查看原文
其他

50个常用的 Numpy 函数详解!

推荐关注↓

来源:网络

Numpy是python中最有用的工具之一。它可以有效地处理大容量数据。使用NumPy的最大原因之一是它有很多处理数组的函数。在本文中,将介绍NumPy在数据科学中最重要和最有用的一些函数。


创建数组

1、Array

它用于创建一维或多维数组

numpy.array(object, dtype=None, *,
            copy=True, order='K', subok=False, ndmin=0, like=None)

Dtype:生成数组所需的数据类型。  
ndim:指定生成数组的最小维度数。

import numpy as np
np.array([1,2,3,4,5])
----------------
array([123456])

还可以使用此函数将pandas的df和series转为NumPy数组。

sex = pd.Series(['Male','Male','Female'])
np.array(sex)
------------------------
array(['Male''Male''Female'], dtype=object)

2、Linspace

创建一个具有指定间隔的浮点数的数组。

numpy.linspace(start, stop, num=50, endpoint=True,
               retstep=False, dtype=None, axis=0)[source]

start:起始数字
end:结束
Num:要生成的样本数,默认为50。

np.linspace(10,100,10)
--------------------------------
array([ 10.20.30.40.50.60.70.80.90.100.])

3、Arange

在给定的间隔内返回具有一定步长的整数。

numpy.arange([start, ]stop, [step, ]dtype=None, *, like=None)

step:数值步长。

np.arange(5,10,2)
-----------------------
array([579])

4、Uniform

在上下限之间的均匀分布中生成随机样本。

numpy.random.uniform(low=0.0, high=1.0, size=None)
np.random.uniform(5,10,size = 4)
------------
array([6.474455715.607258738.821923277.47674099])

np.random.uniform(size = 5)
------------
array([0.833580920.417761340.72349553])

np.random.uniform(size = (2,3))
------------
array([[0.7032511 , 0.632120390.6779683 ],
      [0.811508120.268456130.99535264]])

5、Random.randint

在一个范围内生成n个随机整数样本。

numpy.random.randint(low, high=None, size=None, dtype=int)
np.random.randint(5,10,10)
------------------------------
array([6899769859])

6、Random.random

生成n个随机浮点数样本。

numpy.random.random(size=None)
np.random.random(3)
---------------------------
array([0.876563960.247067160.98950278])

7、Logspace

在对数尺度上生成间隔均匀的数字。

numpy.logspace(start, stop, num=50, endpoint=True,
               base=10.0, dtype=None, axis=0)

Start:序列的起始值。
End:序列的最后一个值。
endpoint:如果为True,最后一个样本将包含在序列中。
base:底数。默认是10。

np.logspace(0,10,5,base=2)
------------------
array([1.00000000e+005.65685425e+00
       3.20000000e+011.81019336e+02,1.02400000e+03])

8、zeroes

np.zeroes会创建一个全部为0的数组。

numpy.zeros(shape, dtype=float, order='C', *, like=None)

shape:阵列的形状。
Dtype:生成数组所需的数据类型。' int '或默认' float '

np.zeros((2,3),dtype='int')
---------------
array([[000],
      [000]])

np.zeros(5)
-----------------
array([0.0.0.0.0.])

9、ones

np.ones函数创建一个全部为1的数组。

numpy.ones(shape, dtype=None, order='C', *, like=None)
np.ones((3,4))
------------------
array([[1.1.1.1.],
      [1.1.1.1.],
      [1.1.1.1.]])

10、full

创建一个单独值的n维数组。

numpy.full(shape, fill_value, dtype=None, order='C', *, like=None)

fill_value:填充值。

np.full((2,4),fill_value=2)
--------------
array([[2222],
      [2222]])(2,4) : ꜱʜᴀᴘᴇ

11、Identity

创建具有指定维度的单位矩阵。

numpy.identity(n, dtype=None, *, like=None)
np.identity(4)
----------
array([[1.0.0.0.],
      [0.1.0.0.],
      [0.0.1.0.],
      [0.0.0.1.]])#ᴅᴇꜰᴀᴜʟᴛ ᴅᴀᴛᴀ ᴛʏᴘᴇ ɪꜱ `ꜰʟᴏᴀᴛ`



数组操作

12、min

返回数组中的最小值。

np.min(a, axis=None, out=None, keepdims=<no value>,
       initial=<no value>, where=<no value>)

axis:用于操作的轴。
out:用于存储输出的数组。

arr = np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
----------------
1

13、max

返回数组中的最大值。

np.max(a, axis=None,out=None)
np.max(arr)
------------------
6

14、unique

返回一个所有唯一元素排序的数组。

numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None, *, equal_nan=True)

return_index:如果为True,返回数组的索引。
return_inverse:如果为True,返回唯一数组的下标。
return_counts:如果为True,返回数组中每个唯一元素出现的次数。
axis:要操作的轴。默认情况下,数组被认为是扁平的。

np.unique(arr,return_counts=True)
---------------------
(
array([123456]),             ## Unique elements
array([222112], dtype=int64) ## Count
)

15、mean

返回数组的平均数

numpy.mean(a, axis=None, dtype=None, out=None)
np.mean(arr,dtype='int')
-------------------------------
3

16、medain

返回数组的中位数。

numpy.medain(a, axis=None, out=None)
arr = np.array([[1,2,3],[5,8,4]])
np.median(arr)
-----------------------------
3.5

17、digitize

返回输入数组中每个值所属的容器的索引。

numpy.digitize(x, bins, right=False)[source]

bin:容器的数组。
right:表示该间隔是否包括右边或左边的bin。

a = np.array([-0.90.50.911.21.43.64.75.3])
bins = np.array([0,1,2,3])
np.digitize(a,bins)
-------------------------------
array([011222444], 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中最常用的函数之一。它返回一个数组,其中包含具有新形状的相同数据。

numpy.reshape(shap)
A = np.random.randint(15,size=(4,3))
A
----------------------
array([[ 8141],
      [ 8114],
      [ 941],
      [131311]])

A.reshape(3,4)
-----------------
array([[ 81418],
      [11494],
      [ 1131311]])

A.reshape(-1)  
-------------------
array([ 81418114941131311])

19、expand_dims

它用于扩展数组的维度。

numpy.expand_dims(a, axis)
arr = np.array([ 81418114941131311])
np.expand_dims(A,axis=0)
-------------------------
array([[ 81418114941131311]])

np.expand_dims(A,axis=1)
---------------------------
array([[ 8],
      [14],
      [ 1],
      [ 8],
      [11],
      [ 4],
      [ 9],
      [ 4],
      [ 1],
      [13],
      [13],
      [11]])

20、squeeze

通过移除一个单一维度来降低数组的维度。

np.squeeze(a, axis=None)
arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
np.squeeze(arr)
---------------------------
array([ 81418114941131311])

21、count_nonzero

计算所有非零元素并返回它们的计数。

numpy.count_nonzero(a, axis=None, *, keepdims=False)
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标。

numpy.argwhere(a)
a = np.array([0,0,1,1,1,0])
np.argwhere(a)
---------------------
array([[2],[3],[4]], dtype=int64)

23、argmax & argmin

argmax返回数组中Max元素的索引。它可以用于多类图像分类问题中获得高概率预测标签的指标。

numpy.argmax(a, axis=None, out=None, *, keepdims=<no value>)
arr = np.array([[0.12,0.64,0.19,0.05]])
np.argmax(arr)
---------
1

argmin将返回数组中min元素的索引。

numpy.argmin(a, axis=None, out=None, *, keepdims=<no value>)
np.argmin(min)
------
3

24、sort

对数组排序。

numpy.sort(a, axis=- 1, kind=None, order=None)

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([123457])

25、abs

numpy.absolute(x, /, out=None, *, 
               where=True, casting='same_kind'
               order='K', dtype=None
               subok=True[, signature, extobj]) = <ufunc 'absolute'>

返回数组中元素的绝对值。当数组中包含负数时,它很有用。

A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
---------------
array([[134],
      [243]])

26、round

将浮点值四舍五入到指定数目的小数点。

numpy.around(a, decimals=0, out=None)

decimals:要保留的小数点的个数。

a = np.random.random(size=(3,4))
a
-----
array([[0.816956990.425648220.659514170.2731807 ],
      [0.7017702 , 0.125358940.067476660.55733467],
      [0.914644880.262590260.889662370.59253923]])
     

np.round(a,decimals=0)
------------
array([[1.0.1.1.],
      [1.1.1.1.],
      [0.1.0.1.]])

np.round(a,decimals=1)
-------------
array([[0.80. , 0.60.6],
      [0.50.70.70.8],
      [0.30.90.50.7]])

27、clip

numpy.clip(a, a_min, a_max, out=None, **kwargs)

它可以将数组的裁剪值保持在一个范围内。

arr = np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
-----------------
array([010055523])

arr.clip(0,3)
------------------
array([010033323])

arr.clip(3,5)
------------------
array([333355533])


替换数组中的值

28、where

返回满足条件的数组元素。

numpy.where(condition, [x, y, ]/)

condition:匹配的条件。如果true则返回x,否则y。

a = np.arange(12).reshape(4,3)
a
-------
array([[ 012],
      [ 345],
      [ 678],
      [ 91011]])
     
np.where(a>5)     ## Get The Index
--------------------
(array([222333], dtype=int64),
array([012012], dtype=int64))

a[np.where(a>5)] ## Get Values
--------------------------
array([ 67891011])

它还可以用来替换pandas df中的元素。

np.where(data[feature].isnull(), 10)

29、put

用给定的值替换数组中指定的元素。

numpy.put(a, ind, v)

a:数组
Ind:需要替换的索引
V:替换值

arr = np.array([1,2,3,4,5,6])
arr
--------
array([123456])

np.put(arr,[1,2],[6,7])
arr
--------
array([167456])

30、copyto

将一个数组的内容复制到另一个数组中。

numpy.copyto(dst, src, casting='same_kind', where=True)

dst:目标
src:来源

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函数以排序的方式返回两个数组中所有唯一的值。

numpy.intersect1d(ar1, ar2, assume_unique=False, return_indices=False)

Assume_unique:如果为真值,则假设输入数组都是唯一的。
Return_indices:如果为真,则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([1345])

np.intersect1d(ar1,ar2,return_indices=True)
---------------
(array([1345]),                 ## Common Elements
array([0234], dtype=int64),    
array([5012], dtype=int64))

32、查找不同元素

numpy.setdiff1d(ar1, ar2, assume_unique=False)

np.setdiff1d函数返回arr1中在arr2中不存在的所有唯一元素。

a = np.array([173241])
b = np.array([925678])
np.setdiff1d(a, b)
---------------------
array([134])

33、从两个数组中提取唯一元素

numpy.setxor1d(ar1, ar2, assume_unique=False)

Setxor1d 将按顺序返回两个数组中所有唯一的值。

a = np.array([12346])
b = np.array([149436])
np.setxor1d(a,b)
--------------------
array([ 236936])

34、合并

numpy.union1d(ar1, ar2)

Union1d函数将两个数组合并为一个。

a = np.array([12345])
b = np.array([135436])
np.union1d(a,b)
-------------------
array([ 1234536])


数组分割

35、水平分割

numpy.hsplit(ary, indices_or_sections)

Hsplit函数将数据水平分割为n个相等的部分。

A = np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2)   ## splits the data into two equal parts
---------------
[ array([[34],[67]]), array([[52],[26]]) ]

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

numpy.vsplit(ary, indices_or_sections)

Vsplit将数据垂直分割为n个相等的部分。

A = np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
----------------
[ array([[3452]]), array([[6726]]) ]


数组叠加

37、水平叠加

numpy.hstack(tup)

hstack 将在另一个数组的末尾追加一个数组。

a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])

np.hstack((a,b))
---------------------
array([ 123451491625])

38、垂直叠加

numpy.vstack(tup)

vstack将一个数组堆叠在另一个数组上。

np.vstack((a,b))
----------------------
array([[ 12345],
      [ 1491625]])


数组比较

39、allclose

numpy.allclose(a, b, rtol=1e-05, atol=1e-08, equal_nan=False)

如果两个数组的形状相同,则Allclose函数根据公差值查找两个数组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

numpy.equal(x1, x2, /, out=None, *, 
            where=True, casting='same_kind'
            order='K', dtype=None, subok=True[, signature, extobj]
           ) = <ufunc 'equal'>

它比较两个数组的每个元素,如果元素匹配就返回True。

np.equal(arr1,arr2)
-------------
array([ TrueTrueTrueFalseTrueTrue])


重复的数组元素

41、repeat

它用于重复数组中的元素n次。

numpy.repeat(a, repeats, axis=None)

A:重复的元素
Repeats:重复的次数。

np.repeat('2017',3)
---------------------
array(['2017''2017''2017'], dtype='<U4')

我们来看一个更实际的示例,我们有一个包含按年数量销售的数据集。

fruits = pd.DataFrame([
  ['Mango',40],
  ['Apple',90],
  ['Banana',130]
],columns=['Product','ContainerSales'])
fruits

在数据集中,缺少年份列。我们尝试使用numpy添加它。

fruits['year'] = np.repeat(2020,fruits.shape[0])
fruits

42、tile

通过重复A,rep次来构造一个数组。

numpy.title(A, reps)
np.tile("Ram",5)
-------
array(['Ram''Ram''Ram''Ram''Ram'], dtype='<U3')

np.tile(3,(2,3))
-------
array([[333],
      [333]])


爱因斯坦求和

43、einsum

umpy.einsum(subscripts, *operands, out=None
            dtype=None, order='K'
            casting='safe', optimize=False)

此函数用于计算数组上的多维和线性代数运算。

a = np.arange(1,10).reshape(3,3)
b = np.arange(21,30).reshape(3,3)

np.einsum('ii->i',a)
------------
array([159])

np.einsum('ji',a)
------------
array([[147],
      [258],
      [369]])
     
np.einsum('ij,jk',a,b)
------------
array([[150156162],
      [366381396],
      [582606630]])
     
p.einsum('ii',a)
----------
15
统计分析

44、直方图

numpy.histogram(a, bins=10, range=None
                normed=None, weights=None, density=None)

这是Numpy的重要统计分析函数,可计算一组数据的直方图值。

A = np.array([[3452],
            [6726]])
np.histogram(A)
-------------------
(array([2010101021], dtype=int64),
array([2. , 2.53. , 3.54. , 4.55. , 5.56. , 6.57. ]))

45、百分位数

沿指定轴计算数据的Q-T-T百分位数。

numpy.percentile(a, q, axis=None, out=None
                 overwrite_input=False, method='linear'
                 keepdims=False, *, 
                 interpolation=None)[source]

a:输入。
q:要计算的百分位。
overwrite_input:如果为true,则允许输入数组修改中间计算以节省内存。

a = np.array([[246], [4812]])

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

46、标准偏差

numpy.std(a, axis=None, dtype=None, out=None
          ddof=0, keepdims=<no value>, *, 
          where=<no value>)

std用于计算沿轴的标准偏差。

a = np.array([[246], [4812]])
np.std(a,axis=1)
--------
array([1.632993163.26598632])

np.std(a,axis=0)   ## Column Wise
--------
array([1.2.3.])

47、方差

numpy.var(a, axis=None, dtype=None, out=None
          ddof=0, keepdims=<no value>, *, 
          where=<no value>)

var用于计算沿轴的方差。

a = np.array([[246], [4812]])
np.var(a,axis=1)
-------------------
array([ 2.6666666710.66666667])

np.var(a,axis=0)
-------------------
array([1.4.9.])


数组打印

48、显示带有两个十进制值的浮点数

numpy.set_printoptions(precision=None, threshold=None, edgeitems=None
                       linewidth=None, suppress=None, nanstr=None, infstr=None
                       formatter=None, sign=None, floatmode=None, *,
                       legacy=None)
np.set_printoptions(precision=2)

a = np.array([12.2345632.34535])
print(a)
------------
array([12.23,32.34])

设置打印数组最大值

np.set_printoptions(threshold=np.inf)

增加一行中元素的数量

np.set_printoptions(linewidth=100## 默认是 75


保存和加载数据

49、保存

numpy.savetxt(fname, X, fmt='%.18e', delimiter=' '
              newline='\n', header='', footer=''
              comments='# ', encoding=None)

savetxt用于在文本文件中保存数组的内容。

arr = np.linspace(10,100,500).reshape(25,20)
np.savetxt('array.txt',arr)

50、加载

numpy.loadtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None,
              converters=None, skiprows=0, usecols=None, unpack=False, 
              ndmin=0, encoding='bytes', max_rows=None, *, 
              quotechar=None, like=None)

用于从文本文件加载数组,它以文件名作为参数。

np.loadtxt('array.txt')

以上就是50个numpy常用的函数,希望对你有所帮助。



- EOF -


加主页君微信,不仅Python技能+1

主页君日常还会在个人微信分享Python相关工具资源精选技术文章,不定期分享一些有意思的活动岗位内推以及如何用技术做业余项目

加个微信,打开一扇窗



推荐阅读  点击标题可跳转

1、NumPy、Pandas中若干高效函数!

2、系统性总结了 Numpy 所有知识点

3、这 11 种 Numpy 高级操作你都会吗?


觉得本文对你有帮助?请分享给更多人

推荐关注「Python开发者」,提升Python技能

点赞和在看就是最大的支持❤️

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存