后面我们会看到pandas提供了一种更精致的方法处理记录。
1.2 数组的索引
简单的下标索引：
In[30]: a[2]
Out[30]: 2
In[31]: b[2, 1]
Out[31]: 3
与python一样，索引的起点为0。负数的索引当然也是可以的：
In[32]: a[-1]
Out[32]: 4
In[33]: b[-1, -2]
Out[33]: 5
以整数数组为下标索引，一次性索引多个值：
In[162]: arange(11, 20)[array([2, 4, 8])]
Out[161]: array([13, 15, 19])
还可以通过布尔值来索引：
In[40]: idx = array([True, False, False, True, True])
In[41]: a[idx]
Out[41]: array([0, 3, 4])
这可以应用在高级索引中，比如条件索引：
b[b>3]
Out[42]: array([4, 4, 5, 4, 5, 6])
得到b中所有大于3的元素，以array形式返回，我们能这么写的原因是b>3会返回一个布尔数组，形式与b一致，各位置的值是b中各元素与3比较之后的结果：
In[43]: b>3
Out[43]:
array([[False, False, False, False, True],
[False, False, False, True, True],
[False, False, True, True, True]], dtype=bool)
1.3 数组的切片
ndarray数组支持各种形式的切片，既可以以下标为线索，还可以以值为线索，为了区分二者，重新生成一个数组：
a = arange(11, 20)
In[54]: a
Out[54]: array([11, 12, 13, 14, 15, 16, 17, 18, 19])
根据下标切片：
In[55]: a[1:4]
Out[55]: array([12, 13, 14])
In[56]: a[1:8:2]
Out[56]: array([12, 14, 16, 18])
In[57]: a[1::2]
Out[57]: array([12, 14, 16, 18])
In[58]: a[:8:]
Out[58]: array([11, 12, 13, 14, 15, 16, 17, 18])
方括号中三个参数为别是起点、终点和步长，默认值分别是0、-1、1，注意终点是不被包含的。可以简单地令步长为-1来翻转数组：
In[60]: a[::-1]
Out[60]: array([19, 18, 17, 16, 15, 14, 13, 12, 11])
ndarray也支持多维数组的切片，先生成一个三维数组，可以通过修改一维数组的shape属性或调用其reshape方法来生成：
In[68]: a = arange(0, 24).reshape(2, 3, 4)
In[69]: a
Out[69]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
多维数组的索引其实跟一维区别不大，可以用:代表选取所有：
In[70]: a[:, 0, 0]
Out[70]: array([ 0, 12])
In[71]: a[0, :, 0]
Out[71]: array([0, 4, 8])
In[72]: a[0, 0, :]
Out[72]: array([0, 1, 2, 3])
In[73]: a[0, 0:2, 0:3]
Out[73]:
array([[0, 1, 2],
[4, 5, 6]])
多个冒号还可以用...来代替：
In[74]: a[...,3]
Out[74]:
array([[ 3, 7, 11],
[15, 19, 23]])
最后，可以使用slice对象来表示切片，它与用1:10:2形式产生切片类似：
In[169]: idx = slice(None, None, 2)
In[171]: a[idx,idx,idx]
Out[170]:
array([[[ 0, 2],
[ 8, 10]]])
相当于a[::2, ::2, ::2]
1.4 数组的变换
可以将上述三维数组展平：
In[75]: a.flatten()
Out[75]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
转置：
In[77]: b.transpose()
Out[77]:
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
修改shape属性来改变维度：
In[79]: a.shape = 4, 6
In[80]: a
Out[80]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
1.5 数组的组合
首先创建一个与a同大小的数组：
In[83]: b = 2*a
可以进行多种方式组合，如水平组合：
In[88]: hstack((a, b))
Out[88]:
array([[ 0, 1, 2, 3, 4, 5, 0, 2, 4, 6, 8, 10],
[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22],
[12, 13, 14, 15, 16, 17, 24, 26, 28, 30, 32, 34],
[18, 19, 20, 21, 22, 23, 36, 38, 40, 42, 44, 46]])
垂直组合：
In[89]: vstack((a, b))
Out[89]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23],
[ 0, 2, 4, 6, 8, 10],
[12, 14, 16, 18, 20, 22],
[24, 26, 28, 30, 32, 34],
[36, 38, 40, 42, 44, 46]])
用concatenate函数可以同时实现这两种方式，通过指定axis参数，默认为0，使用垂直组合。
还可以进行深度组合：
In[91]: dstack((a, b))
Out[91]:
array([[[ 0, 0],
[ 1, 2],
[ 2, 4],
[ 3, 6],
[ 4, 8],
[ 5, 10]],
[[ 6, 12],
[ 7, 14],
[ 8, 16],
[ 9, 18],
[10, 20],
[11, 22]],
[[12, 24],
[13, 26],
[14, 28],
[15, 30],
[16, 32],
[17, 34]],
[[18, 36],
[19, 38],
[20, 40],
[21, 42],
[22, 44],
[23, 46]]])
就好像将两张二维平面的点数据沿纵轴方向叠在一起一样。
1.6 数组的分割
水平分割：
In[94]: hsplit(a, 3)
Out[94]:
[array([[ 0, 1],
[ 6, 7],
[12, 13],
[18, 19]]), array([[ 2, 3],
[ 8, 9],
[14, 15],
[20, 21]]), array([[ 4, 5],
[10, 11],
[16, 17],
[22, 23]])]
垂直分割：
In[97]: vsplit(a, 2)
Out[96]:
[array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]]), array([[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])]
用split函数可以同时实现这两个效果，通过设置其axis参数区别。
类似地，可以通过函数dsplit进行深度分割。
另外可以使用ndarray的一些属性来查看数组的信息：
In[125]: a.ndim # 维数
Out[124]: 2
In[126]: a.size # 元素总个数
Out[125]: 24
In[127]: a.itemsize # 元素在内存中所占的字节
Out[126]: 4
In[128]: a.shape # 维度
Out[127]: (4, 6)
In[130]: a.T # 转置，相当于transponse函数
Out[129]:
array([[ 0, 6, 12, 18],
[ 1, 7, 13, 19],
[ 2, 8, 14, 20],
[ 3, 9, 15, 21],
[ 4, 10, 16, 22],
[ 5, 11, 17, 23]], dtype=int32)
另外多维数组的flat属性可以给出一个”扁平迭代器“——flatiter对象，使我们能像一维数组一样迭代高维数组：
In[134]: for item in array([1, 2, 3, 4]).reshape(2, 2).flat:
... print(item)
...
1
2
3
4
flatiter对象可以直接获取多个元素，并直接赋值修改：
In[140]: af = a.flat
In[141]: af[:]
Out[140]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23], dtype=int32)
In[143]: af[3] = 15
In[144]: af[:]
Out[143]:
array([ 0, 1, 2, 15, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23], dtype=int32)
1.7 矩阵的生成
上面提到了可以用二维数组来模拟矩阵，其实，numpy专门提供了一种用于处理矩阵的数据结构——matrix，它通过mat函数构造生成：
In[8]: m = mat('1 2 3; 4 5 6; 7 8 9')
In[9]: m
Out[9]:
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])二维数组与矩阵可以很方便地相互转换：
In[11]: array(m)
Out[11]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In[12]: mat(_)
Out[12]:
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
用matrix来处理矩阵更方便，有更多方法以供使用，如：
求逆：
In[17]: m.I
Out[17]:
matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15],
[ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15],
[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]])
分块矩阵：
In[25]: I = eye(3)
In[26]: bmat('m I; I m')
Out[26]:
matrix([[ 1., 2., 3., 1., 0., 0.],
[ 4., 5., 6., 0., 1., 0.],
[ 7., 8., 9., 0., 0., 1.],
[ 1., 0., 0., 1., 2., 3.],
[ 0., 1., 0., 4., 5., 6.],
[ 0., 0., 1., 7., 8., 9.]])2 数据处理
2.1 条件判断和搜索
用where函数可以得到满足条件的索引，便于后期处理：
In[219]: a = arange(24).reshape(4, 6)
In[220]: where(a>8)
Out[219]:
(array([1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3], dtype=int32),
array([3, 4, 5, 0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5], dtype=int32))
用compress函数可以筛选出一维数组中满足条件的值：
In[28]: a[0, :].compress(a[0, :] > 2)
Out[28]: array([3, 4, 5])
2.2 CSV文件读写
CSV（逗号分割值）格式可以简单方便地保存数组或矩阵。相比于python的pickle方法，保存为CSV文件可以用一般文本编辑器随时打开查看。保存和读取CSV文件都很简单。
In[190]: b
Out[189]:
array([[ 0, 2, 4, 6, 8, 10],
[12, 14, 16, 18, 20, 22],
[24, 26, 28, 30, 32, 34],
[36, 38, 40, 42, 44, 46]])
In[191]: savetxt("b.txt", b, delimiter=",")
In[192]: b1, b2 = loadtxt("b.txt", delimiter=",", usecols=(3, 4), unpack=True)
In[193]: b1, b2
Out[192]: (array([ 6., 18., 30., 42.]), array([ 8., 20., 32., 44.]))保存时参数delimiter可选，用来分隔数组各元素，读取时也要相应地指定这个值，读取时也可只读取部分数据，usecols即用来指定选取的列，unpack设置为True时表示将这些列分开存储。
读写时遇到字符串（如时间）可以通过指定参数converters来转换。
In[252]:
def datestr2num(s):
return datetime.datetime.strptime(str(s, encoding="utf-8"), "%Y-%m-%d").date().weekday()
weeks, numbers = loadtxt("b.txt", converters={0:datestr2num}, unpack=True)
In[253]: weeks
Out[252]: array([ 2., 4.])2.3 通用函数
用frompyfunc函数可以将一个作用在单一数值的函数映射到作用在数组上的函数：
In[49]: def f(i):
... return 2*i
...
In[50]: ff = frompyfunc(f, 1, 1)
In[52]: ff(a)
Out[52]:
array([[0, 2, 4, 6, 8, 10],
[12, 14, 16, 18, 20, 22],
[24, 26, 28, 30, 32, 34],
[36, 38, 40, 42, 44, 46]], dtype=object)
frompyfunc的两个参数分别定义输入参数和输出参数的个数
另外，numpy提供了一些常用的通用函数，如针对加减乘除的add、subtract、multiply和divide。通用函数都有四个方法：reduce、accumulate、reduceat和outer，以add函数为例：
In[64]: add.reduce(a[0, :])
Out[64]: 15
In[65]: add.accumulate(a[0,:])
Out[65]: array([ 0, 1, 3, 6, 10, 15], dtype=int32)
In[69]: add.reduceat(a[0, :], [0, 5, 2, 4])
Out[69]: array([10, 5, 5, 9], dtype=int32)
In[70]: add.outer(a[0, :], a[1, :])
Out[70]:
array([[ 6, 7, 8, 9, 10, 11],
[ 7, 8, 9, 10, 11, 12],
[ 8, 9, 10, 11, 12, 13],
[ 9, 10, 11, 12, 13, 14],
[10, 11, 12, 13, 14, 15],
[11, 12, 13, 14, 15, 16]])
可见，reduce是将通用函数递归作用在所有元素上，得到最后结果；accumulate也是递归作用在所有元素上，不过它保留中间结果并返回；reduceat则根据指定的起始点进行累积运算，如果终点小于起点，则返回终点处的值；最后outer则是对两个输入数组的所有元素组合进行运算。
3 科学计算
3.1 统计分析
3.1.1 基本统计分析
average函数可以非常方便地计算加权平均值，或者用mean计算算术平均值：
In[204]: a = array([1, 2])
In[205]: average(a, weights=[1,2])
Out[204]: 1.6666666666666667
基本统计分析函数整理如下：
中位数：median
方差：var
标准差：std
差分：diff
最值：max、min、argmax、argmin（后两个得到最值所在的下标）
3.1.2 随机过程分析
3.2 线性代数
先生成一个各元素是0～1之内的随机数的矩阵：
In[47]: a = mat(fromiter((random.random() for i in range(9)), dtype = float32).reshape(3, 3))
In[48]: a
Out[48]:
matrix([[ 0.45035544, 0.53587919, 0.57240343],
[ 0.54386997, 0.16267321, 0.97020519],
[ 0.6454953 , 0.38505632, 0.94705021]], dtype=float32)
接下我们可以对它进行各种线性代数的操作， 如：
求逆：
In[49]: a.I
Out[49]:
matrix([[-10.71426678, -14.01229095, 20.83065987],
[ 5.42686558, 2.7832334 , -6.13131571],
[ 5.09620285, 8.41894722, -10.64905548]], dtype=float32)
解线性方程组（用点积验证了结果）：
In[59]: b = fromiter((random.random() for i in range(3)), dtype = float32)
In[60]: b
Out[60]: array([ 0.56506187, 0.99419129, 0.70462942], dtype=float32)
In[61]: linalg.solve(a, b)
Out[61]: array([-5.3072257 , 1.51327574, 3.74607611], dtype=float32)
In[63]: dot(a, _)
Out[63]: matrix([[ 0.56506193, 0.99419105, 0.70462948]], dtype=float32)
求特征值和特征向量：
In[64]: linalg.eig(a)
Out[64]:
(array([ 1.78036737, -0.08517434, -0.13511421], dtype=float32),
matrix([[-0.5075314 , -0.82206506, 0.77804375],
[-0.56222379, 0.4528676 , -0.57155234],
[-0.65292901, 0.34513769, -0.26072171]], dtype=float32))
行列式：
In[81]: linalg.det(a)
Out[81]: 0.020488938
关于“Python中numpy有什么用”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
名称栏目：Python中numpy有什么用-创新互联
网站网址：http://cdkjz.cn/article/dscpog.html
