ndarrray

Numpy使用ndarray对象来处理多维数组该对象是一个快速而灵活的大数据容器

Numpy提供了一个N维数组类型ndarray他描述相同类型的items的集合

import

80]])type(score)numpy.ndarray##

import

range(5000000):a.append(random.random())

time.time()

0.0027697086334228516从上面的结果显示使用ndarray的时间处理和原生的list相比更加快速

Numpy专门的针对ndarray的操作和运算进行了设计所以数组的存储效率和输入输出性能远远的高于Python中嵌套列表

第一个内存块存储风格ndarray必须要相同的类型可以连续存储

list的通用性强可以不同类型数据所以list数据之间是依靠引用的形式存储第二个并行化处理形式ndarray支持并行化运算第三个底层语言Numpy底层语言是c内部解除了GIL全局解释器的限制

ndarray属性

d2表示维度的元组数据np.random.uniform(low0.0,

high1.0,

high)size-int类型表输出一位样本数元组表输出的是对应维度数组np.random.normal(loc0.0,

scale1.0,

二维数组中第一个一维数组中的第0到3个之间的数据左闭右开array([-1.23848824,

1.80273454,

三维数组中第二个二维数组中的第一个一维数组的第三个数据4形状的修改

ndarray.reshape(shape)ndarray.resize(shape)ndarray.T

print(stock_change)

1.00201755]]stock_change.resize((10,

8))

stock_changearray([[-1.23848824,

1.80273454,

ndarray.astype(type)ndarray序列化到本地

ndarray.tostring()ndarray.tobytes()

np.unique()

stock_change.astype(np.int32)array([[

-1,

之前可以使用tostring的方法b\x10\x83d\xcbfG\x8a\xbf\x06\xcb\n_\x81\xd2\xf5?\xf6i\x89\x85\xcb\xfa?(\x9dK\xf1\xe06\xfa\xbf\x040\xd3:\x14\xe0?\xf4\x96\xb4\xeb(\x01\xda?\x9b\xfe\x94e\xf7\x7f\xe1?\x80I\xb5\x10\xb2\xf8\xbf\xf2\x01\xcbv\xc5t\xee\xbf\x92\xbe9\xac\x13\x7f\xe9?F\x98\xc71i\x93\xd2\xbf\xcf~\x07\xc6^s\xeb\xbf$a\xd4\xee\xed\x0e\x07\xc0\xf2\xf0\x87I\x9aA\xb8?/\x91\xedg\x035\xd1?\xc0\x85\xe6K\xe8%\xe7\xbf9\r\r*m\x0f\xd5?H\x8d\xcb\xab\x95\xf6?A\xed

\xca\x9f.\xcc?\xb0\xce\x0f;\x00\xaf\xbd?\xe4\xa3\x860\xba\xce\xf7\xbf\x9e5\x1b\x8c6T\xd6\xbfv\xdd\xc3\x15\x80\x00\xde\xbf\x19s/\x1c\xb4\xee\xb0?\x9c\xc7I\x11\x0cv\xf3\xbf\xcb$A\xd9\xd6\xbf\xbf}\xbd\xa6\x99D\xc0\xde\xbf(\xedu\xc2\x0cu\xed?W\x04\xd2\xdd\x9d\xf1\xf5?MD\xf8)\x0b\xf0\xd9?[\xc0\xaa3\xea\xe5\xbf6ozQHE\xf7?M*CB\xd1\xc2\xd4?{!\x11\xc9\xbd\x00\xb3\x0b\xb0\xeb\x00j\xf6\xbf\x86\xfc\xe7*M\x7f\xcb?_\xca\xdc\xbf\x18\x04\xf1?\x85]G\xea\xb7\xfa\xf1\xbfi4gX\xfdW\xcb\xbf\xc2g^\x8b:\xad\xeb\xbf\x06l\x0bo\x8b\xa8\xec\xbf{L4s\x0bt\x06\xc0;\xdd0F\x89\x15\xfd\xbf\xf6\x06\x03\xde\xd3\xb5\xe4\xbf}\x13\xc9\xc0\x95\x99\xf0\xbf\xfb\rF\x14\xe9;\xb7\xbf\xa1\xa1\x9fpn\x9f\xa4?\x19\xa3\x84\xc65\xec?\xb9^\xa1Ft\xdd\xd8\xbf\x8b,N\x1f\xa3\xf2\xdb?\xe4UJc\x8f\xe3\xbfC\x02\xa0\xbf,\x8d\xca?\xf5)\x82\t\xc1\xb9\xf1\xbf\xbdxl0\xa40\xff\xbfi\x02C3\xb2V\xe9?Q^\x8d\xd9\x0f\xfb\xf6\xbf\xb0\x9c\x914\x17#\xd9\xbfe\xdf\xd2\x0cU\xf4\xf6?\xf3\xf7\xf4M\xfa\xee\xe8\xbf\xb6R\xee\xbd\x1e\xe8?\x84o$\x87\x9c\xf6\xdc\xbf\xf5\xc6$\xd6\xcb\xff\xcb?\xf6\xeb?\xcb\xe7?\\\xa311\xf8\x84\xec?S\xf6\xb5\xea\x9d\xe9?\x06\x18\xed_\x86\x92\xb3?_\xaf\x14\xa2\xc1\xf4\xf2?O\xd2\x02\xbd\xc4d\xf3?p\xe7\x80\x9a3\x91\x04\xc0\xeb\xfe#\xf2/*\xa8\xbf\x9a\xfa\\\xc5\xd9\xff\xf7?\xf4\xfe\xb0\x8a;\xb3\xfb?\x97\x89l\xad\xbe\x05\xd7?\x1d\xc4\xce\xc6\xf5T\xd4\xbf\xfd\x99\xf0n\x8a\xce\xbf:J\xe4\x15\x8b\x0b\xc3??UZ\xe1\x8f\x8e\xfc?\xebph\xb9\x16-\xc4\xbf\x87]\xab\x8b\x9a\xb2\xe0?\xb4\xa2\tw\x01\x92\xf8?temp

np.array([[1,

否则为Falsestock_change[stock_change

0.5]

返回所有大于0.5的数据stock_change[stock_change

0.5]

布尔值里面有一个True就返回True,只有全是False才会返回False

0:5]

否则置为0np.where(np.logical_and(stock_change

0.5,

将大于0.5并且小于1的置为1否则置为0np.where(np.logical_or(stock_change

0.5,

统计指标函数min,max,mean,median,var,std函数其中有一个参数axis,为1代表使用行去进行统计为0使用列进行统计计算。

np.max(a,

±*/等等直接对数组中的每个元素执行相同的操作数组与数组的运算需要满足广播机制广播机制当操作两个数组进行运算的时候numpy会比较两个数组的shape,只有满足shape对应位置相等或者相对应的一个地方为1的数组才可以进行运算结果对应shape取相应的位置的最大值。

矩阵运算矩阵matrix

np.mat()

将数组转换为矩阵有两种方法来存储矩阵ndarray二维数组、matrix数据结构矩阵运算

(m,

也就是第一个矩阵的列数和第二个矩阵的行数要相等np.matmul()

numpy库中用于矩阵乘法的函数,它的作用是计算两个矩阵的乘积np.dot()

向量点乘

True,False]])stock_change[stock_change

1.67468755,

1.53564593])stock_change[stock_change

0.5]

]])print(np.all(stock_change[0:2,

0:5]

Trueprint(np.where(stock_change0,

0))[[0

1]]print(np.where(np.logical_and(stock_change

0.5,

1]]print(np.where(np.logical_or(stock_change

0.5,

stock_change.max())2.837073584187165

2.837073584187165print(np.mean(stock_change,

axis0),

np.mean(stock_change))[-0.9652667

-0.15328082

-0.15500833265906144print(np.argmax(stock_change),

axis1))32

data3matrix([[0.3],[0.7]])print(data2

data3,

第二列乘上0.7[[84.2][80.6][80.1][90.

][83.2][87.6][79.4][93.4]]print(np.matmul(data2,

data3),

][83.2][87.6][79.4][93.4]]合并和分割

wise))

文件路径和分隔符号np.genfromtxt(‘tes.csv’,

delimiter‘,’)

123.]])对于上面的数组中的nan值的类型是float64,对于这个的一般处理方式有两种

Numpy的优势内存存储风格ndrray存储相同数据内存连续存储底层c语言实现支持多线程ndarray的属性shape、dtype、ndim、size、itemsize基本操作ndarray.方法()

np.函数()

np.zeros(shape)从现有数组中生成np.array()

np.copy()

np.asarray()生成固定范围的数组np.linspace(a,

np.arange(a,

正态分布np.random.normal()切片索引形状修改ndarray.reshape((a,

b))

ndarray.T类型修改ndarray.astype(type)

ndarray.tobytes()数组去重np.unique()

逻辑运算:

数组与数的运算数组与数组的运算要注意广播机制矩阵运算np.mat()

np.dot()