目录

一、ndarray 和 列表 list 的比较

1. 计算能力和效率差异

2. array/asarray 函数对列表 list 和 元组的转换

3. 一维数组 ndarray 能使用列表 list 的所有索引方法

4. 一维数组有更多强大的方法

4.1 间隔索引

 4.2 布尔索引

4.3 其余方法

二、二维数组

1. 二维数组概念介绍

2. 创建二维数组

2.1 从列表和元组转换

2.2 使用 numpy.empty

2.3 使用 numpy.zeros、numpy.ones

2.4 使用 numpy.arrange

3. 二维数组的数据读取

4. 二位数组的常见属性

5. 二维数组的常用方法

---

Python 数据分析三剑客：

1. numpy 模块

2. pandas 模块

3. matpotlib 模块  

NumPy（Numerical Python的简称）是是Python 数据分析三剑客之一，它是高性能科学计算和数据分析的基础包。NumPy最重要的一个特点就是其N维数组对象（即ndarray），该对象是一个快速而灵活的大数据集容器。可以利用这种数组对整块数据执行一些数学运算，比python自带的数组以及元组效率更高，其语法跟变量元素之间的运算一样，无需进行循环操作。

在使用python进行数据分析的过程中，我们大部分时候是不会直接使用numpy包，而是其他包要用到numpy，例如pandas 模块就是基于 numpy, 是 numpy 的升级版本。可以说numpy是整个python数据分析工作的基石。

一、ndarray 和 列表 list 的比较

1. 计算能力和效率差异

        两者形式上非常相似，最根本的区别就是列表只是一种数据的容器，不具有任何计算能力！

        举例说明，先创造一个h、w 两个列表，通过使用%%time可以看出来创建这么大的列表还是花了不少时间的。

%%time 
# 导入第三方模块
import numpy as np
import random# 伪造数据
h = [] # h 代表高度 
w = [] # w 代表重量
for i in range(10000000):h.append(random.randint(153,180)) w.append(random.uniform(51,88))

        运行结果是

Wall time: 16.9 s

        如果想对h、w 做一些计算工作，例如算出人体的 bmi 值，在没有接触数据分析模块之前，如下面 代码，代码可以称为简洁。

%%time 
# 将会给出cell的代码运行一次所花费的时间 %time 则是给出一行的执行时间 
bmi = []
for i in range(10000000):bmi.append(w[i]/(h[i]/100) ** 2)

        但是请注意，通过%%time提供的数据来看，它花的时间不容小觑

  Wall time: 5.63 s

 那如果用 Numpy 来实现这个功能呢

H = np.array(h) # 转化成数组
W = np.array(w) # 转化成数组

%%time
BMI = W/(H/100)**2

 运行结果是，请注意单位一下子从s到ms，这在性能上完全不是一个数量级的。

Wall time: 89.8 ms

2. array/asarray 函数对列表 list 和 元组的转换

#借助于array函数可以将列表或元组转换为数组
a=list(range(10))
b=tuple(range(10))
a_array=np.array(a)
b_array=np.array(b)
print(type(a))
print(type(b))
print(type(a_array))
print(type(b_array))

 运行结果是

<class 'list'>
<class 'tuple'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>

numpy.array的语法格式是numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

名称	描述
object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

 此外还有numpy.array，numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。

numpy.asarray(a, dtype = None, order = None)

参数	描述
a	任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组
dtype	数据类型，可选
order	可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

3. 一维数组 ndarray 能使用列表 list 的所有索引方法

array 可以使用我们熟悉的索引方法和切片，举例代码

a.append(12)
print(a[5:])
a.clear()
print(a)print(a_array[1])
print(a_array[:5])
print(a_array[:])

 运行结果

[5, 6, 7, 8, 9, 12]
[]

1
[0 1 2 3 4]
[0 1 2 3 4 5 6 7 8 9]

4. 一维数组有更多强大的方法

        数组还有列表没有的索引方法

4.1 间隔索引

代码段

b=list(range(10))
b_array=np.array(b)
print(b_array[[1,2,3]])
print(b[[1,2,3]])

 运行结果可以清楚的看到对于列表 b 提示“TypeError: list indices must be integers or slices, not list”，而对于一维数组 b_array 通过[[index1,index2...]]的方式，实现了多数值间隔索引。

[1 2 3]

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-12-d90ec075f85c> in <module>2 b_array=np.array(b)3 print(b_array[[1,2,3]])
----> 4 print(b[[1,2,3]])

TypeError: list indices must be integers or slices, not list

 4.2 布尔索引

        布尔索引，又叫逻辑索引，可以很快很方便的实现对数据进行判断，代码简洁。

b=list(range(10))
b_array=np.array(b)
print("*"*40)
#找出b_array中小于5的数字
print(b_array <5) # 形成布尔值
print(b_array[b_array <5 ]) # 按照布尔值选出值
print("*"*40)#找出奇数
print(b_array%2 == 1)# 形成布尔值
print(b_array[b_array%2 == 1]) # 按照布尔值选出值
#

  运行结果

        

****************************************
[ True  True  True  True  True False False False False False]
[0 1 2 3 4]
****************************************
[False  True False  True False  True False  True False  True]
[1 3 5 7 9]

4.3 其余方法

       a 作为列表有如下方法

        而 a_array 有如下方法 

 

我们先看看常用属性吧

print(b_array)
print(b_array.all()) #判断b_array 每个值是否是True
print(b_array.any()) #判断b_array 任意一个值是否是True，是的话为True
print(b_array.argmax())#最大参数
print(b_array.argmin())#最小参数print("*"*50)
print(b_array.ndim) #秩，即轴的数量或维度的数量
print(b_array.shape) #数组的维度，对于矩阵，n 行 m 列
print(b_array.size) #数组元素的总个数，相当于 .shape 中 n*m 的值print("*"*50)
print(b_array.dtype) # ndarray 对象的元素类型
print(b_array.itemsize) # ndarray 对象中每个元素的大小，以字节为单位
print(b_array.flags) # ndarray 对象的内存信息print("*"*50)
print(b_array.real) # ndarray 元素的实部
print(b_array.imag) # ndarray 元素的虚部

运行结果

[0 1 2 3 4 5 6 7 8 9]
False
True
9
0
**************************************************
1
(10,)
10
**************************************************
int32
4C_CONTIGUOUS : TrueF_CONTIGUOUS : TrueOWNDATA : TrueWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False**************************************************
[0 1 2 3 4 5 6 7 8 9]
[0 0 0 0 0 0 0 0 0 0]

 

 关于属性 flags 有如下不同的分类：

属性	描述
C_CONTIGUOUS (C)	数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)	数据是在一个单一的Fortran风格的连续段中
OWNDATA (O)	数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W)	数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED (A)	数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)	这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

二、二维数组

1. 二维数组概念介绍

2. 创建二维数组

2.1 从列表和元组转换

        同一维数组，二维数组也可以从列表和元组转换而来。

# 基于嵌套列表创建二维数组
arr1 = np.array([[1,3,5,7],[2,4,6,8],[11,13,15,17],[12,14,16,18],[100,101,102,103]])# 基于嵌套元组创建二维数组
arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),(3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))# 二维数组的打印结果
print(arr1,'\n')
print(arr2)

        运行结果是

[[  1   3   5   7][  2   4   6   8][ 11  13  15  17][ 12  14  16  18][100 101 102 103]] [[ 8.5  6.   4.1  2.   0.7][ 1.5  3.   5.4  7.3  9. ][ 3.2  3.   3.8  3.   3. ][11.2 13.4 15.6 17.8 19. ]]

2.2 使用 numpy.empty

也可以使用numpy.empty来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组

格式如 numpy.empty(shape, dtype = float, order = 'C')

shape 即数组形状

dtype 指 数据类型，可以选择

order，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

代码段如下：

new_array=np.empty([2,3],int)
print(new_array)
new_array=np.empty([2,3],bool)
print(new_array)
new_array=np.empty([2,3],complex)
print(new_array)

运行结果如下:

[[682486592       424         0][        0         1   4390973]]
[[ True  True  True][ True False False]]
[[9.00063688e-312+3.16202013e-322j 0.00000000e+000+0.00000000e+000j0.00000000e+000+1.70317226e-051j][2.95385063e+179+3.50444959e-033j 1.46366170e-047+5.99406363e-066j1.50161777e-076+9.76299584e+165j]]

#数据是随机的，因为没有初始化

 

2.3 使用 numpy.zeros、numpy.ones

也可以使用 numpy.zeros 来创建指定大小的数组，数组元素以 0 来填充：

 代码段如下：

new_array=np.zeros([4,5],dtype=int)
print(new_array)
new_array=np.zeros([2,4],dtype=bool)
print(new_array)
new_array=np.zeros([2,4],dtype=complex)
print(new_array)

运行结果：

[[0 0 0 0 0][0 0 0 0 0][0 0 0 0 0][0 0 0 0 0]]
[[False False False False][False False False False]]
[[0.+0.j 0.+0.j 0.+0.j 0.+0.j][0.+0.j 0.+0.j 0.+0.j 0.+0.j]]

类似的 numpy.ones 创建指定形状的数组，数组元素以 1 来填充，就不再赘述了

2.4 使用 numpy.arrange

numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)

根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。

参数说明：

参数	描述
start	起始值，默认为0
stop	终止值（不包含）
step	步长，默认为1
dtype	返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

3. 二维数组的数据读取

        a) 在二维数组中，位置索引必须写成[rows,cols]的形式，方括号的前半部分用于锁定二 维数组的行索引，后半部分用于锁定数组的列索引；

        b) 如果需要获取二维数组的所有行或列元素，那么，对应的行索引或列索引需要用英文 状态的冒号表示；

        代码段如下

# 二维数组的打印结果
print(arr1,'\n')
print(arr1[1])  # 选择出第二行
print(arr1[1,2]) # 选择出第二行，第三列的数据
print(arr1[1,:]) # 选择出第二行
print(arr1[:,3]) # 选择出第四列
print(arr1[:,[2,3]]) # 选择出第三、四列（间隔索引）

运行结果如下

[[  1   3   5   7][  2   4   6   8][ 11  13  15  17][ 12  14  16  18][100 101 102 103]] [2 4 6 8]
6
[2 4 6 8]
[  7   8  17  18 103]
[[  5   7][  6   8][ 15  17][ 16  18][102 103]]

4. 二位数组的常见属性

        如一维数组，见下方代码段

print(arr1.all()) #判断b_array 每个值是否是True
print(arr1.any()) #判断b_array 任意一个值是否是True，是的话为True
print(arr1.argmax())#最大参数
print(arr1.argmin())#最小参数print("*"*50)
print(arr1.ndim) #秩，即轴的数量或维度的数量
print(arr1.shape) #数组的维度，对于矩阵，n 行 m 列
print(arr1.size) #数组元素的总个数，相当于 .shape 中 n*m 的值print("*"*50)
print(arr1.dtype) # ndarray 对象的元素类型
print(arr1.itemsize) # ndarray 对象中每个元素的大小，以字节为单位
print(arr1.flags) # ndarray 对象的内存信息print("*"*50)
print(arr1.real) # ndarray 元素的实部
print(arr1.imag) # ndarray 元素的虚部

        运行结果为

       

True
True
19
0
**************************************************
2
(5, 4)
20
**************************************************
int32
4C_CONTIGUOUS : TrueF_CONTIGUOUS : FalseOWNDATA : TrueWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False**************************************************
[[  1   3   5   7][  2   4   6   8][ 11  13  15  17][ 12  14  16  18][100 101 102 103]]
[[0 0 0 0][0 0 0 0][0 0 0 0][0 0 0 0][0 0 0 0]]

 

5. 二维数组的常用方法

        将在下一章节中继续讲