Numpy ndarray 多维数组对象的使用-巨人网络通讯

Numpy ndarray 多维数组对象的使用

介绍

目前它是Python数值计算中最为重要的基础包，将numpy的数组的对象作为数据交互的通用语，一般我们要充分理解好矩阵计算的原理，这需要你要有一些线性代数的基础知识。在对数据处理、清洗、构造子集、过滤、变换以及其他计算的过程快速的进行向量化计算，后续也会介绍R语言，因为R语言就是一个原生态基于向量化计算的编程语言。

Numpy的核心特征之一就是一个N维数组对象——ndarray,这是一个快速灵活的大型数据集容器，可以进行科学数值计算。

代码操作

import numpy as np

导入好包之后，我们随机生成一个2*3的数组，2行3列的随机数组

data=np.random.randn(2,3)

对数组的简单操作

data*10
 
>>array([[ 9.00839244, -17.67421607, -0.03125454],
  [ 19.79906711, -2.62145167, -12.55106031]])
 
data+data
 
>>array([[ 1.80167849, -3.53484321, -0.00625091],
  [ 3.95981342, -0.52429033, -2.51021206]])
 
data.shape
 
>>(2, 3)
 
data.dtype
 
>>dtype('float64')

生成ndarray

生成数组的最简单的方法就是使用array函数，对于传入的类型可以是其他任意的序列，如你传入一个列表，那么它就会接收这个列表并转换为数组类型，如果传入的是多个列表那么它就会接收多个，在线性代数里面我们叫这个是维度，比如下面的就是一个2行3列的矩阵。

data1=[[1,2,3],[4,5,6]]
 
arry1=np.array(data1)
 
arry1
 
>>array([[1, 2, 3],
  [4, 5, 6]])
 
arry1.ndim
 
>>2
 
arry1.shape
 
>>2, 3)

除了这个我们还可以使用其他的函数来创建数组，比如给定了长度和形状类型就会一次性创建完毕,这里是创建了一个2*3的元素是1的数组

np.ones((2,3))
>>array([[1., 1., 1.],
  [1., 1., 1.]])

numpy里面也有像Python range（）函数一样的效果——np.arange(),操作效果和Python的range函数有异曲同工之妙，start，stop，step都是可设置的。

对角矩阵生成

ndarray的数据类型

如何查看数组的数据类型以及如何进行转换，在numpy里面整型：int32，浮点型：float64.

Numpy 数组计算

基于numpy的数组计算在之前我也演示了一些，四则运算，加减乘除，以及一些数组运算，每一个数组与数组之间的计算都是元素相互对于的，并不是独立的，这个是我们需要理解清楚的地方，有趣的是，我们需要比较两个相同维数的数组，我们可以利用> = 来查看，它返回的是布尔值。

基础索引和切片

在一维的数组里面，和Python列表里面的所有一样，如果是高维的就有所不同了，就需要利用多重索引了,这里的变量和上面的一样

如果产生了一个三位的数组，比如一个2*2*3的数组，我们按照索引，可以自动索引出来第一个的的数组

对于高维的数组的切片，我们需要注意的是，它的切片原理是按照数组里面的数组进行切片的，比如一个二维数组（2*3*2）的，我们需要取出每个单位数组里面的第一个元素，我们应该如何做

很明显的我们可以看出多维数组的切片特点：我这里抽象化为列表的特点来解释，比如我们可以把多维数组看做是一个列表里面的多个列表，也就是嵌套列表，然后我们按照索引来取，上述例子就是首先取出两个大的数组，然后从这个两个大的数组里面再去前两个数组，最后取出索引为0的元素，这样层层递减，一步一步的索引是numpy索引的特点，之所以大数据技术之分析与计算，要用到矩阵计算的优化，就是来源于它的分而治之的原理和特点。