割
t[[1,2],:]=t[[2,1],:] #行交换
t[:,[0,2]]=t[:,[2,0]] #列交换
【案例】两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办
#两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办
import numpy as np #导入NumPy库
import matplotlib.pyplot as plt
us_file_path="./US_video_data_numbers.csv"
gb_file_path="./GB_video_data_numbers.csv"
#加载国家数据
us_data=np.loadtxt(us_file_path,dtype=int,delimiter=",",skiprows=0,usecols=None,unpack=False)
gb_data=np.loadtxt(gb_file_path,dtype=int,delimiter=",",skiprows=0,usecols=None,unpack=False)
#添加国家信息
#构造全为0的数据
zeros_data=np.zeros((us_data.shape[0],1)).astype(int)
ones_data=np.ones((gb_data.shape[0],1)).astype(int)
#拼接两组数据
us=np.hstack((us_data,zeros_data))
gb=np.hstack((gb_data,ones_data))
data=np.vstack((us,gb))
print(data)
7.创建numpy矩阵
M1=np.mat("1 2 3;4 5 6;7 8 9") #使用分号隔开数据
M2=np.matrix([[1,2,3],[4,5,6],[7,8,9]]) #使用matrix创建矩阵
M3=np.bmat("M1,M2") #使用bmat创建矩阵
8.矩阵运算
matr1+matr2 #矩阵相加
matr1-matr2 #矩阵相减
matr1*matr2 #矩阵相乘
np.multiply(matr1,matr2)) #对应元素相乘
matr1.T #转置
matr1.H #共轭转置（实数的共轭就是其本身）
matr1.I #逆矩阵
matr1.A #返回二维数组的视图
9.ufunc函数
不同形状的数组之间执行算术运算具有广播机制：
x = np.array([1,2,3])
y = np.array([4,2,6])
x + y #数组相加
x - y #数组相减
x * y #数组相乘
x / y #数组相除
x ** y #数组幂运算：1,4,729
x < y #[ True False False]
x > y；x == y；x >= y；x <= y；x != y
np.all(x == y)) #np.all()表示逻辑and：True
np.any(x == y)) #np.any()表示逻辑or ：False
10.利用numpy进行统计分析
(1) 二进制数据存储
np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
import numpy as np #导入NumPy库
arr = np.arange(100).reshape(10,10) #创建一个数组
np.save("F:/python/save_arr",arr) #保存数组np.save("save_arr.npy",arr)
print('保存的数组为：\n',arr)
二进制文件
np.save("F:/python/save_arr",arr) #单个数组存储
np.savez('../savez_arr',arr1,arr2) #多个数组存储
np.load("../tmp/save_arr.npy") #读取含有单个数组的文件
np.load("../tmp/savez_arr.npz") #读取含有多个数组的文件
print('读取的数组1为：',loaded_data1['arr_0'])
print('读取的数组2为：',loaded_data1['arr_1'])
文本文件
arr = np.arange(0,12,0.5).reshape(4,-1)
print('创建的数组为：',arr)
#fmt ="%d"为指定保存为整数
np.savetxt("../tmp/arr.txt", arr, fmt="%d", delimiter=",")
#读入的时候也需要指定逗号分隔
loaded_data = np.loadtxt("../tmp/arr.txt",delimiter=",")
print('读取的数组为：',loaded_data)
loaded_data = np.genfromtxt("../tmp/arr.txt", delimiter = ",")
print('读取的数组为：',loaded_data)
(2) 统计分析
1) 排序Sort，Argsort，lexsort
Sort
np.random.seed(42) #设置随机种子
arr = np.random.randint(1,10,size = 10) #生成随机数
arr.sort() #直接排序
arr = np.random.randint(1,10,size = (3,3)) #生成3行3列的随机数
arr.sort(axis = 1) #沿着横轴排序
arr.sort(axis = 0) #沿着纵轴排序
Argsort
print('排序后数组为：',arr.argsort()) #返回值为重新排序值的下标
lexsort
a = np.array([3,2,6,4,5])
b = np.array([50,30,40,20,10])
c = np.array([400,300,600,100,200])
d = np.lexsort((a,b,c)) #lexsort函数只接受一个参数，即（a,b,c）
#多个键值排序是按照最后一个传入数据计算的
print('排序后数组为：',list(zip(a[d],b[d],c[d])))
2) 去重unique与重复数据
去重
names = np.array(['小明', '小黄', '小花', '小明',
'小花', '小兰', '小白'])
print('创建的数组为：',names)
print('去重后的数组为：',np.unique(names))
重复
np.tile(arr,3) #对数组进行重复
arr.repeat(2, axis = 0) #按行进行元素重复
arr.repeat(2, axis = 1) #按列进行元素重复
3) 统计函数
np.sum(arr) #计算数组的和
arr.sum(axis = 0) #沿着横轴计算求和
arr.sum(axis = 1) #沿着纵轴计算求和
np.mean(arr) #计算数组均值
arr.mean(axis = 0) #沿着横轴计算数组均值
arr.mean(axis = 1) #沿着纵轴计算数组均值
np.std(arr) #计算数组标准差
np.var(arr) #计算数组方差
np.min(arr) #计算数组最小值
np.max(arr) #计算数组最大值
np.ptp(arr) #极值，最大减去最小
np.argmin(arr) #返回数组最小元素的索引
np.argmax(arr) #返回数组最大元素的索引
np.cumsum(arr) #计算所有元素的累计和
np.cumprod(arr) #计算所有元素的累计积
默认返回多维数组的全部的统计结果,如果指定axis则返回一个当前轴上的结果；
获取最大值最小值的位置
np.argmax(t,axis=0)
np.argmin(t,axis=1)
