50個(gè)常用的Numpy函數(shù)解釋，參數(shù)和使用示例
Numpy是python中最有用的工具之一。它可以有效地處理大容量數(shù)據(jù)。使用NumPy的最大原因之一是它有很多處理數(shù)組的函數(shù)。在本文中，將介紹NumPy在數(shù)據(jù)科學(xué)中最重要和最有用的一些函數(shù)。
創(chuàng)建數(shù)組
1、Array
它用于創(chuàng)建一維或多維數(shù)組。
Dtype:生成數(shù)組所需的數(shù)據(jù)類型。
ndim:指定生成數(shù)組的最小維度數(shù)。
import numpy as np
np.array([1,2,3,4,5])
----------------
array([1, 2, 3, 4, 5, 6])
還可以使用此函數(shù)將pandas的df和series轉(zhuǎn)為NumPy數(shù)組。
sex = pd.Series(['Male','Male','Female'])
np.array(sex)
------------------------
array(['Male', 'Male', 'Female'], dtype=object)
2、Linspace
創(chuàng)建一個(gè)具有指定間隔的浮點(diǎn)數(shù)的數(shù)組。
start:起始數(shù)字
end:結(jié)束
Num:要生成的樣本數(shù)，默認(rèn)為50。
np.linspace(10,100,10)
--------------------------------
array([ 10., 20., 30., 40., 50., 60., 70., 80., 90., 100.])
3、Arange
在給定的間隔內(nèi)返回具有一定步長(zhǎng)的整數(shù)。
step:數(shù)值步長(zhǎng)。
np.arange(5,10,2)
-----------------------
array([5, 7, 9])
4、Uniform
在上下限之間的均勻分布中生成隨機(jī)樣本。
np.random.uniform(5,10,size = 4)
------------
array([6.47445571, 5.60725873, 8.82192327, 7.47674099])
np.random.uniform(size = 5)
------------
array([0.83358092, 0.41776134, 0.72349553])
np.random.uniform(size = (2,3))
------------
array([[0.7032511 , 0.63212039, 0.6779683 ],
[0.81150812, 0.26845613, 0.99535264]])
5、Random.randint
在一個(gè)范圍內(nèi)生成n個(gè)隨機(jī)整數(shù)樣本。
np.random.randint(5,10,10)
------------------------------
array([6, 8, 9, 9, 7, 6, 9, 8, 5, 9])
6、Random.random
生成n個(gè)隨機(jī)浮點(diǎn)數(shù)樣本。
np.random.random(3)
---------------------------
array([0.87656396, 0.24706716, 0.98950278])
7、Logspace
在對(duì)數(shù)尺度上生成間隔均勻的數(shù)字。
Start:序列的起始值。
End:序列的最后一個(gè)值。
endpoint:如果為True，最后一個(gè)樣本將包含在序列中。
base:底數(shù)。默認(rèn)是10。
np.logspace(0,10,5,base=2)
------------------
array([1.00000000e+00, 5.65685425e+00, 3.20000000e+01, 1.81019336e+02,1.02400000e+03])
8、zeroes
np.zeroes會(huì)創(chuàng)建一個(gè)全部為0的數(shù)組。
shape:陣列的形狀。
Dtype:生成數(shù)組所需的數(shù)據(jù)類型。' int '或默認(rèn)' float '
np.zeros((2,3),dtype='int')
---------------
array([[0, 0, 0],
[0, 0, 0]])
np.zeros(5)
-----------------
array([0., 0., 0., 0., 0.])
9、ones
np.ones函數(shù)創(chuàng)建一個(gè)全部為1的數(shù)組。
np.ones((3,4))
------------------
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
10、full
創(chuàng)建一個(gè)單獨(dú)值的n維數(shù)組。
fill_value:填充值。
np.full((2,4),fill_value=2)
--------------
array([[2, 2, 2, 2],
[2, 2, 2, 2]])(2,4) : ?????
11、Identity
創(chuàng)建具有指定維度的單位矩陣。
np.identity(4)
----------
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])#??????? ???? ???? ?? `?????`
數(shù)組操作
12、min
返回?cái)?shù)組中的最小值。
axis:用于操作的軸。
out:用于存儲(chǔ)輸出的數(shù)組。
arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
----------------
1
13、max
返回?cái)?shù)組中的最大值。
np.max(arr)
------------------
6
14、unique
返回一個(gè)所有唯一元素排序的數(shù)組。
return_index:如果為True，返回?cái)?shù)組的索引。
return_inverse:如果為True，返回唯一數(shù)組的下標(biāo)。
return_counts:如果為True，返回?cái)?shù)組中每個(gè)唯一元素出現(xiàn)的次數(shù)。
axis:要操作的軸。默認(rèn)情況下，數(shù)組被認(rèn)為是扁平的。
np.unique(arr,return_counts=True)
---------------------
(
array([1, 2, 3, 4, 5, 6]), ## Unique elements
array([2, 2, 2, 1, 1, 2], dtype=int64) ## Count
)
15、mean
返回?cái)?shù)組的平均數(shù)。
np.mean(arr,dtype='int')
-------------------------------
3
16、medain
返回?cái)?shù)組的中位數(shù)。
arr = np.array([[1,2,3],[5,8,4]])
np.median(arr)
-----------------------------
3.5
17、digitize
返回輸入數(shù)組中每個(gè)值所屬的容器的索引。
bin：容器的數(shù)組。
right:表示該間隔是否包括右邊或左邊的bin。
a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3])
bins = np.array([0,1,2,3])
np.digitize(a,bins)
-------------------------------
array([0, 1, 1, 2, 2, 2, 4, 4, 4], dtype=int64)
Exp Value
x < 0 : 0
0 <= x <1 : 1
1 <= x <2 : 2
2 <= x <3 : 3
3 <=x : 4
Compares -0.9 to 0, here x < 0 so Put 0 in resulting array.
Compares 0.5 to 0, here 0 <= x <1 so Put 1.
Compares 5.4 to 4, here 3<=x so Put 4
18、reshape
它是NumPy中最常用的函數(shù)之一。它返回一個(gè)數(shù)組，其中包含具有新形狀的相同數(shù)據(jù)。
A = np.random.randint(15,size=(4,3))
A
----------------------
array([[ 8, 14, 1],
[ 8, 11, 4],
[ 9, 4, 1],
[13, 13, 11]])
A.reshape(3,4)
-----------------
array([[ 8, 14, 1, 8],
[11, 4, 9, 4],
[ 1, 13, 13, 11]])
A.reshape(-1)
-------------------
array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
19、expand_dims
它用于擴(kuò)展數(shù)組的維度。
arr = np.array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
np.expand_dims(A,axis=0)
-------------------------
array([[ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11]])
np.expand_dims(A,axis=1)
---------------------------
array([[ 8],
[14],
[ 1],
[ 8],
[11],
[ 4],
[ 9],
[ 4],
[ 1],
[13],
[13],
[11]])
20、squeeze
通過移除一個(gè)單一維度來降低數(shù)組的維度。
arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
np.squeeze(arr)
---------------------------
array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
21、count_nonzero
計(jì)算所有非零元素并返回它們的計(jì)數(shù)。
a = np.array([0,0,1,1,1,0])
np.count_nonzero(a)
--------------------------
3
22、argwhere
查找并返回非零元素的所有下標(biāo)。
a = np.array([0,0,1,1,1,0])
np.argwhere(a)
---------------------
array([[2],[3],[4]], dtype=int64)
23、argmax & argmin
argmax返回?cái)?shù)組中Max元素的索引。它可以用于多類圖像分類問題中獲得高概率預(yù)測(cè)標(biāo)簽的指標(biāo)。
arr = np.array([[0.12,0.64,0.19,0.05]])
np.argmax(arr)
---------
1
argmin將返回?cái)?shù)組中min元素的索引。
np.argmin(min)
------
3
24、sort
對(duì)數(shù)組排序。
kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}
arr = np.array([2,3,1,7,4,5])
np.sort(arr)
----------------
array([1, 2, 3, 4, 5, 7])
25、abs
返回?cái)?shù)組中元素的絕對(duì)值。當(dāng)數(shù)組中包含負(fù)數(shù)時(shí)，它很有用。
A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
---------------
array([[1, 3, 4],
[2, 4, 3]])
26、round
將浮點(diǎn)值四舍五入到指定數(shù)目的小數(shù)點(diǎn)。
decimals:要保留的小數(shù)點(diǎn)的個(gè)數(shù)。
a = np.random.random(size=(3,4))
a
-----
array([[0.81695699, 0.42564822, 0.65951417, 0.2731807 ],
[0.7017702 , 0.12535894, 0.06747666, 0.55733467],
[0.91464488, 0.26259026, 0.88966237, 0.59253923]])
np.round(a,decimals=0)
------------
array([[1., 0., 1., 1.],
[1., 1., 1., 1.],
[0., 1., 0., 1.]])
np.round(a,decimals=1)
-------------
array([[0.8, 0. , 0.6, 0.6],
[0.5, 0.7, 0.7, 0.8],
[0.3, 0.9, 0.5, 0.7]])
27、clip
它可以將數(shù)組的裁剪值保持在一個(gè)范圍內(nèi)。
arr = np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
-----------------
array([0, 1, 0, 0, 5, 5, 5, 2, 3])
arr.clip(0,3)
------------------
array([0, 1, 0, 0, 3, 3, 3, 2, 3])
arr.clip(3,5)
------------------
array([3, 3, 3, 3, 5, 5, 5, 3, 3])
替換數(shù)組中的值
28、where
返回滿足條件的數(shù)組元素。
condition:匹配的條件。如果true則返回x，否則y。
a = np.arange(12).reshape(4,3)
a
-------
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
np.where(a>5) ## Get The Index
--------------------
(array([2, 2, 2, 3, 3, 3], dtype=int64),
array([0, 1, 2, 0, 1, 2], dtype=int64))
a[np.where(a>5)] ## Get Values
--------------------------
array([ 6, 7, 8, 9, 10, 11])
它還可以用來替換pandas df中的元素。
np.where(data[feature].isnull(), 1, 0)
29、put
用給定的值替換數(shù)組中指定的元素。
a:數(shù)組
Ind:需要替換的索引。
V:替換值。
arr = np.array([1,2,3,4,5,6])
arr
--------
array([1, 2, 3, 4, 5, 6])
np.put(arr,[1,2],[6,7])
arr
--------
array([1, 6, 7, 4, 5, 6])
30、copyto
將一個(gè)數(shù)組的內(nèi)容復(fù)制到另一個(gè)數(shù)組中。
dst：目標(biāo)
src：來源
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
print("Before arr1",arr1)
print("Before arr2",arr1)
np.copyto(arr1,arr2)
print("After arr1",arr1)
print("After arr2",arr2)
---------------------------
Before arr1 [1 2 3]
Before arr2 [4 5 6]
After arr1 [4 5 6]
After arr2 [4 5 6]
集合操作
31、查找公共元素
intersect1d函數(shù)以排序的方式返回兩個(gè)數(shù)組中所有唯一的值。
Assume_unique:如果為真值，則假設(shè)輸入數(shù)組都是唯一的。
Return_indices:如果為真，則返回公共元素的索引。
ar1 = np.array([1,2,3,4,5,6])
ar2 = np.array([3,4,5,8,9,1])
np.intersect1d(ar1,ar2)
---------------
array([1, 3, 4, 5])
np.intersect1d(ar1,ar2,return_indices=True)
---------------
(array([1, 3, 4, 5]), ## Common Elements
array([0, 2, 3, 4], dtype=int64),
array([5, 0, 1, 2], dtype=int64))
32、查找不同元素
np.setdiff1d函數(shù)返回arr1中在arr2中不存在的所有唯一元素。
a = np.array([1, 7, 3, 2, 4, 1])
b = np.array([9, 2, 5, 6, 7, 8])
np.setdiff1d(a, b)
---------------------
array([1, 3, 4])
33、從兩個(gè)數(shù)組中提取唯一元素
Setxor1d 將按順序返回兩個(gè)數(shù)組中所有唯一的值。
a = np.array([1, 2, 3, 4, 6])
b = np.array([1, 4, 9, 4, 36])
np.setxor1d(a,b)
--------------------
array([ 2, 3, 6, 9, 36])
34、合并
Union1d函數(shù)將兩個(gè)數(shù)組合并為一個(gè)。
a = np.array([1, 2, 3, 4, 5])
b = np.array([1, 3, 5, 4, 36])
np.union1d(a,b)
-------------------
array([ 1, 2, 3, 4, 5, 36])
數(shù)組分割
35、水平分割
Hsplit函數(shù)將數(shù)據(jù)水平分割為n個(gè)相等的部分。
A = np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2) ## splits the data into two equal parts
---------------
[ array([[3, 4],[6, 7]]), array([[5, 2],[2, 6]]) ]
np.hsplit(A,4) ## splits the data into four equal parts
-----------------
[ array([[3],[6]]), array([[4],[7]]),
array([[5],[2]]), array([[2],[6]]) ]
36、垂直分割
Vsplit將數(shù)據(jù)垂直分割為n個(gè)相等的部分。
A = np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
----------------
[ array([[3, 4, 5, 2]]), array([[6, 7, 2, 6]]) ]
數(shù)組疊加
37、水平疊加
hstack 將在另一個(gè)數(shù)組的末尾追加一個(gè)數(shù)組。
a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])
np.hstack((a,b))
---------------------
array([ 1, 2, 3, 4, 5, 1, 4, 9, 16, 25])
38、垂直疊加
vstack將一個(gè)數(shù)組堆疊在另一個(gè)數(shù)組上。
np.vstack((a,b))
----------------------
array([[ 1, 2, 3, 4, 5],
[ 1, 4, 9, 16, 25]])
數(shù)組比較
39、allclose
如果兩個(gè)數(shù)組的形狀相同，則Allclose函數(shù)根據(jù)公差值查找兩個(gè)數(shù)組是否相等或近似相等。
a = np.array([0.25,0.4,0.6,0.32])
b = np.array([0.26,0.3,0.7,0.32])
tolerance = 0.1 ## Total Difference
np.allclose(a,b,tolerance)
---------
False
tolerance = 0.5
np.allclose(a,b,tolerance)
----------
True
40、equal
它比較兩個(gè)數(shù)組的每個(gè)元素，如果元素匹配就返回True。
np.equal(arr1,arr2)
-------------
array([ True, True, True, False, True, True])
重復(fù)的數(shù)組元素
40、repeat
它用于重復(fù)數(shù)組中的元素n次。
A:重復(fù)的元素
Repeats:重復(fù)的次數(shù)。
np.repeat('2017',3)
---------------------
array(['2017', '2017', '2017'], dtype='<U4')讓我們來看一個(gè)更實(shí)際的示例，我們有一個(gè)包含按年數(shù)量銷售的數(shù)據(jù)集。
fruits = pd.DataFrame([
['Mango',40],
['Apple',90],
['Banana',130]
],columns=['Product','ContainerSales'])
fruits
在數(shù)據(jù)集中，缺少年份列。我們嘗試使用numpy添加它。
fruits['year'] = np.repeat(2020,fruits.shape[0])
fruits
41、tile
通過重復(fù)A，rep次來構(gòu)造一個(gè)數(shù)組。
np.tile("Ram",5)
-------
array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='<U3')
np.tile(3,(2,3))
-------
array([[3, 3, 3],
[3, 3, 3]])愛因斯坦求和
42、einsum
此函數(shù)用于計(jì)算數(shù)組上的多維和線性代數(shù)運(yùn)算。
a = np.arange(1,10).reshape(3,3)
b = np.arange(21,30).reshape(3,3)
np.einsum('ii->i',a)
------------
array([1, 5, 9])
np.einsum('ji',a)
------------
array([[1, 4, 7],
[2, 5, 8],
[3, 6, 9]])
np.einsum('ij,jk',a,b)
------------
array([[150, 156, 162],
[366, 381, 396],
[582, 606, 630]])
p.einsum('ii',a)
----------
15
統(tǒng)計(jì)分析
43、直方圖
這是Numpy的重要統(tǒng)計(jì)分析函數(shù)，可計(jì)算一組數(shù)據(jù)的直方圖值。
A = np.array([[3, 4, 5, 2],
[6, 7, 2, 6]])
np.histogram(A)
-------------------
(array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1], dtype=int64),
array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ]))
44、百分位數(shù)
沿指定軸計(jì)算數(shù)據(jù)的Q-T-T百分位數(shù)。
a:輸入。
q:要計(jì)算的百分位。
overwrite_input:如果為true，則允許輸入數(shù)組修改中間計(jì)算以節(jié)省內(nèi)存。
a = np.array([[2, 4, 6], [4, 8, 12]])
np.percentile(a, 50)
-----------
5.0
np.percentile(a, 10)
------------
3.0
arr = np.array([2,3,4,1,6,7])
np.percentile(a,5)
------------
2.5
45、標(biāo)準(zhǔn)偏差和方差
std和var是NumPy的兩個(gè)函數(shù)，用于計(jì)算沿軸的標(biāo)準(zhǔn)偏差和方差。
a = np.array([[2, 4, 6], [4, 8, 12]])
np.std(a,axis=1)
--------
array([1.63299316, 3.26598632])
np.std(a,axis=0) ## Column Wise
--------
array([1., 2., 3.])
np.var(a,axis=1)
-------------------
array([ 2.66666667, 10.66666667])
np.var(a,axis=0)
-------------------
array([1., 4., 9.])
數(shù)組打印
46、顯示帶有兩個(gè)十進(jìn)制值的浮點(diǎn)數(shù)
np.set_printoptions(precision=2)
a = np.array([12.23456,32.34535])
print(a)
------------
array([12.23,32.34])
47、設(shè)置打印數(shù)組最大值
np.set_printoptions(threshold=np.inf)
48、增加一行中元素的數(shù)量
np.set_printoptions(linewidth=100) ## 默認(rèn)是 75
保存和加載數(shù)據(jù)
49、保存
savetxt用于在文本文件中保存數(shù)組的內(nèi)容。
arr = np.linspace(10,100,500).reshape(25,20)
np.savetxt('array.txt',arr)
50、加載
用于從文本文件加載數(shù)組，它以文件名作為參數(shù)。
np.loadtxt('array.txt')以上就是50個(gè)numpy常用的函數(shù)，希望對(duì)你有所幫助。
