作者：賈勝杰，碩士，退役軍人，電氣工程專業，現成功轉行K12領域數據挖掘工程師，不僅在數據清理、分析和預測方向，而且在自制力和高效學習方面都有豐富經驗。?

編輯：王老濕

我們一起來學習Python數據分析的工具學習階段，包括Numpy，Pandas以及Matplotlib，它們是python進行科學計算，數據處理以及可視化的重要庫，在以后的數據分析路上會經常用到，所以一定要掌握，并且還要熟練！今天先從Numpy開始

本文目標

• 初識Numpy

• ndarray的增刪改查

• ndarray切片與篩選

• ndarray運算與排序

NumPy 簡介

NumPy 是 Numerical Python 的簡稱，它是 Python 中的科學計算基本軟件包。NumPy 為 Python 提供了大量數學庫，使我們能夠高效地進行數字計算。更多可點擊Numpy官網(http://www.numpy.org/)查看。

關于Numpy需要知道的幾點：

• NumPy 數組在創建時有固定的大小，不同于Python列表（可以動態增長）。更改ndarray的大小將創建一個新的數組并刪除原始數據。

• NumPy 數組中的元素都需要具有相同的數據類型，因此在存儲器中將具有相同的大小。數組的元素如果也是數組（可以是 Python 的原生 array，也可以是 ndarray）的情況下，則構成了多維數組。

• NumPy 數組便于對大量數據進行高級數學和其他類型的操作。通常，這樣的操作比使用Python的內置序列可能更有效和更少的代碼執行。

所以，Numpy 的核心是ndarray對象，這個對象封裝了同質數據類型的n維數組。起名 ndarray 的原因就是因為是 n-dimension-array 的簡寫。接下來本節所有的課程都是圍繞著ndarray來講的，理論知識較少，代碼量較多，所以大家在學習的時候，多自己動動手，嘗試自己去運行一下代碼。

創建ndarray

• 由python list創建

#?1維數組 a?=?np.array([1,?2,?3])?? print(type(a),?a.shape,?a[0],?a[1],?a[2])out: <class?'numpy.ndarray'>?(3,)?1?2?3#?重新賦值 a[0]?=?5????????????????? print(a)out: [5?2?3]#?2維數組 b?=?np.array([[1,2,3],[4,5,6]])??? print(b)out: [[1?2?3][4?5?6]]print(b[0,?0],?b[0,?1],?b[1,?0])out: 1?2?4

• 由numpy內置函數創建

#?創建2x2的全0數組 a?=?np.zeros((2,2))?? print(a)out: [[?0.??0.][?0.??0.]]#?創建1x2的全1數組 b?=?np.ones((1,2))?? print(b)out: [[?1.??1.]]#?創建2x2定值為7的數組 c?=?np.full((2,2),?7)? print(c)out: [[7?7][7?7]]#?創建2x2的單位矩陣（對角元素為1） d?=?np.eye(2)???????? print(d)out: [[?1.??0.][?0.??1.]]#創建一個對角線為10,20,30,50的對角矩陣 d_1?=?np.diag([10,20,30,50])? print(d_1)out: [[10?0?0?0][?0?20?0?0][?0?0?30?0][?0?0?0?50]]#創建一個一維的0-14的數組 e?=?np.arange(15)??? print(e)out: [?0??1??2??3??4??5??6??7??8??9?10?11?12?13?14]#創建一個一維的4-9的數組 e_1?=?np.arange(4,10)?? print(e_1)out: [4?5?6?7?8?9]#創建一個一維的1-13且以間隔為3的數組 e_2?=?np.arange(1,14,3)?? print(e_2)out: [?1?4?7?10?13]#創建一個一維的范圍在0-10，長度為6的數組 f?=?np.linspace(0,10,6)?? print(f)out: #各個元素的間隔相等，為(10-0)/(6-1)?=?2，若不想包含末尾的10，可以添加參數endpoint?=?False [?0.,??2.,??4.,??6.,??8.,?10.]??#把arange創建的一維數組轉換為3行4列的二維數組 g?=?np.arange(12).reshape(3,4)?? print(g)????????????????????????out: #注意：使用reshape轉換前后的數據量應該相同，12 = 3x4 [[?0,??1,??2,??3],??????????????[?4,??5,??6,??7],[?8,??9,?10,?11]]??????????????#?2x2的隨機數組(矩陣),取值范圍在[0.0,1.0)（包含0，不包含1） h?=?np.random.random((2,2))? print(e)out: [[?0.72776966??0.94164821][?0.04652655??0.2316599?]]#創建一個取值范圍在[4,15)，2行2列的隨機整數矩陣 i?=?np.random.randint(4,15,size?=?(2,2))?? print(i)out: [[6,?5],[5,?9]]#創建一個從均值為0，標準差為0.1的正態分布中隨機抽樣的3x3矩陣 j?=?np.random.normal(0,0.1,size?=?(3,3))?? print(j)out: [[-0.20783767,?-0.12406401,?-0.11775284],[?0.02037018,??0.02898423,?-0.02548213],[-0.0149878?,??0.05277648,??0.08332239]]

訪問、刪除、增加ndarray中的元素

這里主要是提供了一些訪問、更改或增加ndarray中某一元素的基礎方法。

訪問&更改

類似于訪問python list中元素的方式，按照元素的index進行訪問或更改。

#訪問某一元素，這里可以自己多嘗試 #訪問一維數組的某一元素，中括號內填寫index print(np.arange(6)[3])? out:3#訪問二維數組的某一元素，中括號內填寫[行,列] print(np.arange(6).reshape(3,2)[1,1])? out:3#訪問三位數組中的某一元素，中括號內[組，行，列] print(np.arange(12).reshape(2,3,2)[0,1,1])? out:3#更改某一元素，用?=?進行賦值和替換即可 a?=?np.arange(6) a[3]?=?7??????#先訪問，再重新賦值 print(a) [0?1?2?7?4?5]

刪除

可使用np.delete(ndarray, elements, axis)函數進行刪除操作。

這里需要注意的是axis這個參數，在2維數據中，axis = 0表示選擇行，axis = 1表示選擇列，但不能機械的認為0就表示行，1就表示列，注意前提2維數據中。

在三維數據中，axis = 0表示組，1表示行，2表示列。這是為什么呢？提示一下，三位數組的shape中組、行和列是怎樣排序的？

所以，axis的賦值一定要考慮數組的shape。

a?=?np.arange(12).reshape(2,2,3) #思考下，這里刪除axis =?0下的第0個，會是什么結果呢？自己試一下 print(np.delete(a,[0],axis?=?0))??

再有一點需要注意的是，如果你想讓原數據保留刪除后的結果，需要重新賦值一下才可以。

a?=?np.arange(6).reshape(2,3) np.delete(a,[0],axis?=?0) print(a)array([[0,?1,?2],[3,?4,?5]])??#原數據并未更改a?=?np.delete(a,[0],axis?=?0)??#重新賦值 print(a)array([[3,?4,?5]])???#原數據已更改

增加

往ndarray中增加元素的辦法跟python list也很類似，常用的有兩種：

• 一種是添加（append），就是將新增的元素添加到ndarray的尾部

• 語法為：np.append(ndarray, elements, axis)

• 參數和delete函數一致，用法也一致，這里不再贅述

• 一種是插入（insert），可以讓新增元素插入到指定位置

• 語法為：np.insert(ndarray, index, elements, axis)

• 參數中就多了一個index，指示的是插入新元素的位置。

這里值得注意的是，不論是append還是insert，在往多維數組中插入元素時，一定要注意對應axis上的shape要一致。再一個就是，和delete一樣，如果你想要更改原數據，需要重新賦值。

切片和篩選

ndarray切片

前面學了選擇ndarray中的某個元素的方法，這里我們學習獲取ndarray子集的方法——切片。

對于切片大家并不陌生，在list里面我們也接觸過切片，一維的ndarray切片與list無異。需要注意的是，就是理解2維及多維ndarray切片。

• 2維矩陣切片

a?=?np.arange(4*4).reshape(4,4) print(a)out: array([[?0,??1,??2,??3],[?4,??5,??6,??7],[?8,??9,?10,?11],[12,?13,?14,?15]])a[:,:-1]out: array([[?0,??1,??2],[?4,??5,??6],[?8,??9,?10],[12,?13,?14]])

這里可以看出，我們篩選了a矩陣中前三列的所有行，這是如何實現的呢？

切片的第一個元素:表示的是選擇所有行，第二個元素:-1表示的是從第0列至最后一列（不包含），所以結果如上所示。

再看一個例子：

a[1:3,:]out: array([[?4,??5,??6,??7],[?8,??9,?10,?11]])

篩選的是第2-3行的所有列。

• 一個常用的切片

以列的形式獲取最后一列數據：

a[:,3:]out: array([[?3],[?7],[11],[15]])

以一維數組的形式獲取最后一列數據：

a[:,-1]out: array([?3,??7,?11,?15])

上面兩種方法經常會用到，前者的shape為(4,1)，后者為(4,)。

ndarray篩選

• 選擇ndarray的對角線

所用函數為np.diag(ndarray, k=N)，其中參數k的取值決定了按照哪一條對角線選擇數據。

默認k = 0，取主對角線；

k = 1時，取主對角線上面1行的元素；

k = -1時，取主對角線下面1行的元素。

思考：這個函數只能選擇主對角線上的元素，那如果想要獲取副對角線上的元素呢？

嘗試自己搜索一下關鍵詞numpy opposite diagonal尋找答案。

不建議你直接點getting the opposite diagonal of a numpy array。

• 提取ndarray中的唯一值

所用函數為np.unique(ndarray)，注意unique也可以添加參數axis來控制評判唯一值的軸方向，不好理解可以看示例：

#查看二維數組a中的唯一值 a?=?[[0,1,2],[3,4,5],[0,1,2]] print(np.unique(a))???? array([0,?1,?2,?3,?4,?5])#查看a中的唯一行（也就是沒有重復的行） print(np.unique(a,axis?=?0))?? array([[0,?1,?2],[3,?4,?5]])#查看a中的唯一列 print(np.unique(a,axis?=?1))?? array([[0,?1,?2],[3,?4,?5],[0,?1,?2]])#查看a中第一行的唯一值 print(np.unique(a[0]))?? array([0,?1,?2])

• 通過布爾運算篩選

這里在中括號中添加篩選條件，當該條件的結果為True時（即滿足條件時），返回該值。

X[X?>?10]?#篩選數組X中大于10的數據

這里需要注意的是，當輸入多個篩選條件時，&表示與，|表示或，~表示非。

運算與排序

ndarray運算

• 集合運算

np.intersect1d(x,y)?#取x與y的交集 np.setdiff1d(x,y)???#取x與y的差集，返回的是在x中且沒在y中的元素 np.union1d(x,y)?????#取x與y的并集

• 算術運算

我們可以通過+、-、*、/或np.add、np.substract、np.multiply 、np.divide來對兩個矩陣進行元素級的加減乘除運算，因為是元素級的運算，所以兩個矩陣的shape必須要一致或者是可廣播(Broadcast)。

這里所謂的可廣播，就是指雖然A和B兩個矩陣的shape不一致，但是A可以拆分為整數個與B具有相同shape的矩陣，這樣在進行元素級別的運算時，就會先將A進行拆分，然后與B進行運算，結果再組合一起就可以。這里的A就是“可廣播”矩陣。

上面涉及到的乘法是元素對應相乘，也就是點乘，那矩陣的叉乘呢？可以了解下numpy.matmul函數。

ndarray排序

我們使用np.sort()和ndarray.sort()來對ndarray進行排序。

相同的是：

二者都可以使用參數axis來決定依照哪個軸進行排序，axis = 0時按照列排序，axis = 1時按照行排序；

不同的是：

np.sort()不會更改原數組；ndarray.sort()會更改原數組。

-END-

來和小伙伴們一起向上生長呀！

掃描下方二維碼，添加小詹微信，可領取千元大禮包并申請加入 Python 學習交流群，群內僅供學術交流，日常互動，如果是想發推文、廣告、砍價小程序的敬請繞道！一定記得備注「交流學習」，我會盡快通過好友申請哦！

👆長按識別，添加微信

（添加人數較多，請耐心等待）

👆長按識別，關注小詹

（掃碼回復 1024 領取程序員大禮包）

推薦閱讀：（點擊標題即可跳轉）

總結

以上是生活随笔為你收集整理的炒鸡简单，带你快速撸一遍Numpy代码！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。