何为numpy

numpy是python里面专门用于处理高维数据计算的包，十分的方便！
具体来说，numpy可以说是数据分析领域的基础数组。底层实现中使用了C语言和Fortran语言的机制分配内存。可以理解它的输出是一个非常大且连续的并由同类型的数据组成的内存区域。
作用：可以构造一个比普通列表大的多的数组，并且可以很灵活的对其中所有的元素进行并行化操作。

我个人认为学习任何一个模块之前，我们必须先对它有一个整体的框架性的认识，在逐步的去了解每一个细小的东西。有了一开始高屋建瓴的认知，后面学起来将会轻松顺畅很多。

numpy入门

初始化操作

大概有以下三种方法。 普通法，定点定隔法，一步到位法。

# 普通法
a = [1, 3, 5, 7, 9]
a = np.array(a)# 定点定间隔法
## 定隔的 arange：固定元素大小间隔 arange(start , stop , step)
## 其中 stop 必须要有，start 和 step 没有的话默认为 1。
np.arange(2,8,2)## 定点的 linspace：固定元素个数    linspace (start , stop , num)
## 其中 start 和 stop 必须要有，num 没有的话默认为 50。
np.linspace(0,2,10)    # 在0到2之间生成等间隔的10个元素序列# 一步到位法（用于生成特殊的numpy数组）b = np.zeros(100, dtype = float)   # 生成100个0
d = np.ones((3, 3))       #生成 3*3数组，元素都是1
c = np.empty((2,4, 4))     # 生成三维数组，其中元素随机
e = np.full((3, 3), 3.14)  # 以指定值3.14填满数组
np.random.random((3, 3))
np.random.randint(2,5,(6,6)) # 生成一个6*6矩阵，矩阵的每个元素2到5
np.eye(3) # 3维的单位矩阵
### 以上每一个还有与之对应的like方法
np.empty_like(a)
np.ones_like(a)

# range用法和np.arrange用法对比(知道歩长)
# list(range(0, 10, 2)) 从0到10以2为步长生成元素，不包括10
# np.arrange(0, 10, 2)
# np.linspace() （不知道歩长）
# np.linspace(0, 3, 100)  从0到3以等步长生成100个数，包括3

广播机制（与列表的区别）

numpy数组对普通列表的操作方式是不同的，numpy使用的是一种广播机制作用于每一个元素，而普通列表作用于整体。
而numpy这种方法使得它的效率得到了几个数量级的提升。

import numpy as np
normal_list = range(10000)
# %time可以测量一行代码执行的时间
# %timeit可以测量一行代码多次执行的时间 从中选取最快的三次
print("普通的列表：")
%timeit [i**2 for i in normal_list]
print("numpy数组：")
np_list = np.arange(10000)
%timeit np_list**2# 普通列表作用于整体
normal_list2 = list(range(10))
print(normal_list2*2)np_array = np.arange(10)
np_array*2

输出：

    普通的列表：4.18 ms ± 687 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)numpy数组：9.97 µs ± 1.03 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)[range(0, 10), range(0, 10)]

索引选取与切片

• 切片得到的是原数组的一个视图 (view) ，修改切片中的内容会改变原数组
• 索引得到的是原数组的一个复制 (copy)，修改索引中的内容不会改变原数组

# 简单索引略(与其他语言类似）
# 花式索引
## 假设你想按特定顺序来获取第 5, 4 和 7 行时
arr[ [4,3,6] ]## 假设你想按特定顺序来获取倒数第 4, 3 和 6 行时 
arr[ [-4,-3,-6] ]stock_cnt = 200
view_days = 504
# 正态分布的数据
stock_day_change = np.random.standard_normal((stock_cnt, view_days)) 
print(stock_day_change.shape)
# 切片操作  记住 Python 切片包头不包尾
print(stock_day_change[:2, :5])
print(stock_day_change[-2:, -5:])# 交换两组数据，注意copy的使用
tmp = stock_day_change[:2, :5].copy()# 这里如果不使用copy，就不会达到复制的效果，仅仅是引用。并没有生成新的对象，
#tmp和stock_day_change指向同一个对象，所以一旦stock_day_change改变，tmp也会跟着改变
# numpy里面的机制全部都是引用stock_day_change[:2,:5] = stock_day_change[-2:, -5:]
stock_day_change[-2:, -5:] = tmp# 此操作不行 stock_day_change[:2,:5], stock_day_change[-2:, -5:] = stock_day_change[-2:, -5:], stock_day_change[:2,:5]# 举个简单的例子
a = np.array([1,2,3,4,5,6])
b = np.array([2,3,4,5,6])
a, b = b, a # TRUE 操作可行
a[2:4], b[3:5] =  b[3:5], a[2:4]  #FALSE  操作不可行

数据转换与规整

可以使用astype(int)改变数据的类型和np.around()函数保留指定小数位。

np_ar = np.linspace(0,10,20).reshape(4,5)
np_a = np_ar[:,:2].astype(int)
# 原数组， 切片加astype， 保留两位小数
np_ar, np_a, np.around(np_ar,2)

(array([[ 0.        ,  0.52631579,  1.05263158,  1.57894737,  2.10526316],[ 2.63157895,  3.15789474,  3.68421053,  4.21052632,  4.73684211],[ 5.26315789,  5.78947368,  6.31578947,  6.84210526,  7.36842105],[ 7.89473684,  8.42105263,  8.94736842,  9.47368421, 10.        ]]),array([[0, 0],[2, 3],[5, 5],[7, 8]]),array([[ 0.  ,  0.53,  1.05,  1.58,  2.11],[ 2.63,  3.16,  3.68,  4.21,  4.74],[ 5.26,  5.79,  6.32,  6.84,  7.37],[ 7.89,  8.42,  8.95,  9.47, 10.  ]]))

逻辑条件下的筛选

下面的筛选方法挺重要

np_arr = np.linspace(0,1,20).reshape(4,5)mask = np_arr>0.5  # 会返回一个ture，false数组np_arr1 = np_arr[mask] # 利用上面的数组找出true所在的值
print(mask)
print(np_arr1)np_arr2 = np_arr[np_arr>0.5] # 一步完成上述两个步骤
print(np_arr2)# 加入| & 的多重选择
np_arr3 = np_arr[(np_arr>0.5) & (np_arr<0.7)]
np_arr3

[[False False False False False][False False False False False][ True  True  True  True  True][ True  True  True  True  True]]
[0.52631579 0.57894737 0.63157895 0.68421053 0.73684211 0.789473680.84210526 0.89473684 0.94736842 1.        ]
[0.52631579 0.57894737 0.63157895 0.68421053 0.73684211 0.789473680.84210526 0.89473684 0.94736842 1.        ]array([0.52631579, 0.57894737, 0.63157895, 0.68421053])

通用序列函数

# np.all()  判断序列中是否所有的元素均为true  即对bool序列进行操作。# np.any() 判断序列中是否有元素为true 
a = np.arange(6)*2
b = np.arange(6)+3# 最大最小
print("两个序列中小的那个是：", np.minimum(a, b))
print("两个序列中大的那个是：", np.maximum(a, b))# np.unique() 序列中数值唯一且不重复的值组成新的序列# np.diff()  axis = 0, axis = 1 通过轴向来操作， 将前后两个数值做减法运算

两个序列中小的那个是： [0 2 4 6 7 8]
两个序列中大的那个是： [ 3  4  5  6  8 10]

数据本地序列化操作

可以通过np.save()等方法将numpy数组保存在本地。具体方法如下：

np.save('filename', np_array)#保存为npz文件
np.savez( 'filename', np_array1, np_array2) #保存为npz文件
np.savetxt() #保存为txt文件
# 还可以保存为其他例如csv等格式
test_load = np.load('filename.npy')
np.loadtxt('filename.txt')

---

最后，有问题欢迎评论或者私信！