在python 中有時候我們用陣列運算元據可以極大的提升資料的處理效率，
類似於R的向量化操作，使得資料的操作趨於簡單化，在python 中是使用numpy模組可以進行陣列和向量計算。
下面來看下簡單的例子
|
1 2 3 4 5 |
import numpy as np data=np.array([2,5,6,8,3]) #構造一個簡單的陣列 print(data) |
結果：
[2 5 6 8 3]
|
1 2 3 |
data1=np.array([[2,5,6,8,3],np.arange(5)]) #構建一個二維陣列 print(data1) |
結果：
[[2 5 6 8 3]
[0 1 2 3 4]]
我們也可以通過shape和dtype方法檢視陣列的維度和資料格式
|
1 2 3 4 |
print(data.shape) print(data.dtype) print(data1.shape) print(data1.dtype) |
結果：
(5,)
int32
(2, 5)
int32
可以看出data是一維陣列，每組元素為5個，資料型別為32位int 型別
data1 為二維陣列，每個組有5個元素，資料型別為32位int型別
有一個較好的區分方法是看列印結果中，中括號的層數和位置，就可以看出陣列的維度，一層中括號代表一個維度。
其他的陣列屬性方法還有：
array.ndim 陣列的維數，一維陣列結果為1，二維陣列列印結果為2
array.size 陣列的元素個數
array.itemsiz 陣列每個元素的位元組大小
接下來我們瞭解下陣列中的資料型別：
| 名稱 | 描述 |
| bool | 用一個位元組儲存的布林型別（True或False） |
| inti | 由所在平臺決定其大小的整數（一般為int32或int64） |
| int8 | 一個位元組大小，-128 至 127 |
| int16 | 整數，-32768 至 32767 |
| int32 | 整數，-2 ** 31 至 2 ** 32 -1 |
| int64 | 整數，-2 ** 63 至 2 ** 63 – 1 |
| uint8 | 無符號整數，0 至 255 |
| uint16 | 無符號整數，0 至 65535 |
| uint32 | 無符號整數，0 至 2 ** 32 – 1 |
| uint64 | 無符號整數，0 至 2 ** 64 – 1 |
| float16 | 半精度浮點數：16位，正負號1位，指數5位，精度10位 |
| float32 | 單精度浮點數：32位，正負號1位，指數8位，精度23位 |
| float64或float | 雙精度浮點數：64位，正負號1位，指數11位，精度52位 |
| complex64 | 複數，分別用兩個32位浮點數表示實部和虛部 |
| complex128或complex | 複數，分別用兩個64位浮點數表示實部和虛部 |
基礎的陣列運算
陣列也可以進行我們常用的加減乘除運算
|
1 2 3 |
arr=np.array(np.arange(10)) arr1=np.array(np.arange(1,11)) print(arr*2) |
結果：
[ 0 2 4 6 8 10 12 14 16 18]
|
1 |
print(arr+arr1) |
結果：
[ 1 3 5 7 9 11 13 15 17 19]
注意，相加兩個陣列長度要一樣
接下來我們看下陣列索引
|
1 |
arr=np.arange(10) |
用下標直接進行索引
|
1 |
print(arr[5]) |
結果為：
5
切片索引
|
1 |
print(arr[5:8]) |
結果為：
[5 6 7]
可以利用索引對資料進行更改操作
|
1 2 |
arr[5]=120 print(arr) |
結果為：
[ 0 1 2 3 4 120 6 7 8 9]
可以看到下標為5的數已經變成120了。
此外，陣列還可以進行布林操作
|
1 2 3 |
arr=np.arange(5) name=np.array(['a','b','b','c','a']) print(name=='a') |
結果為：
[ True False False False True]
即滿足條件的資料全部以True的結果輸出。
接下來我們可以利用name陣列設定條件後的布林值對arr陣列進行相關操作
|
1 |
print(arr[name=='a']) |
結果為：
[0 4]
即把arr中對應於name中a相對應位置的元素列印出來。
多條件操作
|
1 2 3 |
result=(name='a')|(name='c') print(result) print(name[result]) |
結果為：
[ True False False True True]
[‘a’ ‘c’ ‘a’]
接下來，我們瞭解下ufunc方法
用於操作單個陣列的函式有如下：
用於操作兩個或多個陣列的方法
相關的函式方法使用
np.meshgrid 用於生成多維矩陣
|
1 2 3 |
a,b=np.meshgrid(np.arange(1,5),np.arange(2,4)) print(a) print(b) |
結果為：
[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]
按照資料最少的陣列形成陣列
np.where 是三元表示式 x if condition else y的向量化版本
|
1 2 3 4 5 6 7 |
arr1=np.arange(5) arr2=np.arange(20,25) condition=np.array([1,0,1,0,0]) result=np.where(condition,arr1,arr2) print(arr1) print(arr2) print(result) |
結果為：
[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]
可以看出，result的結果中，條件為1的顯示陣列arr1的內容，條件為0的顯示arr2的內容
數學統計方法
在陣列中我們也可以使用數學統計方法進行計數，例如sum mean std 等
|
1 2 3 4 5 |
arr=np.random.randint(1,20,10) print(arr) print(np.mean(arr)) print(np.sum(arr)) print(np.std(arr)) |
結果為：
[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845
具體的方法內容如下圖所示：
布林型陣列的相關統計方法
|
1 2 3 4 |
arr=np.arange(-20,10) result=(arr>5).sum() print(arr) print(result) |
結果為：
-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
-2 -1 0 1 2 3 4 5 6 7 8 9]
4
可以對資料進行判斷後進行個數求和
其他的陣列方法還有
資料的讀取和儲存
線性函式的常用方法
|
1 2 3 |
arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)]) print(arr) print(np.dot(arr,2)) |
結果為
[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]
dot方法可以進行矩陣相乘操作
其他方法如下圖
最後我們瞭解下numpy中的隨機數生成方法
上面的很多例子中我們已經用到了隨機數生成，
|
1 2 |
arr=np.random.random(10) print(arr) |
結果為
[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]
其他形式的隨機數生成方法
瞭解以上numpy的操作方法，基本的資料操作問題應該不是很大了。