本文共 2214 字，大约阅读时间需要 7 分钟。

numpy 的属性： shape（数组维度的元组）、ndim（数组维数）、size（数组元素数量）、itemsie（一个数组元素的长度字节）、dtype（元素类型）

创建数组指定类型：

np.array([1.1,2.2,3.3], dtype = ‘float32’) 3.3.1生成数组 生成0和1 np.zeros(shape=[ , ], dtype=" ") np.ones(shape) 从现有数组中生成 np.array() 深拷贝 np.copy() 深拷贝 np.asarray() 浅拷贝 生成固定范围的数组 np.linspace(0, 10, 100) 生成[0,10] 等距100个元素

np.arange(a, b, c) 生成[a, b) c是步长

生成随机数组

np.random模块 均匀分布：每组可能性相等 np.random.rand(d0,d1,…,dn):返回[0.0, 1.0)内的一组均匀分布的数。 np.random.uniform(low=0.0,high=1.0,size=None) low:采样下界，float，默认0 high:上界，float，默认1 size:输出样本数目，为int或tuple元组类型，例如，size=（m,n,k)，则输出mnk个样本，缺省时输出1个值 返回值:ndarray类型，其形状和参数size中描述一直

np.random.randint(low, high=None,size=None, dtype=‘I’):从一个均匀分布中随机采样，生成一个整数或n维数组，取数范文：若high不None时，取low_{high之间随机整数，否则取0}low之间随机整数

正态分布：概率分布。μ=0，thegma=1时标准正态分布

np.random.normal(loc=0.0, scale=1.0,size=None)

loc:float 此概率分布均值 scale：float 此概率分布的标准差，对应分布宽度，scale越大越矮胖，越小越瘦高 size：int or tuple of ints，输出的shape，默认为None，只输出一个值 np.random.standard_normal(size = None) 返回指定形状的标准正态分布的数组。

3.3.2数组的索引切片

3.3.3形状修改

ndarray.reshape() 返回新的adarray，原始数据没有改

adarray.resize(shape) 没有返回值，对原始ndarray进行了修改

ndarray.T 转置，行变列，列变行 3.3.4类型修改 ndarray.astype(type) ndarray.astype(“int32”) ndarray序列化到本地 ndarray.tostring()

3.3.5数组去重

ndarray.unique() 不能直接用set函数，如果要用，可先用flatten函数拍扁为一维再使用。如图

ndarray运算

逻辑运算 布尔索引 例：

通用判断函数

np.all(布尔值) 只要有一个False就返回False，只有全是True才返回True np.any() 只要有一个True就返回True，只有全是False才返回False

三元运算符np.where

np.where(布尔值，True位置的值，False位置的值)

统计运算

统计指标函数 min, max, mean, median, var, std(标准差) np.函数名 axis=1和axis=-1是一样的索引，不同库可能不同，最保险还是都试一试

返回最大值、最小值所在位置

np.argmax() np.armin()

数组间运算

场景：计算学生平时成绩和期末成绩求出最终成绩 数组与数的运算

数组与数组的运算

广播机制：执行broadcast的前提在于，两个ndarray执行的是element-wise的运算，Broadcast机制的功能是为了方便不同形状的ndarray(numpy库的核心数据结构)进行数学运算 当操作两个数组时，numpy会诸葛比较他们的shape，只有在维度相等，shape(其中相对应的一个地方为1)时才能够进行数组与数组的运算。例如

矩阵运算

两种方法存储矩阵 1.ndarray 二维数组 np.matmul() np.dot() data_arry @ weights 2.matrix data_mat * wights_mat

矩阵的乘法运算：

形状：（m, n）*(n, l) = (m, l)

合并、分割：

合并： np.hstack() 水平拼接

np.vstack()竖直拼接

np.concatenate():即可水平拼接也可竖直拼接

分割：

numpy.split(ary, indices_or_section, axis=0) split an array into multiple sub_arrays

IO操作和数据处理

numpy读取:np.genfromtxt(’****.csv’, delimiter=",") 存在缺失值nan一般不用numpy读取。 如何处理缺失值： 1.直接删除含有缺失值样本数据 2.替换或插补法，样本数据少时，可以按列算平均值来替换 处理逻辑：

转载地址：http://psnzk.baihongyu.com/