感谢关注天善智能，走好数据之路↑↑↑
欢迎关注天善智能hellobi.com，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学院、问答、找工作，一站式搞定！
对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。
前面我们算是简单入门了Pandas，numpy也是数据分析中常用的，这里我们也来简单学习下。
1.numpy基本介绍
numpy是Python的一种开源数值计算扩展，这种工具可以用来存储和处理大型矩阵。一个用Python实现的科学计算包。（--百度百科）
numpy有2种基本对象，
ndarray（N-dimensional array object）和 ufunc（universal functionobject）
ndarray是存储单一数据类型的多维数组，ufunc是能够对数组进行处理的函数。
2.ndarray
我们先来看看这个数组
首先，我们得引入numpy
import numpy as np 2.1 创建
数组初始化的话有很多方式：Array creation routines
我们可以直接使用list来初始化，array有很多的属性，比如大小，维度，元素个数
import numpy as np a = np. array([ 1, 2, 3]) b = np. array([ 4, 5, 6]) c = np. array([[ 1, 2, 3],[4, 5, 6],[ 7, 8, 9]]) print(a,type(a), ',shape:',a.shape, ',ndim:',a.ndim, ',size:',a.size)print(b,type(b), ',shape:',b.shape, ',ndim:',b.ndim, ',size:',b.size) print(c,type(c),',shape:',c.shape, ',ndim:',c.ndim, ',size:',c.size)
这里呢，我们定义了一维数组和二维数组，比如c，是3行3列的2维数组，元素个数是9个
numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
这里，我们再说下这个shape，这个属性可以修改
#原来是4行3列 c = np. array([[ 1, 2, 3],[ 4, 5, 6],[ 7, 8, 9],[ 0, 0, 7]]) print(c) #我们改为3行4列 c.shape=( 3, 4) print(c) #改为2行6列 c.shape=( 2, 6) print(c)
这里需要注意下，如果某个轴的元素为-1，将根据数组元素的个数，自动计算长度
c.shape=( 1,- 1) print(c) c.shape=(- 1, 1) print(c)
这里的shape是改变原来的数组，另一个method，可以创建一个改变shape的新数组，而原数组保持不变
c = np.array([[1,2,3],[4,5,6],[7,8,9],[ 0,0,7]])print('c:',c)d = c.reshape(2,6)print('c:',c)print('d:',d)
这里要注意的是，c和d共享内存数据存储内存区域，c变了，d也会变
print(c[ 0]) #修改c[0] c[ 0]=[- 9,- 8,- 3] print( 'c:',c) print( 'd:',d)
我们可以通过dtype来获取元素的类型，我们可以在初始化的时候，指定dtype
c = np. array([ 1, 2, 3]) print(c.dtype) #int32 d = np. array([ 1.1, 3.3]) print(d.dtype) #float64
下面，我们来看看常用的初始化方法
arange
通过指定开始值，结束值和步长来创建一维数组，这里不包过终值
arange([start,] stop[, step,], dtype=None) np.arange( 3) Out[ 51]: array([ 0, 1, 2]) np.arange( 1, 10, 3) Out[ 52]: array([ 1, 4, 7])
linspace
通过指定开始值，终值和元素个数，来创建数组，这里包括终值
np.linspace( 1, 10, 5) Out[ 53]: array([ 1. , 3.25, 5.5 , 7.75, 10. ]) np.linspace( 1, 2, 3) Out[54]: array([ 1. , 1.5, 2. ]) 2.2 存取元素
这里直接粘贴一个例子，原始教程在这：http://old.sebug.net/paper/books/scipydoc/numpy_intro.html
>>> a = np.arange( 10) >>> a[ 5] # 用整数作为下标可以获取数组中的某个元素5 >>> a[ 3:5] # 用范围作为下标获取数组的一个切片，包括a[3]不包括a[5]array([ 3, 4]) >>> a[: 5] # 省略开始下标，表示从a[0]开始array([ 0, 1, 2, 3, 4]) >>> a[:- 1] # 下标可以使用负数，表示从数组后往前数array([ 0, 1, 2, 3, 4, 5, 6, 7, 8]) >>> a[ 2: 4] = 100, 101# 下标还可以用来修改元素的值 >>> aarray([ 0, 1, 100, 101, 4, 5, 6, 7, 8, 9])>>> a[1:-1:2] # 范围中的第三个参数表示步长，2表示隔一个元素取一个元素array([ 1, 101, 5, 7])>>> a[::-1] # 省略范围的开始下标和结束下标，步长为-1，整个数组头尾颠倒array([ 9, 8, 7, 6, 5, 4, 101, 100, 1, 0])>>> a[5:1:-2] # 步长为负数时，开始下标必须大于结束下标array([ 5, 101])
这是基本的获取方式，还有些高级的方法
使用整数序列
这里简单来2个练习，原文例子很多，就是通过下标来筛选数据
a = np.arange(- 5, 5, 1) a Out[ 68]: array([- 5, - 4, - 3, - 2, - 1, 0, 1, 2, 3, 4]) a[[ 1, 3, 5]] Out[69]: array([- 4, - 2, 0])
使用布尔数组
按照传入的布尔数组，只有为True的才返回
a=np. array([- 3, 1, 5]) a Out[ 72]: array([- 3, 1, 5]) a[[False,True,False]] Out[ 73]: array([ 1]) a[[True,False,True]] Out[ 74]: array([- 3, 5]) 3.附录（参考资料）
文档：https://docs.scipy.org/doc/numpy-dev/reference/index.html#reference
numpy快速处理数据
天善学院svip包含Excel BI、Python爬虫案例、Python机器学习、Python数据科学家、大数据、数据分析报告、数据分析师体系、深度学习、R语言案例10套课程火爆报名中，欢迎大家关注 www.hellobi.com/svip
————————————————
转载请保留以下内容：
本文来源：天善社区yuguiyang1990老师
原文链接：https://ask.hellobi.com/blog/yuguiyang1990/9124
天善学院svip正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名！详情可见：https://www.hellobi.com/svip