当前位置： 移动技术网 > IT编程>开发语言>Java > python数据分析之Numpy(三)

python数据分析之Numpy(三)

2020年07月03日  | 移动技术网IT编程  | 我要评论

python数据分析之Numpy(三)

一、数组的拼接

1、竖向拼接vstack()

import numpy as np
import matplotlib.pyplot as plt


arr1 = np.arange(1,10).reshape(3,3)
arr2 = np.arange(10,19).reshape(3,3)

print(arr1)#[[1 2 3] [4 5 6] [7 8 9]]
print(arr2)#[[10 11 12] [13 14 15] [16 17 18]]
arr3 = np.vstack((arr1,arr2)) #vertically：垂直地
print(arr3)

结果如下：

[
[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]
[13 14 15]
[16 17 18]
]

2、横向拼接hstack()

arr4 = np.hstack((arr1,arr2)) #horizontall：水平的
print(arr4)

结果如下：

[
[ 1 2 3 10 11 12]
[ 4 5 6 13 14 15]
[ 7 8 9 16 17 18]
]

二、数组的行列交换

数组水平或者竖直拼接很简单，但是拼接之前应该注意什么？
竖直拼接的时候：每一列代表的意义相同！！！

如果每一列的意义不同，这个时候应该交换某一组的数的列，让其和另外一类相同

1、行之间的交换

t1 = np.arange(18).reshape(6,3)
print(t1)
结果：
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]
 [12 13 14]
 [15 16 17]]

t1[[1,3],:] = t1[[3,1],:]
print(t1)
结果：
[[ 0  1  2]
 [ 9 10 11]
 [ 6  7  8]
 [ 3  4  5]
 [12 13 14]
 [15 16 17]]

2、列之间的交换

t2 = np.arange(18).reshape(3,6)
print(t2)
#[[ 0  1  2  3  4  5]
# [ 6  7  8  9 10 11]
# [12 13 14 15 16 17]]

t2[:,[2,3]] = t2[:,[3,2]]
print(t2)
#[[ 0  1  3  2  4  5]
# [ 6  7  9  8 10 11]
# [12 13 15 14 16 17]]

三、Numpy更多的方法

1、获取最大值最小值的位置

np.argmax(t,axis=0)

np.argmin(t,axis=1)

a1 = np.array([[  20.,   1.,   22.,   3.,   4.,   50.],
       [  6.,   7.,  5,   9.,  10.,  11.],
       [ 12.,  13.,  14.,  20,  16.,  17.],
       [ 18.,  19.,  20.,  21.,  22.,  23.]])

max_index = np.argmax(a1,axis = 0)#找到每列的最大值位置
print(max_index)#[0 3 0 3 3 0]
min_index = np.argmin(a1,axis = 1)#找到每行最大值的位置
print(min_index)#[1 2 0 0]

2、创建一个全0的数组

a2 = np.zeros((2,3))
print(a2)#[[0. 0. 0.] [0. 0. 0.]]

3、创建一个全1的数组

a3 = np.ones((3,4))
print(a3)
#[[1. 1. 1. 1.]
# [1. 1. 1. 1.]
# [1. 1. 1. 1.]]

4、创建一个对角线为1的正方形数组(方阵)

a4 = np.eye(3)
print(a4)
#[[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]

四、Numpy生成随机数

在numpy中有一个强大的随机数模块–random它主要有四个部分：

  1. 生成器：种随机数种子，根据同一种子产生的随机数是相同的
  2. 简单随机数： 产生简单的随机数据，可以是任何维度
  3. 分布：产生指定分布的数据，如高斯分布等
  4. 排列：将所给对象随机排列

1、生成器

电脑是如何产生随机数的：
（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。

numpy.random 设置种子的方法有：

函数名称 函数功能 参数说明
RandomState 定义种子类 RandomState是一个种子类，提供了各种种子方法，最常用seed
seed([seed]) 定义全局种子 参数为整数或者矩阵 
np.random.seed(1) #设置随机种子为1
arr1 = np.random.rand(2,3)
np.random.seed(1234)
arr2 = np.random.rand(2,3)
print(arr1) #[[0.19151945 0.62210877 0.43772774 [0.78535858 0.77997581 0.27259261]]
print(arr2) #[[0.19151945 0.62210877 0.43772774] [0.78535858 0.77997581 0.27259261]]

2、简单随机数

函数名称 函数功能 参数说明
rand(d0, d1, …, dn) 产生均匀分布的随机数 dn为第n维数据的维度
randn(d0, d1, …, dn) 产生标准正态分布随机数 dn为第n维数据的维度
randint(low, high, size, dtype) 产生随机整数 low：最小值；high：最大值；size：数据个数
random_sample([size]) 在[0,1）内产生随机数 size：随机数的shape，可以为元祖或者列表，[2,3]表示2维随机数，维度为（2,3）
random([size]) 同random_sample([size]) 同random_sample([size])
ranf([size]) 同上 同上
sample([size])) 同上 同上
np.random.choice(a, size=None, replace=True, p=None) 从一维array a 或 int 数字a 中，以概率p随机选取大小为size的数据 replace表示是否重用元素，即抽取出来的数据是否放回原数组中，默认为true（抽取出来的数据有重复）
bytes(length) 返回随机位 length：位的长度 
#1、产生2行3列均匀分布的随机数组
a1 = np.random.rand(2,3)
print("a1:",a1)#a1:[[0.27646426 0.80187218 0.95813935] [0.87593263 0.35781727 0.50099513]]

#2、产生2行3列的正太分布随机数组
a2 = np.random.randn(2,3)
print("a2:",a2)#a2:[[ 1.15003572  0.99194602  0.95332413] [-2.02125482 -0.33407737  0.00211836]]

#3、产生一个[-10,10)之间2行3列的随机整数数组
a3 = np.random.randint(-10,10,[2,3],dtype="int")
print("a3:",a3)#a3:[[ -8  -4  -7] [ -3   1 -10]]

#4、产生2[0,1)之间的2行3列浮点型随机数组
a4 = np.random.random([2,3])
print("a4:",a4) #a4:[[0.88922613 0.9871393  0.11744339] [0.39378235 0.45272981 0.53814784]]

3、分布

函数名称 函数功能 参数说明
beta(a, b[, size]) 贝塔分布样本，在 [0, 1]内。
binomial(n, p[, size]) 二项分布的样本。
chisquare(df[, size]) 卡方分布样本。
dirichlet(alpha[, size]) 狄利克雷分布样本。
exponential([scale, size]) 指数分布
f(dfnum, dfden[, size]) F分布样本。
gamma(shape[, scale, size]) 伽马分布
geometric(p[, size]) 几何分布
gumbel([loc, scale, size]) 耿贝尔分布。
hypergeometric(ngood, nbad, nsample[, size]) 超几何分布样本。
laplace([loc, scale, size]) 拉普拉斯或双指数分布样本
logistic([loc, scale, size]) Logistic分布样本
lognormal([mean, sigma, size]) 对数正态分布
logseries(p[, size]) 对数级数分布。
multinomial(n, pvals[, size]) 多项分布
multivariate_normal(mean, cov[, size]) 多元正态分布。
negative_binomial(n, p[, size]) 负二项分布
noncentral_chisquare(df, nonc[, size]) 非中心卡方分布
noncentral_f(dfnum, dfden, nonc[, size]) 非中心F分布
normal([loc, scale, size]) 正态(高斯)分布
pareto(a[, size]) 帕累托（Lomax）分布
poisson([lam, size]) 泊松分布
power(a[, size]) Draws samples in [0, 1] from a power distribution with positive exponent a - 1.
rayleigh([scale, size]) Rayleigh 分布
standard_cauchy([size]) 标准柯西分布
standard_exponential([size]) 标准的指数分布
standard_gamma(shape[, size]) 标准伽马分布
standard_normal([size]) 标准正态分布 (mean=0, stdev=1).
standard_t(df[, size]) Standard Student’s t distribution with df degrees of freedom.
triangular(left, mode, right[, size]) 三角形分布
uniform([low, high, size]) 均匀分布
vonmises(mu, kappa[, size]) von Mises分布
wald(mean, scale[, size]) 瓦尔德（逆高斯）分布
weibull(a[, size]) Weibull 分布
zipf(a[, size]) 齐普夫分布 
#(1)正态分布
mu = 3  #期望为1
sigma = 3  #标准差为3
num = 100000  #个数为100000

rand_data = np.random.normal(mu, sigma, num)
print(rand_data)
count, bins, ignored = plt.hist(rand_data, 30, normed=True)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2)), linewidth=2, color='r')
plt.show()

正太分布图：
在这里插入图片描述

4、排列

函数名称 函数功能 参数说明
shuffle(x) 打乱对象x（多维矩阵按照第一维打乱） 矩阵或者列表
permutation(x) 打乱并返回该对象（多维矩阵按照第一维打乱） 整数或者矩阵 
data = np.random.randint(1, 6, (2,3))
print(data) #[[4 1 2] [2 4 2]]
np.random.shuffle(data)
print(data) #[[2 4 2] [4 1 2]]

五、Numpy中赋值、视图、深复制

1、赋值

当对numpy数组进行赋值时，只是对同一个对象新建了一个引用，并不是建立新的对象，
所以赋值前后的变量完全是同一对象，对其中一个引用修改时，所有引用都会生效

a = np.arange(5)
b = a # 赋值
print(a is b) #True

2、视图（切片、浅复制）

numpy中允许不同数组间共享数据，这种机制在numpy中称为视图，
对numpy数组的切片和浅复制都是通过视图实现的。如果数组B是数组A的视图(view)，
则称A为B的base(除非A也是视图)。视图数组中的数据实际上保存在base数组中。

a = np.arange(6)
b = a.view()    #使用视图
print(a is b)  #False

b = b.reshape((2,3))#改变视图的形状
print(a) #[0 1 2 3 4 5]
print(b) #[[0 1 2] [3 4 5]]
#可见改变视图形状不会影响base

b = a.view()
b[b>3] = 3 #改变b的数值
print(a)#[0 1 2 3 3 3]
print(b)#[0 1 2 3 3 3]
#可见改变视图数据会影响base，所以他们是共享数据的

#切片
a = np.arange(12).reshape(3,4)
b = a[:]
print(a is b)#False

#改变b的形状
b = b.reshape(2,6)
print(a)#[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]
print(b)#[[ 0  1  2  3  4  5] [ 6  7  8  9 10 11]]

#改变b的数值
b = a[:]
b[b>10] = 10
print(a)#[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 10]]
print(b)#[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 10]]
#切片效果与视图一致,其实切片就是视图

3、深复制

深复制通过数组自带的copy()方法实现，深复制产生的数组与原数组时完全不同的两个数组对象，
完全享有独立的内存空间，所有操作都不会相互影响。

c = np.arange(12).reshape(3,4)
d = c.copy()
print(c is d) #False
c = c.reshape(2,6)#改变c的形状
print(c)#[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]
print(d)#[[ 0  1  2  3  4  5] [ 6  7  8  9 10 11]]
d[d>7]=7
print(c) #[[ 0  1  2  3  4  5] [ 6  7  8  9 10 11]]
print(d)#[[0 1 2 3] [4 5 6 7] [7 7 7 7]]

象，
完全享有独立的内存空间，所有操作都不会相互影响。

c = np.arange(12).reshape(3,4)
d = c.copy()
print(c is d) #False
c = c.reshape(2,6)#改变c的形状
print(c)#[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]
print(d)#[[ 0  1  2  3  4  5] [ 6  7  8  9 10 11]]
d[d>7]=7
print(c) #[[ 0  1  2  3  4  5] [ 6  7  8  9 10 11]]
print(d)#[[0 1 2 3] [4 5 6 7] [7 7 7 7]]

本文地址：https://blog.csdn.net/qq_42755939/article/details/107091694

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网