一、Numpy概述

1、Numpy

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器，

Numpy

• num - numerical 数值化的
• py - python

ndarray

• n - 任意个
• d - dimension 维度
• array - 数组

2、ndarray优势

ndarray比原生list运行效率高

存储风格

• ndarray - 相同类型 - 通用性不强
• list - 不同类型 - 通用性很强

并行化运算

ndarray支持并行化运算（向量化运算）

底层语言

C语言，解除了GIL（全局解释器索）

3、ndarray属性

shape：数组维度的元组

ndim：数组维度

size：数组中的元素数量

itemsize：一个数组元素的长度

dtype：数组元素的类型

在创建ndarray的时候，如果没有指定类型

默认：整数 int64、浮点数 float64

二、基本操作

1、模块导入

import numpy as np

2、生成数组的方法

1）生成0和1

np.zeros(shape)
np.ones(shape)

2）从现有数组中生成

# 深拷贝
np.array()
np.copy()# 浅拷贝
np.asarray()

3）生成固定范围的数组

# [a, b] 数量c
np.linspace(a, b, c)
# [a, b) 步长c
np.arange(a, b, c)

4）生成随机数组

均匀分布：每组的可能性相等

正态分布：μ、σ

# 均匀分布 (a, b) 数量c
np.random.uniform(a, b, c)# 正态分布 数量c
np.random.normal(μ, σ, c)

3、数组的索引、切片

score[0, :3]
score[1, 1]

4、形状修改

ndarray.reshape(shape) 	# 返回新的ndarray，原始数据没有改变
ndarray.resize(shape) 	# 没有返回值，对原始的ndarray进行了修改
ndarray.T 				# 转置 行变成列，列变成行

5、类型修改

# 类型修改
ndarray.astype(type)

6、序列化

# ndarray序列化到本地
ndarray.tostring()

7、数组的去重

np.unique(ndarray)

三、ndarray运算

1、逻辑运算

# 逻辑运算
change > 0# 布尔索引
change[change > 0]

# 通用判断函数
np.all(change > 0)
np.any(change > 0)

# 三元运算符
np.where(布尔值, True的位置的值, False的位置的值)

# 逻辑或 逻辑与
np.logical_and(change > 0.5, change < 0.8)
np.logical_or()

2、统计运算

统计指标函数

min, max, mean, median, var, std

返回最大值、最小值所在位置

np.argmax(temp, axis=)
np.argmin(temp, axis=)

3、数组与数的运算

change * 10
change + 5

4、数组与数组的运算

广播机制

执行 broadcast 的前提在于，两个 ndarray 执行的是 element-wise 的运算，Broadcast机制的功能是为了方便不同形状的ndarray（numpy库的核心数据结构） 进行数学运算。

1. 维度相等
2. shape（其中相对应的一个地方为1）

5、矩阵运算

1）存储矩阵

1. ndarray 二维数组
2. matrix 数据结构

d1 = np.array([[0, 1, 2], [3, 4, 5]]) 
d2 = np.mat([[0, 1, 2], [3, 4, 5]])

2）矩阵乘法

形状要求：(m, n) * (n, l) = (m, l)

# 对于 ndarray 存储
np.matmul(d1, d3)
np.dot(d1, d3)
d1 @ d3

# 对于 matrix 存储
d2 * d4

四、IO操作

1、Numpy读取

np.genfromtxt("test.csv", delimiter=",")

2、缺失值的处理

1、直接删除含有缺失值的样本

2、替换/插补：按列求平均，用平均值进行填补

不如pandas好用！！