NumPy生成自定义数组

特殊数组的创建方法

• numpy.arange 生成数值范围

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

• numpy.linspace 生成等差数列

  np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

• numpy.logspace 生成等比数列

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

• np.zeros 全0数组

  np.zeros(6)                      # 默认是浮点型

• np.ones全1数组

  np.ones((3, 2))                  # 三行两列

• 随机数组：rand生成服从01分布的随机数

  np.random.rand(5)                # 返回服从01分布的5个数

• 随机数组：randn生成标准正态分布的随机数

  np.random.randn(5) 

• 随机数组：normal生成元素是指定随机分布的数组

  np.random.normal(4, 2, (3,3))   
  
  array([[ 5.53705005,  1.95477989,  3.07768639],       
          [ 4.15457427,  3.69587242,  3.18715934],       
          [ 5.46093734,  6.60888084, -0.55980278]])

• 生成全数值相同的数组

  np.full((2, 2), 3)

• np.eye生成单位矩阵

  np.eye(5)
  
  array([[1, 0, 0],
         [0, 2, 0],
         [0, 0, 3]])
  ```       
  - np.diag生成对角矩阵
  ```python
  np.diag([1, 2, 3])
  
  array([[1, 0, 0],
         [0, 2, 0],
         [0, 0, 3]])
  ```       
  - np.array按照某种形状生成ndarray
  ```python
  e = [[2,1,3],[4,3,2]]
  np.array(e)
  
  array([[2, 1, 3],
         [4, 3, 2]])
  
  np.ones_like(e)
  np.zeros_like(e)
  np.full_like(e,5)

数组常用变形方法

• reshape方法：调整数组行列结构

  a1 = np.random.rand(2, 3)
  a1
  array([[0.56262855, 0.73129141, 0.86289312],
         [0.93186546, 0.93884182, 0.22485166]])

• flatten方法：将数组降为一维数组

  a1.flatten().shape
  (6,)

• .T方法：数组的转置

  a1
  array([[0.56262855, 0.73129141, 0.86289312],
         [0.93186546, 0.93884182, 0.22485166]])
  
  a1.T                    # 就类似于矩阵的转置
  array([[0.56262855, 0.93186546],
         [0.73129141, 0.93884182],
         [0.86289312, 0.22485166]])

数组的拼接

a1 = np.array([[1, 2], [3, 4]])
a2 = np.array([[5, 6], [7, 8]])

(array([[1, 2],
        [3, 4]]),
 array([[5, 6],
        [7, 8]]))
```        

- vstack：纵向拼接，按列拼接，新增行，上下拼接

```python
np.vstack([a1, a2])             # 需要输入一个序列
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])

• hstack：横向拼接，按行拼接，新增列，左右拼接

np.hstack([a1, a2]) 
array([[1, 2, 5, 6],
       [3, 4, 7, 8]])

数组的切分

当然，有拼接就有切分。接下来，简单看下数组的切分方法。拼接时关键字是stack，切分时关键字是split

a = np.arange(24).reshape(3,8)          # 创建3行8列的二维数组
a
array([[ 0,  1,  2,  3,  4,  5,  6,  7],
       [ 8,  9, 10, 11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20, 21, 22, 23]])

• hsplit：左右切分

  # 当第二个参数只输入一个数时，是进行等分
  np.hsplit(a,2)
  
  [array([[ 0,  1,  2,  3],
          [ 8,  9, 10, 11],
          [16, 17, 18, 19]]),
   array([[ 4,  5,  6,  7],
          [12, 13, 14, 15],
          [20, 21, 22, 23]])]
  # 无法等分的情况会报错
  np.hsplit(a,3)
  ````
  ```python
  # 当第二个参数输入一个序列时，则是根据列标进行切分
  np.hsplit(a,(1,2,3))          # 第一列、第二列、第三列后进行切分
  
  [array([[ 0],
          [ 8],
          [16]]),
   array([[ 1],
          [ 9],
          [17]]),
   array([[ 2],
          [10],
          [18]]),
   array([[ 3,  4,  5,  6,  7],
          [11, 12, 13, 14, 15],
          [19, 20, 21, 22, 23]])]
  - vsplit：上下切分
  ```python
  np.vsplit(a,3)                # 三等分
  
  [array([[0, 1, 2, 3, 4, 5, 6, 7]]),
   array([[ 8,  9, 10, 11, 12, 13, 14, 15]]),
   array([[16, 17, 18, 19, 20, 21, 22, 23]])]

• array_split：通用切分方法

  # 均分
  np.array_split(a, 2, axis=1)        # axis = 1，左右切分
  
  [array([[ 0,  1,  2,  3],
          [ 8,  9, 10, 11],
          [16, 17, 18, 19]]),
   array([[ 4,  5,  6,  7],
          [12, 13, 14, 15],
          [20, 21, 22, 23]])]
  # 根据列标进行切分
  np.array_split(a, (1, ), axis=1)
  
  [array([[ 0],
          [ 8],
          [16]]),
   array([[ 1,  2,  3,  4,  5,  6,  7],
          [ 9, 10, 11, 12, 13, 14, 15],
          [17, 18, 19, 20, 21, 22, 23]])]
  # 均分
  np.array_split(a, 3, axis=0)         # axis = 0，上下切分
  
  [array([[0, 1, 2, 3, 4, 5, 6, 7]]),
   array([[ 8,  9, 10, 11, 12, 13, 14, 15]]),
   array([[16, 17, 18, 19, 20, 21, 22, 23]])]
  # 根据行标进行切分
  np.array_split(a, (1, ), axis=0)
  
  [array([[0, 1, 2, 3, 4, 5, 6, 7]]),
   array([[ 8,  9, 10, 11, 12, 13, 14, 15],
          [16, 17, 18, 19, 20, 21, 22, 23]])]

数组的算数运算

数学运算函数	描述
np.add(x1，x2 )	按元素添加参数，等效于 x1 + x2
np.subtract(x1，x2)	按元素方式减去参数，等效于x1 - x2
np.multiply(x1，x2)	逐元素乘法参数，等效于x1 * x2
np.divide(x1，x2)	逐元素除以参数，等效于x1 / x2
np.exp(x)	计算e的x次方。
np.exp2(x)	计算2的x次方。
np.power(x1,x2)	计算x1的x2次幂。
np.mod(x)	返回输入数组中相应元素的除法余数.
np.log(x)	自然对数，逐元素。
np.log2(x)	x的基础2对数。
np.log10(x)	以元素为单位返回输入数组的基数10的对数。
np.expm1(x)	对数组中的所有元素计算exp（x） - 1
np.log1p(x)	返回一个加自然对数的输入数组。
np.sqrt(x)	按元素方式返回数组的正平方根。
np.square(x)	返回输入的元素平方。
np.sin(x)	三角正弦。
np.cos(x)	元素余弦。
np.tan(x)	逐元素计算切线。
np.round(x)	四舍五入
np.floor(x)	向下取整
np.ceil(x)	向上取整
数组的统计运算
NumPy有很多有用的统计函数，用于从数组中给定的元素中查找最小，最大，百分标准差和方差等。
常用统计函数：

函数名称	NaN安全版本	描述
np.sum()	np.nansum()	计算元素的和
np.min()	np.nanmin()	找出最小值
np.max()	np.nanmax()	找出最大值
np.prod()	np.nanprod()	计算元素的积
np.ptp()	N/A	计算元素的极差（最大值 - 最小值）
np.mean()	np.nanmean()	计算元素的算术平均值
np.std()	np.nanstd()	计算标准差
np.var()	np.nanvar()	计算方差
np.percentile()	np.nanpercentile()	计算百分位数
np.median()	np.nanmedian()	计算中位数
np.average()	N/A	返回数组的加权平均值
np.any()	N/A	验证任何一个元素是否为真
np.all()	N/A	验证所有元素是否为真

数组的线性代数函数

NumPy拥有numpy.linalg 模块，提供线性代数所需的所有功能。

• np.dot() 返回两个数组的点积
• np.vdot() 返回两个向量的点积
• np.inner() 返回一维数组的向量内积
• np.matmul() 返回两个数组的矩阵乘积
• np.linalg.det() 计算输入矩阵的行列式
• np.linalg.solve() 求解矩阵形式的线性方程的解
• np.linalg.inv() 计算矩阵的逆

Pandas-DataFrame的创建

df = pd.DataFrame(data=None, 
                  index=None, 
                  columns=None,
                  dtype=None, 
                  copy=False
                  )

由Series创建DataFrame

s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([2, 3, 4], index=['b', 'c', 'd'])
df = pd.DataFrame([s1, s2])

二维array创建DataFrame

l = [[1, 2, 3], [2, 3, 4]]
pd.DataFrame(a)

利用字典创建DataFrame

d1 = {'a':range(3),'b':range(3),'c':range(3)}
pd.DataFrame(d1)

在创建过程中，字典的Key会编程column名称，并且系统会自动生成index.