1.Numpy使用场景
- 需要批量处理数据的时候
- 机器学习，人工智能这些需要进行海量数据运算处理的地方
- 写游戏里面的物体运行逻辑时，经常涉及到矩阵、向量运算
- 机器人模拟环境，背后的环境反馈信息，全是靠批量数据算出来的
- 任何需要做统计的时候（爬虫爬完了信息后） 画图表之前，要对数据做一轮批量处理
- Blah blah
2.Numpy安装【Windows】
-
win + r 进入控制面板，输入cmd，回车进入终端
-
用pip安装
在终端输入：pip install numpy回车即可进行安装
如果是Python3.x版本，用pip3 install numpy进行安装检查是否安装成功：
①在终端输入python进入python环境
②输入import numpy，没有错误提示，则表示安装成功。
3. Numpy array
Numpy array的一大优势就是速度快！
import numpy as np
arrayName = np.array([1,2,3]) #numpy的array和list的查询、更新、删除是相同的，#不同的是array存储的数据是相同类型的,按照顺序存储在内存里，操作array的速度更快
print(arrayName, type(arrayName))
print("arrayName[1]=",arrayName[1])
arrayName[1] = 99 #通过下标修改
print("after modified, arrayName[1]=",arrayName[1])运行结果：
4.数据维度
- 创建数据
np.array()
array.ndim：返回数据维度 - 添加数据
np.concatenate()
np.expand_dims() - 合并数据
np.concatenate()
np.vstack() #用于二维数据
np.hstack() - 观察形态
array.size array.shape
5.数据选取
- 单个选取
array[1]
array[1,2,3]
array[1][1]
array[[1,2]] - 切片划分
array[:3]
array[2:4, 1:3] - 条件筛选
array[array<0]
np.where(array, array < 0)
import numpy as np
b = np.array([
[1,2,3,4],
[5,6,7,8],
[9,10,11,12],
[13,14,14,15]])print("b[2]=", b[2]) #查看第二行所有数据（从0列开始）
print("b[2,1]=", b[2,1])#查看第二行第一列的值
#切片，格式：（起始坐标：结束坐标：间隔）左闭右开
print("b[0:4:2]=", b[0:4:2]) #第0行、2行
print("b[0:4:2, 0:2:1]=",b[0:4:2, 0:2:1] ) #第0行、2行，第0列、第2列，逗号表示行列的分隔符#条件筛选array[ condition,]
# np.where(condition,x,y)当满足condition，将此处的值更改为x，否则改为y
condition = b > 6
print("condition =", condition)
print("b[condition]=", b[condition])
print("np.[condition,1]=", np.where(condition,1,b)) #满足条件的替换为1，不满足条件的不替换
运行结果：
6运算
加减乘除
±*/
np.dot()
数据统计分析
np.max() np.min() np.sum() np.prod() np.count()
np.std() np.mean() np.median()
特殊运算符号
np.argmax() np.argmin()
np.ceil() np.floor() np.clip()
import numpy as np
arrayA = np.array([122.2,156.3,723.1])
arrayB = np.array([12,16,1])#加减乘除操作是直接对array的值进行操作，用列表的名字就可以操作
print("+",arrayA + 0.1)
print("-",arrayA - 0.1)
print("*",arrayA * 0.1)
print("/",arrayA / 0.1)#点乘积
print("dot",arrayA.dot(arrayB))
print(arrayB)#最值、求和
print("max", arrayA.max())
print("min", arrayA.min())
print("max_index", arrayA.argmax())
print("min_index", arrayA.argmin())print("sum", arrayA.sum())
#大小
print("size", arrayA.size)
#平均值
print("mean",arrayA.mean())
#标准差
print("std", arrayA.std())
#上下限截取，低于下限的按照下限处理
print("arrayA.clip(100,200)", arrayA.clip(100,200))
运行结果：
7 改变数据形态
- 改变形态
array[np.newaxis, :]
array.reshape()
array.ravel(), array.flatten()
array.transpose() - 合并
np.column_stack(), np.row_stack()
np.vstack(), np.hstack(), np.stack()
np.concatenate() - 拆解
np.vsplit(), np.hsplit(), np.split()
import numpy as np
arrayA = np.array([1,2,3,4,5,6,7,8]).reshape([2,4])#增加维度,np.expand_dims(array,axis ),
#原来的维度（2，4），扩展后：
# axis=0 ———>(1,2,4)
# axis=1 ———>(2,1,4)
# axis=2 ———>(2,4,1)
print(np.expand_dims(arrayA,axis =2).shape) #打印(2，4，1)
print(arrayA.shape)
#reshape
print(arrayA.reshape([2,1,4])) #[层数、行数，列数]
#转置
print(arrayA.shape)
print(arrayA.transpose().shape)
#分割,np.split(array, indices_or_sections, axis)
#indices_or_sections等于整数时，表示均分，是数组时，表示按照print(np.split(arrayA, indices_or_sections =4 , axis=1)) #分割和维数拓展都是np下的函数
print(np.split(arrayA, indices_or_sections =[1,3] , axis=1)) #在 第一列右边、第三列右边切割
运行结果：
