Python学习笔记二()

1.、随机数

随机数

>>>import random
>>>random.seed()#设置随机数种子
>>>random.randint(1,100)#生成1-100随机整数
>>>random.uniform(-100,100)#生成-100到100的随机浮点数
>>>round(random.uniform(-100,100),2)#保留两位小数

随机数组

>>>import numpy as np
>>>rand = np.random
>>>rand.randint(1,100,(3,6))#生成3个数组，每个数组由6个1-100的随机整数组成
>>>rand.rand(4)*100#生成1个数组，由4个0-100的随机浮点数组成。rand()返回值为[0,1]

2、Numpy扩展包

ndarray(代表一种特殊的数据结构—n维数组)是numpy的灵魂，Python中的列表和元组内存大、计算时间长。使用数组能优化这些缺点。

2.1 ndarray创建

#导入numpy包
import numpy as np
#第一种方法,和内置函数range类似,速度更快，返回的是ndarray类型
myarray1 = np.arange(1,10,2)#[1 3 5 7 9]
#第二种方法
myarray2 = np.array([1,3,5,7,9])#[1 3 5 7 9]
#第三种方法,返回几行几列填满相同一个元素的数组
myarray3 = np.full((2,3),6)#[[6 6 6] [6 6 6]]
#第四种，生成随机数组，可用np.random.RandomState()指定随机种子数
myarray4 = np.random.randint(0,10,(2,3))#[[1 3 8] [8 4 2]]

2.2 主要特征

shape(形状) 指定数组是一维数组或多维数组，shape=(2,15)代表2行15列的数组，且shape=可以省略。
dtype(元素类型) 指定数组元素类型，dtype=np.int代表元素为numpy中的int型。ndarray的类型比Python自带的多

2.3 切片/读取

规则切片操作 ndarray数组支持像list那样的规则切片操作
不规则切片操作也可以使用Fancy Indexing方法进行不规则切片操作, 格式为 [[index1,index2,index3...]], 即方括号内嵌套方括号。比如我想取数组的索引为第1个、第2个、第4个、第5个。
1
2
3
fancy_index = np.arange(0,100)
fancy_index[[1,2,4,5]]
#[1 2 4 5]

2.4 多维数组的切片

以二维数组为例

#切片的使用，[行进行切片,列进行切片] 即[start:stop:step,start:stop:step]
#获取所有行
print(a[:,:])
#结果：
#[[ 0  1  2]
# [ 3  4  5]
# [ 6  7  8]
# [ 9 10 11]]

#获取所有行，部分列 {所有行，第二列}
print(a[:,1])
#[ 1  4  7 10]

#获取所有行，部分列 {所有行，第一、二列}
print(a[:,0:2])
#[[ 0  1] [ 3  4] [ 6  7] [ 9 10]]

#获取部分行，部分列 {行的奇数行，列的第一、第二列}
print(a[::2,0:2])
#[[0 1] [6 7]]

#使用坐标获取[(1,2),(2,0)]，(1,2)均为行号，(2,0)均为列号，且1和2会自动结合，2和0会自动结合,3和结合
print(a[(1,2,3),(2,0,1)])
#结果：[5 6 10]

2.5浅拷贝和深拷贝

浅拷贝是指拷贝过来的是—引用。

import numpy as np
arr1 = np.array([1,2,3,'A','B','C'])
arr2 = np.arange(1,10,2)

arr1 = arr2 #此处arr1对arr2进行了浅拷贝，二者引用相同存储空间
arr1[1] = 0
print(arr1,arr2)
#[1 0 5 7 9] [1 0 5 7 9]
#对arr1的修改也会影响arr2 的值

深拷贝是指重新申请一个存储空间存放，使用的是 copy()方法。

import numpy as np
arr1 = np.array([1,2,3,'A','B','C'])
arr2 = np.arange(1,10,2)

arr1 = arr2.copy() #此处arr1对arr2进行了深拷贝，arr1重新获得一个新的存储空间存放相同的arr2元素
arr1[1] = 0
print(arr1,arr2)
#[1 0 5 7 9] [1 3 5 7 9]
#arr2并未发生变化

2.6形状和重构

查看形状，用属性shape

import numpy as np
arr1 = np.array([1,2,3,'A','B','C'])
arr2 = np.random.randint(0,10,(2,3))

print(arr1.shape)
print(arr2.shape)
#(6,)
#(2,3)

reshape(), 返回一个符合形状的多维数组，不改变原数组

import numpy as np
arr = np.arange(0,20)
arr2 = arr.reshape(4,5)
print(arr2)
#[[ 0  1  2  3  4]
# [ 5  6  7  8  9]
# [10 11 12 13 14]
# [15 16 17 18 19]]

注意：重构的数组必须是n × m = 原数组总元素个数，否则会报错

重构的数组必须是n × m = 原数组总元素个数

resize() 改变原数组

import numpy as np
arr = np.arange(0,20)
arr.resize(4,5)
print(arr)
#[[ 0  1  2  3  4]
# [ 5  6  7  8  9]
# [10 11 12 13 14]
# [15 16 17 18 19]]

flatten() 将多维数组变为一维数组，返回值为一维数组，不改变原数组

swapaxes() 进行轴调换，实现转置矩阵。不改变数组本身

import numpy as np
arr = np.arange(0,20)
arr.resize(4,5)
arr_swap = arr.swapaxes(0,1)
print(arr,arr_swap)
#[[ 0  1  2  3  4]
# [ 5  6  7  8  9]
# [10 11 12 13 14]
# [15 16 17 18 19]]
#[[ 0  5 10 15]
# [ 1  6 11 16]
# [ 2  7 12 17]
# [ 3  8 13 18]
# [ 4  9 14 19]]

2.7 属性计算

计算数组的秩，用 ndim 属性

import numpy as np
arr = np.arange(0,20)
arr.resize(4,5)
print(arr.ndim)
# 2

计算元素个数，用 size 属性

import numpy as np
arr = np.arange(0,20)
print(arr.size)
# 20

数组的乘法，不改变原数组

import numpy as np
arr = np.arange(0,20)
arr1 = arr*10
print(arr1)
#[  0  10  20  30  40  50  60  70  80  90 100 110 120 130 #140 150 160 170
# 180 190]

2.8 插入和删除

np.delete(ArrayName,index) 删除特定元素, 不改变数组np.insert(ArrayName,index,value) 插入特定元素, 不改变数组

import numpy as np
arr = np.arange(0,10,2)
###########delete#####
arr1 =np.delete(arr,2)
print(arr,arr1)
#[0 2 4 6 8] [0 2 6 8]
###########insert#######
arr2 = np.insert(arr,1,999)
print(arr,arr2)
#[0 2 4 6 8] [  0 999   2   4   6   8]

2.9 缺失值和广播规则

其它

数组内排序：使用 np.sort(ArrayNameaxis ) ,返回排序结果不改变数组本身。其中参数axis则表示按行排序还是按列排序。

本文采用署名-非商业性使用-相同方式共享 4.0 国际许可协议，转载请注明出处。