前言

學習數據分析，必繞不開numpy和pandas這兩個庫，numpy的ndarray數據結構和矩陣數據非常類似，最近搞科研的時候總是會用到，之前學的都忘記完了，所以，這次打算把numpy庫的基本用法記錄在一篇文章里，以便后面復習和使用。

ndarray多維數組創建

不要管復雜的概念，我們把多維數組看做成矩陣就行（實際使用中也是這樣的），例如，下面的二維數據，我們就可以看做成2行3列的矩陣。

import numpy as np

b = np.array([[1,2,3],[4,5,6]])
print(b)

# [[1 2 3]
# [4 5 6]]

一切從創建說起

一個特定的數據結構，肯定有著特定的創建方式，例如列表我們就是通過[]來創建，字典我們用{}來創建。ndarray多維數組用numpy庫的array方法來創建。

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

• object 數組或嵌套的數列（列表，元祖，數組，或者其他序列類型）
• dtype 數組元素的數據類型，可選
• copy 對象是否需要復制，可選
• order 創建數組的樣式，C為行方向，F為列方向，A為任意方向（默認）
• subok 默認返回一個與基類類型一致的數組
• ndmin 指定生成數組的最小維度

# 1維數組
a = np.array([1,2,3])
print(a)

# [1,2,3]

# 2維數組
b = np.array([[1,2,3],[4,5,6]])
print(b)

# [[1 2 3]
# [4 5 6]]

# 指定數據類型
c = np.array([[1,2,3],[4,5,6]], dtype = np.float64)
print(c)

# reslut
[[1. 2. 3.]
 [4. 5. 6.]]

特殊創建方式

numpy也提供了一些函數用于創建特殊的數組。

• zeros，全為0數組；
• ones，全為1數據；
• empty，垃圾值數組。
• full，填充任意值

數值范圍創建數組

我們做循環的時候經常會用到range，可以取數值范圍，numpy中有個arange函數，可用于創建數組。

arr4 = np.arange(9)
arr4

# [0, 1, 2, 3, 4, 5, 6, 7, 8]

這樣創建的數組只能是一維的，arange函數經常和reshape一起使用（后面還會介紹），可以創建多維的數組。

arr5 = np.arange(9).reshape(3,3)
arr5

array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

ndarray數據屬性

屬性我們常需要調用的就是ndim，shape和dtype。

• ndarray.ndim 秩，即軸的數量或維度的數量
• ndarray.shape 數組的維度，對于矩陣，n 行 m 列
• ndarray.size 數組元素的總個數，相當于 .shape 中 n*m 的值
• ndarray.dtype ndarray 對象的元素類型
• ndarray.itemsize ndarray 對象中每個元素的大小，以字節為單位
• ndarray.flags ndarray 對象的內存信息
• ndarray.real ndarray元素的實部
• ndarray.imag ndarray 元素的虛部
• ndarray.data 包含實際數組元素的緩沖區，由于一般通過數組的索引獲取元- 素，所以通常不需要使用這個屬性。

arr5 = np.arange(9).reshape(3,3)
print(arr5.ndim)
print(arr5.shape)
print(arr5.dtype)

2
(3, 3)
int64

改變數組數據類型

這個我們經常會用到，例如我們把整數數組轉換為浮點數數組，使用astype方法，用np.float64和'float64'都可以。

切片和索引

這部分內容非常重要，我們經常要選取特定的部分數據來操作，這里就必須要用到切片和索引。

小試牛刀

和列表的切片和索引很類似，都是從0開始計數，一維數組很簡單，也很好理解（和列表一樣操作就行），這里就不多介紹了。

二維數組，選取數據無非就以下幾種情況，選取特定的行，特定的列，或者組合，我們來看看怎么寫。

特定行

特定列

特定的行和列，這部分就有點不一樣了，如果行或者列中有切片，就能得到我們想要的結果，例如獲取2,3行以及1，3列。

如果我們想要獲取1,3行以及1,3列，用這種寫法結果就不對。

這其實獲取的是第一行第一列以及第三行第三列的值，這時候我們就需要用到花式索引。

花式索引

要使用np.ix_來完成。

其實不用這樣寫也可以，就是稍微復雜一點。我們先選取第一行和第三行，選完之后，再選取列。

布爾索引

還有一個很重要的概念，就是布爾索引。

這里有兩個函數需要介紹下，一個是all，一個是any，all是都為True，就返回True，any是一個為True，就返回True。

數組操作

修改數組形狀

之前我們簡單了解過reshape方法，可以改變數組的形狀。通過flatten或者ravel可以將數組從新進行展開。

合并和分割數組

合并數組主要有以下幾種方法：

• concatenate 連接沿現有軸的數組序列
• stack 沿著新的軸加入一系列數組。
• hstack 水平堆疊序列中的數組（列方向）
• vstack 豎直堆疊序列中的數組（行方向）

axis參數就是制定軸的方向，很多numpy函數都有這個參數，但是這個軸又不是很好理解，網上有很多的解釋，我這里說一個很簡單的解釋。例如二維數組，我們索引的時候arr[i,j]，i就代表0，j就代表1，也就是說，行的方向就是0，列的方向就是1。

分割數組的函數為：

• split 將一個數組分割為多個子數組
• hsplit 將一個數組水平分割為多個子數組（按列）
• vsplit 將一個數組垂直分割為多個子數組（按行）

numpy.split(ary, indices_or_sections, axis)

• ary：被分割的數組
• indices_or_sections：如果是一個整數，就用該數平均切分，如果是一個數組，為沿軸切分的位置（左開右閉）
• axis：設置沿著哪個方向進行切分，默認為 0，橫向切分，即水平方向。為 1 時，縱向切分，即豎直方向

修改數組

• resize 返回指定形狀的新數組
• append 將值添加到數組末尾
• insert 沿指定軸將值插入到指定下標之前
• delete 刪掉某個軸的子數組，并返回刪除后的新數組
• unique 查找數組內的唯一元素

這里要注意的是，如果不指定軸修改數組，會返回一維數組。

numpy.unique 函數用于去除數組中的重復元素。

numpy.unique(arr, return_index, return_inverse, return_counts)

• arr：輸入數組，如果不是一維數組則會展開
• return_index：如果為true，返回新列表元素在舊列表中的位置（下標），并以列表形式儲
• return_inverse：如果為true，返回舊列表元素在新列表中的位置（下標），并以列表形式儲
• return_counts：如果為true，返回去重數組中的元素在原數組中的出現次數

翻轉數組

• transpose 對換數組的維度
• ndarray.T 和 self.transpose() 相同
• rollaxis 向后滾動指定的軸
• swapaxes 對換數組的兩個軸

numpy.rollaxis 函數向后滾動特定的軸到一個特定位置，格式如下：

numpy.rollaxis(arr, axis, start)

參數說明：
arr：數組
axis：要向后滾動的軸，其它軸的相對位置不會改變
start：默認為零，表示完整的滾動。會滾動到特定位置。

numpy.swapaxes 函數用于交換數組的兩個軸。

數學和統計函數

numpy 包含大量的各種數學運算的函數，包括三角函數，算術運算的函數，復數處理函數等。這里就不一一介紹了，我們著重了解下復數處理函數。

numpy.around() 函數返回指定數字的四舍五入值。

numpy.around(a,decimals)

numpy.floor() 返回小于或者等于指定表達式的最大整數，即向下取整。

numpy.ceil() 返回大于或者等于指定表達式的最小整數，即向上取整。

算數函數

這里不一一介紹了，大家需要用到的時候自查即可。

• add，相加
• subtract，相減
• multiply，相乘
• divide，相除
• reciprocal，函數返回參數逐元素的倒數。如 1/4 倒數為 4/1
• power，第一個輸入數組中的元素作為底數，計算它與第二個輸入數組中相應元素的冪
• mod，計算輸入數組中相應元素的相除后的余數。 函數 numpy.remainder() 也產生相同的結果。

統計函數

numpy 提供了很多統計函數，用于從數組中查找最小元素，最大元素，百分位標準差和方差等。sum，average等等，可以去numpy的官方文檔了解更多。

條件函數

numpy.where() 函數返回輸入數組中滿足給定條件的元素的索引。

numpy.extract() 函數根據某個條件從數組中抽取元素，返回滿條件的元素。

文件的存儲與讀取

• load() 和 save() 函數是讀寫文件數組數據的兩個主要函數，默認情況下，數組是以未壓縮的原始二進制格式保存在擴展名為 .npy 的文件中。
• savez() 函數用于將多個數組寫入文件，默認情況下，數組是以未壓縮的原始二進制格式保存在擴展名為 .npz 的文件中。
• loadtxt() 和 savetxt() 函數處理正常的文本文件(.txt 等)。

savetxt() 函數是以簡單的文本文件格式存儲數據，對應的使用 loadtxt() 函數來獲取數據。

np.loadtxt(FILENAME, dtype=int, delimiter=' ')
np.savetxt(FILENAME, a, fmt="%d", delimiter=",")

總結

numpy是Python數據科學必學的第三方庫，但是說實話，一上來就學numpy其實是很痛苦的，他不像pandas那么直觀，有很多實際的有趣的案例，所以本篇文章主要是將numpy的基礎語法記錄下來，供大家和自己以后查詢所使用，最后附上numpy小抄給大家，我們下期再見。