《利用Python 进行数据分析》 - 笔记(2)

发布日期：2021-06-30 19:50:03 浏览次数：2 分类：技术文章

本文共 19559 字，大约阅读时间需要 65 分钟。

问题导读：

1.NumPy 的 ndarray：一种多维数数组对象
2.通用函数 - 快速的元素级数组函数
3.利用数组进行数据分析
4.用于数组的文件输入输出
5.线性代数
6.随机数生成

解决方案：

NumPy 的 ndarray：

（1）简介：

ndarray是numpy 的一个N维数组对象，该对象是一个快速而灵活的大数据集容器。我们可以利用这个数据结构对整块数据执行一些数学运算，

In [13]: data = np.random.rand(2,3)In [14]: dataOut[14]: array([[ 0.37049662,  0.29125076,  0.62865859],       [ 0.52419945,  0.68931012,  0.20101274]])In [15]: data * 10Out[15]: array([[ 3.70496616,  2.91250765,  6.2865859 ],       [ 5.24199448,  6.89310123,  2.01012736]])

ndarray是一个通用的

同构数据多维容器，其中的所有

元素必须是相同类型的。每个数组都有一个

shape（表示各维度大小的元组）和一个

dtype（一个用于说明数组数据类型的对象）。

In [16]: data.shapeOut[16]: (2, 3)In [17]: data.dtypeOut[17]: dtype('float64')

（2）创建ndarray

使用array 函数。它可以接受一切序列型的对象（包括其他数组），然后产生一个ndarray数组，

In [18]: data1 = [2,2.5,10,0,7]In [19]: arr1 = np.array(data1)In [20]: arr1Out[20]: array([  2. ,   2.5,  10. ,   0. ,   7. ])In [21]: data2 = [[1,1,1],[2,2,2],[3,3,3]]In [22]: arr2 = np.array(data2)In [23]: arr2Out[23]: array([[1, 1, 1],       [2, 2, 2],       [3, 3, 3]])

除非显示的说明否则np.array 会尝试为新建的这个数组推断出一个较位合适的数据类型保存在dtype 对象中，

In [33]: arr1.shapeOut[33]: (5,)In [34]: arr1.shapeOut[34]: (5,)In [35]: arr1.dtypeOut[35]: dtype('float64')In [36]: arr1.ndimOut[36]: 1In [37]: arr2.shapeOut[37]: (3, 3)In [38]: arr2.dtypeOut[38]: dtype('int64')In [39]: arr2.ndimOut[39]: 2

zeros 可以创建全0数组

ones 可以创建全1数组

empty 可以创建一个没有任何具体值的数组（未初始化的垃圾值）

我们只需要传入一个表示形状的元组即可，

In [40]: np.zeros(10)Out[40]: array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])In [41]: np.zeros((3,2))Out[41]: array([[ 0.,  0.],       [ 0.,  0.],       [ 0.,  0.]])In [42]: np.ones((2,3))Out[42]: array([[ 1.,  1.,  1.],       [ 1.,  1.,  1.]])In [43]: np.empty((1,1,1))Out[43]: array([[[  6.90576859e-310]]])

arange 相当于内置的range，但返回的是一个ndarray 而不是列表

In [54]: arange(1,10)Out[54]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

（3）ndarray 的数据类型

在创建时声明

In [57]: arr1 = np.array([1,2,3],dtype=np.float64)In [58]: arr2 = np.array([1,2,3],dtype=np.string_)In [59]: arr1.dtypeOut[59]: dtype('float64')In [60]: arr2.dtypeOut[60]: dtype('S1')In [61]: arr2Out[61]: array(['1', '2', '3'],       dtype='|S1')

NumPy 数据类型：

object O Python对象类型

string_ S 固定长度的字符串类型

通过ndarray 的 astype 方法显示地转换其dtype

In [63]: int_arr = np.array([1,2,3,4,])In [64]: int_arr.dtypeOut[64]: dtype('int64')In [65]: float_arr = int_arr.astype(np.float64)In [66]: float_arr.dtypeOut[66]: dtype('float64')In [67]: float_arrOut[67]: array([ 1.,  2.,  3.,  4.])In [68]: int_arrOut[68]: array([1, 2, 3, 4])

浮点型转换成整型将折断小数点；在转换过程中因为某种原因而失败了，就会引发一个TypeError

In [75]: float_arr = np.array([1.111,2.222,3.333])In [76]: float_arrOut[76]: array([ 1.111,  2.222,  3.333])In [77]: int_arr = float_arr.astype(np.int32)In [78]: int_arrOut[78]: array([1, 2, 3], dtype=int32)

astype无论如何都会创建出一个新的数组，即使新dtype 与原来的 dtype 相同也是如此

In [79]: int_arr.astype(float_arr.dtype)Out[79]: array([ 1.,  2.,  3.])In [80]: float_arr.astype(int_arr.dtype)Out[80]: array([1, 2, 3], dtype=int32)

（4）数组与标量之间的运算

我们不需要编写循环即可对数据执行批量操作，这样通常叫做矢量化，大小相等的数组之间的任何算数运算都会将运算应用到元素级，

In [24]: arrOut[24]: array([[ 1.,  2.,  3.],       [ 4.,  5.,  6.]])In [25]: arr + arrOut[25]: array([[  2.,   4.,   6.],       [  8.,  10.,  12.]])In [26]: arr / arrOut[26]: array([[ 1.,  1.,  1.],       [ 1.,  1.,  1.]])In [27]: 1/arrOut[27]: array([[ 1.        ,  0.5       ,  0.33333333],       [ 0.25      ,  0.2       ,  0.16666667]])In [28]: arr ** 0.5Out[28]: array([[ 1.        ,  1.41421356,  1.73205081],       [ 2.        ,  2.23606798,  2.44948974]])

不同大小的数组之间的运算叫做广播，之后会介绍。

（5）基本的索引和切片

当标准值赋值给一个切片时，该值会自动传播（广播）到整个选区。跟列表的最重要的区别在于，数组切片是原始数组的视图。

In [29]: arr = np.arange(10)In [30]: arrOut[30]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [31]: arr[5]Out[31]: 5In [32]: arr[5:8]Out[32]: array([5, 6, 7])In [33]: arr[:-3] = 0In [34]: arrOut[34]: array([0, 0, 0, 0, 0, 0, 0, 7, 8, 9])In [35]: arr = range(1,10)In [36]: arrOut[36]: [1, 2, 3, 4, 5, 6, 7, 8, 9]In [37]: arr.dtype---------------------------------------------------------------------------AttributeError                            Traceback (most recent call last)
   
     in 
    
     ()----> 1 arr.dtypeAttributeError: 'list' object has no attribute 'dtype'In [38]: arrOut[38]: [1, 2, 3, 4, 5, 6, 7, 8, 9]In [39]: arr[3:5]Out[39]: [4, 5]In [40]: arr[3:5] = 0---------------------------------------------------------------------------TypeError                                 Traceback (most recent call last)
     
       in 
      
       ()----> 1 arr[3:5] = 0TypeError: can only assign an iterable

数组切片是原始数组的视图，数据不会被复制，视图上的任何修改都会直接映射到原数组上，

In [59]: arrOut[59]: array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])In [60]: arr_slice = arr[5:8]In [61]: arr_sliceOut[61]: array([12, 12, 12])In [62]: arr_slice[1] = 10010In [63]: arrOut[63]: array([    0,     1,     2,     3,     4,    12, 10010,    12,     8,     9])In [64]: arr_slice[:] = 10086In [65]: arrOut[65]: array([    0,     1,     2,     3,     4, 10086, 10086, 10086,     8,

如想得到的是ndarray切片的一份副本而非视图，就要显试的复制操作，

In [70]: arr[5:8].copy()Out[70]: array([10086, 10086, 10086])

高维数组，

In [74]: arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])In [75]: arr2dOut[75]: array([[1, 2, 3],       [4, 5, 6],       [7, 8, 9]])In [76]: arr2d[2]Out[76]: array([7, 8, 9])In [77]: arr2d[0][2]Out[77]: 3In [78]: arr2d[0,2]Out[78]: 3

切片索引，

In [79]: arr2dOut[79]: array([[1, 2, 3],       [4, 5, 6],       [7, 8, 9]])In [80]: arr2d[:2,1:]Out[80]: array([[2, 3],       [5, 6]])In [81]: arr2d[:,:1]Out[81]: array([[1],       [4],       [7]])

（6）布尔型索引

In [83]: names = np.array(['a','b','c','d','e'])In [84]: data = randn(5,3)In [85]: namesOut[85]: array(['a', 'b', 'c', 'd', 'e'],       dtype='|S1')In [86]: dataOut[86]: array([[-0.11552192, -1.02001624, -2.41543696],       [-0.71050235, -1.05874464, -0.44239117],       [ 0.75511336,  1.5671725 ,  0.26329833],       [-1.18434069, -0.4040645 ,  0.20707161],       [-0.1109921 ,  0.77768241, -0.74954289]])In [87]: data[names == 'b']Out[87]: array([[-0.71050235, -1.05874464, -0.44239117]])In [88]: data[names == 'b',2]Out[88]: array([-0.44239117])In [90]: data[names != 'b',2]Out[90]: array([-2.41543696,  0.26329833,  0.20707161, -0.74954289])

综合应用多个布尔条件。

In [97]: data[(names != 'b') & (names != 'c')]Out[97]: array([[-0.11552192, -1.02001624, -2.41543696],       [-1.18434069, -0.4040645 ,  0.20707161],       [-0.1109921 ,  0.77768241, -0.74954289]])In [98]: data[(names != 'b') | (names != 'c')]Out[98]: array([[-0.11552192, -1.02001624, -2.41543696],       [-0.71050235, -1.05874464, -0.44239117],       [ 0.75511336,  1.5671725 ,  0.26329833],       [-1.18434069, -0.4040645 ,  0.20707161],       [-0.1109921 ,  0.77768241, -0.74954289]])In [99]: dataOut[99]: array([[-0.11552192, -1.02001624, -2.41543696],       [-0.71050235, -1.05874464, -0.44239117],       [ 0.75511336,  1.5671725 ,  0.26329833],       [-1.18434069, -0.4040645 ,  0.20707161],       [-0.1109921 ,  0.77768241, -0.74954289]])

（7）花式索引

利用整数数组去索引，

In [110]: arr = np.empty((8,4))In [111]: for i in range(8):    arr[i] = i   .....:     In [112]: arr[[4,0,3,7]]Out[112]: array([[ 4.,  4.,  4.,  4.],       [ 0.,  0.,  0.,  0.],       [ 3.,  3.,  3.,  3.],       [ 7.,  7.,  7.,  7.]])In [113]: arr = np.arange(16).reshape((4,4))In [114]: arrOut[114]: array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11],       [12, 13, 14, 15]])In [115]: arr[[1,0,2],[2,0,1]]Out[115]: array([6, 0, 9])

花式索引和切片不一样，它总是将数据复制到新数组中。

In [116]: arr[[1,0,2]][:,[2,0,1]]Out[116]: array([[ 6,  4,  5],       [ 2,  0,  1],       [10,  8,  9]])In [118]: arr[np.ix_([1,0,2],[2,0,1])]Out[118]: array([[ 6,  4,  5],       [ 2,  0,  1],       [10,  8,  9]])In [119]: np.ix_([1,0,2],[2,0,1])Out[119]: (array([[1],       [0],       [2]]), array([[2, 0, 1]]))

（8）数组转置和轴对换

In [121]: arrOut[121]: array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])In [122]: arr.TOut[122]: array([[ 0,  4,  8],       [ 1,  5,  9],       [ 2,  6, 10],       [ 3,  7, 11]])In [123]: np.dot(arr.T,arr)Out[123]: array([[ 80,  92, 104, 116],       [ 92, 107, 122, 137],       [104, 122, 140, 158],       [116, 137, 158, 179]])

transpose 需要得到一个由轴编号组成的元组才能对这些轴进行转置，

In [124]: arr = np.arange(16).reshape((2,2,4))In [125]: arrOut[125]: array([[[ 0,  1,  2,  3],        [ 4,  5,  6,  7]],       [[ 8,  9, 10, 11],        [12, 13, 14, 15]]])In [126]: arr.transpose((1,0,2))Out[126]: array([[[ 0,  1,  2,  3],        [ 8,  9, 10, 11]],       [[ 4,  5,  6,  7],        [12, 13, 14, 15]]])In [127]: arr.swapaxes(0,1)Out[127]: array([[[ 0,  1,  2,  3],        [ 8,  9, 10, 11]],       [[ 4,  5,  6,  7],        [12, 13, 14, 15]]])

两个函数都是返回原数据的视图，不会进行任何复制操作。

通用函数的介绍：

这些函数都是元素级的函数，使用矢量化包装器。

一元函数

In [2]: arr = np.arange(10)In [3]: arrOut[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [4]: np.sqrt(arr)Out[4]: array([ 0.        ,  1.        ,  1.41421356,  1.73205081,  2.        ,        2.23606798,  2.44948974,  2.64575131,  2.82842712,  3.        ])In [5]: np.exp(arr)Out[5]: array([  1.00000000e+00,   2.71828183e+00,   7.38905610e+00,         2.00855369e+01,   5.45981500e+01,   1.48413159e+02,         4.03428793e+02,   1.09663316e+03,   2.98095799e+03,         8.10308393e+03])

二元函数

（1）maximum 求得元素级别最大值

In [24]: arr = randn(7)*5In [25]: np.modf(arr)Out[25]: (array([-0.38426056, -0.88663126,  0.54868246,  0.69865541, -0.8307569 ,       -0.07793903,  0.07893149]), array([ -2.,  -3.,  13.,   0.,  -1.,  -4.,   6.]))

（2）modf 返回的是小数部分和整数部分的两个数组

In [24]: arr = randn(7)*5In [25]: np.modf(arr)Out[25]: (array([-0.38426056, -0.88663126,  0.54868246,  0.69865541, -0.8307569 ,       -0.07793903,  0.07893149]), array([ -2.,  -3.,  13.,   0.,  -1.,  -4.,   6.]))

(3）ufunc表

利用数组进行数据分析：

meshgrid

接受两个一维数组并产生两个二维矩阵（数组与矩阵相对应，第一个数组对应第一个矩阵x轴；第二个数组对应第二个矩阵y轴）

In [31]: points = np.arange(-5,5,0.01)In [32]: xs, ys = np.meshgrid(points,points)In [33]: xsOut[33]: array([[-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       ...,        [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99]])In [34]: ysOut[34]: array([[-5.  , -5.  , -5.  , ..., -5.  , -5.  , -5.  ],       [-4.99, -4.99, -4.99, ..., -4.99, -4.99, -4.99],       [-4.98, -4.98, -4.98, ..., -4.98, -4.98, -4.98],       ...,        [ 4.97,  4.97,  4.97, ...,  4.97,  4.97,  4.97],       [ 4.98,  4.98,  4.98, ...,  4.98,  4.98,  4.98],       [ 4.99,  4.99,  4.99, ...,  4.99,  4.99,  4.99]])In [35]: z = np.sqrt(xs ** 2 + ys ** 2)In [36]: zOut[36]: array([[ 7.07106781,  7.06400028,  7.05693985, ...,  7.04988652,         7.05693985,  7.06400028],       [ 7.06400028,  7.05692568,  7.04985815, ...,  7.04279774,         7.04985815,  7.05692568],       [ 7.05693985,  7.04985815,  7.04278354, ...,  7.03571603,         7.04278354,  7.04985815],       ...,        [ 7.04988652,  7.04279774,  7.03571603, ...,  7.0286414 ,         7.03571603,  7.04279774],       [ 7.05693985,  7.04985815,  7.04278354, ...,  7.03571603,         7.04278354,  7.04985815],       [ 7.06400028,  7.05692568,  7.04985815, ...,  7.04279774,         7.04985815,  7.05692568]])

利用matplotlib 的 imshow 函数图像化数据，

In [43]: plt.imshow(z, cmap=plt.cm.gray);plt.colorbar()Out[43]:

将条件逻辑表述维数组运算

（1）两个值数组，一个布尔数组，通过布尔数组中的数据去取值

In [45]: xarr = np.array([1.1,1.2,1.3,1.4,1.5])In [46]: yarr = np.array([2.1,2.2,2.3,2.4,2.5])In [47]: cond = np.array([True,False,True,True,False])In [48]: result = np.where(cond,xarr,yarr)In [49]: resultOut[49]: array([ 1.1,  2.2,  1.3,  1.4,  2.5])

（2）传入数据中包含标量

In [51]: arr = randn(4,4)In [52]: arrOut[52]: array([[-0.69197635, -0.16654029, -0.404911  , -1.15366779],       [-0.75540129,  0.4264011 ,  0.51838994, -1.17759759],       [-0.02668043,  1.29681056, -0.21656743, -0.37266106],       [-0.29146894,  0.30800829,  0.29399253,  2.15750223]])In [53]: np.where(arr > 0, 2, -2)Out[53]: array([[-2, -2, -2, -2],       [-2,  2,  2, -2],       [-2,  2, -2, -2],       [-2,  2,  2,  2]])In [54]: np.where(arr > 0, 2, arr)Out[54]: array([[-0.69197635, -0.16654029, -0.404911  , -1.15366779],       [-0.75540129,  2.        ,  2.        , -1.17759759],       [-0.02668043,  2.        , -0.21656743, -0.37266106],       [-0.29146894,  2.        ,  2.        ,  2.        ]])

（3）通过两个布尔数组的组合列出【1,2,3,4】四种结果

In [59]: np.where(cond01 & cond02, 0, np.where(cond01,1,np.where(cond02,2,3)))Out[59]: array([0, 3])

数据和统计方法

（1）基本数组统计方法：

（2）除了正常操作之外还可一进行维度上的计算，返回的少了一个维度的数组。

In [3]: arr = np.random.randn(5,4)In [4]: arrOut[4]: array([[-0.39363702, -0.58032882, -0.61961903,  0.65173318],       [-2.82998064, -1.29573389,  1.26868564, -1.57221668],       [-0.25741113,  1.11530682,  2.52294025, -0.2152994 ],       [-1.35972807, -1.20833599, -1.39896103, -1.61382468],       [-1.98407984, -0.56897573, -1.22872402, -0.95416608]])In [5]: arr.std()Out[5]: 1.2145328715136516In [6]: arr.mean()Out[6]: -0.6261178077018037In [7]: arr.mean(axis = 0)Out[7]: array([-1.36496734, -0.50761352,  0.10886436, -0.74075473])In [8]: arr.sum(axis = 0)Out[8]: array([-6.8248367 , -2.53806761,  0.54432182, -3.70377366])In [9]: arr.sum(axis = 1)Out[9]: array([-0.94185169, -4.42924556,  3.16553654, -5.58084977, -4.73594568])

用于布尔数组的方法

（1）sum经常被用来对布尔型数组中的True值计数

In [10]: arr = randn(100)In [11]: (arr>0).sum()Out[11]: 53In [12]: arr.sum()Out[12]: 0.48998201181042778In [13]: (arr>0)Out[13]: array([ True, False,  True,  True,  True,  True, False,  True, False,       False, False, False, False,  True, False,  True,  True,  True,       False, False,  True,  True,  True,  True, False, False,  True,        True,  True, False,  True, False, False, False, False,  True,        True,  True,  True, False,  True,  True,  True,  True,  True,        True,  True,  True, False,  True,  True, False,  True, False,        True,  True,  True, False,  True,  True, False,  True, False,       False, False,  True,  True, False, False, False, False, False,        True, False,  True, False,  True, False, False,  True,  True,        True, False,  True, False, False,  True,  True, False,  True,       False, False, False, False,  True, False, False,  True, False, False], dtype=bool)

（2）any 测试数组中是否存在一个或者多个True； all 测试数组中是否全部为True

n [14]: bools = np.array([False,False,True,False])In [15]: bools.any()Out[15]: TrueIn [16]: bools.all()Out[16]: False

排序

（1）简单的排序

In [8]: arrOut[8]: array([ 0.44042138,  0.27107379, -0.35692384,  0.95729632, -0.94924333,        0.50478958,  0.88257156, -1.65782387])In [9]: arr.sort()In [10]: arrOut[10]: array([-1.65782387, -0.94924333, -0.35692384,  0.27107379,  0.44042138,        0.50478958,  0.88257156,  0.95729632])

（2）对选中的轴进行排序

In [11]: arr = randn(5,3)In [12]: arrOut[12]: array([[-0.82758627,  0.66299892, -0.38329584],       [-1.64121696,  0.39644587, -0.35494659],       [-1.25550146,  0.92088691,  0.24278241],       [-1.20775834, -0.69017047,  0.08544922],       [ 0.16352949, -0.11005891,  0.3249279 ]])In [14]: arr.sort(1)In [15]: arrOut[15]: array([[-0.82758627, -0.38329584,  0.66299892],       [-1.64121696, -0.35494659,  0.39644587],       [-1.25550146,  0.24278241,  0.92088691],       [-1.20775834, -0.69017047,  0.08544922],       [-0.11005891,  0.16352949,  0.3249279 ]])In [16]: arr.sort(0)In [17]: arrOut[17]: array([[-1.64121696, -0.69017047,  0.08544922],       [-1.25550146, -0.38329584,  0.3249279 ],       [-1.20775834, -0.35494659,  0.39644587],       [-0.82758627,  0.16352949,  0.66299892],       [-0.11005891,  0.24278241,  0.92088691]])

（3）np.sort（）返回的数组的已排序副本；sort 的就地排序会修改数组的本身

唯一化以及其他的集合逻辑

（1）np.unique 找出数组中的唯一值并返回已排序的结果

In [39]: names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])In [40]: np.unique(names)Out[40]: array(['Bob', 'Joe', 'Will'],       dtype='|S4')

原生python 代码：

In [43]: sorted(set(names))Out[43]: ['Bob', 'Joe', 'Will']

（2）np.in1d 测试一个数组中的值是否在另个数组中出现过，返回一个布尔数组

In [45]: values = np.array([6,0,0,3,2,5,6])In [46]: np.in1d(values,[2,3,6])Out[46]: array([ True, False, False,  True,  True, False,  True], dtype=bool)

（3）数组的集合运算

用于文件的输入输出：

将数组以二进制格式保存到磁盘

（1）save 将原始二进制格式保存在扩展名为.npy 的文件中

In [50]: arrOut[50]: array([-1.72684184,  1.44283203, -0.38139619, -0.87512866,  1.19248012,       -0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931])In [51]: np.save('some_array',arr)In [52]: lltotal 44-rw-r--r-- 1 peerslee   87  4月 30 18:04 ma6174drwxrw-r-- 5 peerslee 4096  4月 30 20:22 opt/-rw-r--r-- 1 peerslee  160  5月  3 17:39 some_array.npy

（2）savez将多个数组保存到一个压缩文件当中

In [61]: np.savez('array_archive.npz',a=arr,b=arr)In [66]: arch = np.load('array_archive.npz')In [67]: arch['b']Out[67]: array([-1.72684184,  1.44283203, -0.38139619, -0.87512866,  1.19248012,       -0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931])

存取文本文件

（1）取

In [48]: cat arr*.txt-1.72684184,1.44283203,-0.38139619,-0.87512866,1.19248012-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931-0.69037504,-0.54342753,0.92962819,1.37471742,-0.43971931In [49]: arr = np.loadtxt('array_ex.txt',delimiter=',')In [50]: arrOut[50]: array([[-1.72684184,  1.44283203, -0.38139619, -0.87512866,  1.19248012],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931],       [-0.69037504, -0.54342753,  0.92962819,  1.37471742, -0.43971931]])

（2）存

In [65]: arr = random.randn(10)In [66]: arrOut[66]: array([ 1.01909753,  1.50819412, -0.49293385,  0.30151565, -0.10602071,        0.09623269, -1.14679074,  1.30595798, -0.34700756,  0.13555792])In [67]: np.savetxt('array01.txt',arr,delimiter = '\n')In [68]: cat array01.txt1.019097530090067094e+001.508194120473395072e+00-4.929338473000169363e-013.015156466063917406e-01-1.060207072744920320e-019.623268773502001439e-02-1.146790738344216187e+001.305957976175855517e+00-3.470075635778481771e-011.355579200596107037e-01

线性代数：

点积

In [78]: xOut[78]: array([[ 1.,  2.,  3.],       [ 4.,  5.,  6.]])In [79]: yOut[79]: array([[  6.,  23.],       [ -1.,   7.],       [  8.,   9.]])In [80]: x.dot(y)Out[80]: array([[  28.,   64.],       [  67.,  181.]])

In [87]: np.dot(x,np.ones(3))Out[87]: array([  6.,  15.])In [88]: xOut[88]: array([[ 1.,  2.,  3.],       [ 4.,  5.,  6.]])

常用的numpy.linalg 函数

随机数生成：

normal 得到一个标准正太分布的 4*4 的样本数组

In [90]: samples = np.random.normal(size=(4,4))In [91]: samplesOut[91]: array([[ 0.65434274,  2.55328917, -0.16027389, -0.14723887],       [-0.87555718,  0.33198742,  0.17313982,  1.34232683],       [ 0.63119381,  0.86120016,  0.27243808,  0.12564236],       [ 0.76887308,  1.62427568,  2.27735502, -0.56002867]])

numpy.random 函数

关联文章：

转载地址：https://lipenglin.blog.csdn.net/article/details/51289756 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！

上一篇：《利用Python 进行数据分析》 - 笔记(3)

下一篇：Java - 验证邮箱地址是否符合要求

发表评论

关于作者

喝酒易醉，品茶养心，人生如梦，品茶悟道，何以解忧？唯有杜康！

-- 愿君每日到此一游！

问题导读：

1.NumPy 的 ndarray：一种多维数数组对象
2.通用函数 - 快速的元素级数组函数
3.利用数组进行数据分析
4.用于数组的文件输入输出
5.线性代数
6.随机数生成

解决方案：

NumPy 的 ndarray：

通用函数的介绍：

利用数组进行数据分析：

用于文件的输入输出：

线性代数：

随机数生成：

关联文章：

发表评论

最新留言

关于作者

推荐文章

问题导读：

1.NumPy 的 ndarray：一种多维数数组对象 2.通用函数 - 快速的元素级数组函数 3.利用数组进行数据分析 4.用于数组的文件输入输出 5.线性代数 6.随机数生成

解决方案：

NumPy 的 ndarray：

通用函数的介绍：

利用数组进行数据分析：

用于文件的输入输出：

线性代数：

随机数生成：

关联文章：

发表评论

最新留言

关于作者

推荐文章

1.NumPy 的 ndarray：一种多维数数组对象
2.通用函数 - 快速的元素级数组函数
3.利用数组进行数据分析
4.用于数组的文件输入输出
5.线性代数
6.随机数生成