35个NumPy数据科学核心方法，从入门到精通_numpy教程

大家好，NumPy是Python数据科学生态中的核心编程库。对于Python开发者，精通NumPy是探索数据奥秘的关键。本文将介绍35个NumPy核心方法，帮助大家快速掌握这一强大工具。

使用NumPy库之前，首先需要进行导入，在Python中，通常将numpy简称为np。同时，考虑到数据处理的需要，pandas库也要一并导入。

import numpy as np
import pandas as pd

以下是创建NumPy数组的最常见方法：

1.从Python列表

要将Python列表转换为NumPy数组，请使用np.array()方法：

a = [1, 2, 3]
np.array(a)

可以使用Python中可用的type方法来验证创建的对象的数据类型：

a = [1, 2, 3]
type(np.array(a))

在上面的演示中，创建了一个一维数组。

然而，也可以使用方法np.array()，使用列表创建多维 NumPy 数组：

a = [[1,2,3], [4,5,6]]
np.array(a)

要创建具有特定数据类型的NumPy数组，请通过dtype参数：

a = [[1,2,3], [4,5,6]]
np.array(a, dtype = np.float32)

2.创建填充零的NumPy数组

创建一个填充零的NumPy数组是很常见的，可以通过使用NumPy中的np.zeros()方法实现，如下所示：

np.zeros(5)

对于多维NumPy数组：

np.zeros((2, 3))

3.创建填充1的NumPy数组

如果想创建一个填充1的数组，用np.ones()方法：

np.ones((2, 3))

4.创建单位NumPy数组

在单位矩阵中，对角线填充有“1”，除了对角线之外的所有条目都是“0”，如下所示：

使用np.eye()方法创建单位矩阵：

np.eye(3)

5.创建具有特定步骤的等间距NumPy数组

要在给定区间内生成等间距的值，请使用np.arange()方法：

• 从start=0开始到stop=10为止，每隔step=1生成一个值：

np.arange(10)

• 从start=5开始到stop=11为止，每隔step=1生成一个值：

np.arange(5, 11)

• 从start=5开始到step=11为止，每隔step=2生成一个值：

np.arange(5, 11, 2)

stop值不包括在最终数组中，默认情况下，step=1。

6.创建具有特定数组大小的等间距NumPy数组

这类似于上面讨论的np.arange()，但使用np.linspace()，您可以在区间内生成num个数字，这些数字是均匀间隔的。

np.linspace(start = 10, stop = 20, num = 5)

7.生成随机整数数组

使用np.random.randint()方法：

np.random.randint(low = 5, high = 16, size = 5)

8.生成随机浮点样本

用np.random.random()方法：

np.random.random(size = 10)

9.从Pandas Series生成NumPy数组

如果想将Pandas系列转换为NumPy数组，可以使用np.array()或np.asarray()方法：

s = pd.Series([1,2,3,4], name = "col")
np.array(s)

s = pd.Series([1,2,3,4], name = "col")
np.asarray(s)

接下来，介绍一些最常用的NumPy数组操作方法。

10.NumPy数组的形状

可以使用NumPy数组的ndarray.shape属性或np.shape()方法确定NumPy数组的形状，如下所示：

a = np.ones((2, 3))
print("Shape of the array - Method 1:", np.shape(a))
print("Shape of the array - Method 2:", a.shape)

11.重塑NumPy数组

重塑是指在不改变其数据的情况下给NumPy数组一个新的形状。

可以使用np.reshape()方法改变形状：

a = np.arange(10)
a.reshape((2, 5))

12.转置NumPy数组

如果想转置NumPy数组，可以使用np.transpose()方法或ndarray.T，如下所示：

a = np.arange(12).reshape((6, 2))
a.transpose()

a = np.arange(12).reshape((6, 2))
a.T

13.连接多个NumPy数组以形成一个NumPy数组

使用np.concatenate()方法连接一系列数组并获得一个新的NumPy数组：

## 按行连接
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)

## 按列连接
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b.T), axis=1)

## 连接以生成一维NumPy数组
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=None)

axis=0与np.vstack()相同，axis=1与np.hstack()相同。

14.展平NumPy数组

如果想将整个NumPy数组压缩成单一维度，可以使用ndarray.flatten()方法，如下所示：

a = np.array([[1,2], [3,4]])
a.flatten()

15.NumPy数组中的唯一元素

要确定NumPy数组中的唯一元素，用np.unique()方法，如下所示：

a = np.array([[1, 2], [2, 3]])
np.unique(a)

## 返回唯一行
a = np.array([[1, 2, 3], [1, 2, 3], [2, 3, 4]])
np.unique(a, axis=0)

## 返回唯一列
a = np.array([[1, 1, 3], [1, 1, 3], [1, 1, 4]])
np.unique(a, axis=1)

16.挤压NumPy数组

如果想从NumPy数组中移除长度为一的轴，请用np.squeeze()方法。这在下面进行了说明：

x = np.array([[[0], [1], [2]]])
 
>>> x.shape
(1, 3, 1)
 
np.squeeze(x).shape

17.将NumPy数组转换为Python列表

要从NumPy数组获取Python列表，请用ndarry.tolist()方法，如下所示：

a = np.array([[1, 1, 3], [1, 1, 3], [1, 1, 4]])
a.tolist()

NumPy数组支持丰富的元素级数学运算，这些运算可以对数组中的每个元素单独进行。以下是一些在NumPy数组上应用最为常见的数学函数：

18.三角函数

a = np.array([1,2,3])
print("Trigonometric Sine   :", np.sin(a))
print("Trigonometric Cosine :", np.cos(a))
print("Trigonometric Tangent:", np.tan(a))

19.舍入函数

• 使用np.floor()方法返回元素级的向下舍入。

• 使用np.ceil()方法返回元素级的向上舍入。

• 使用np.rint()方法四舍五入到最近的整数。

>>> a = np.linspace(1, 2, 5)
array([1.  , 1.25, 1.5 , 1.75, 2.  ])
 
 
>>> np.floor(a)
array([1., 1., 1., 1., 2.])
 
>>> np.ceil(a)
array([1., 2., 2., 2., 2.])
 
>>> np.rint(a)
array([1., 1., 2., 2., 2.])

• 使用np.round_()方法四舍五入到给定的小数位数：

a = np.linspace(1, 2, 7)
np.round_(a, 2) # 保留两位小数

20.指数和对数

• 使用np.exp()方法计算元素级的指数。

• 使用np.log()方法计算元素级的自然对数。

>>> a = np.arange(1, 6)
array([1, 2, 3, 4, 5])
 
>>> np.exp(a).round(2)
array([  2.72,   7.39,  20.09,  54.6 , 148.41])
 
>>> np.log(a).round(2)
array([0.  , 0.69, 1.1 , 1.39, 1.61])

21.求和

使用np.sum()方法计算数组元素的总和：

a = np.array([[1, 2], [3, 4]])
 
>>> np.sum(a)
10
 
>>> np.sum(a, axis = 0)
array([4, 6])
 
>>> np.sum(a, axis = 1)
array([3, 7])

22.乘积

使用np.prod()方法计算数组元素的乘积：

a = np.array([[1, 2], [3, 4]])
 
>>> np.prod(a)
24
 
>>> np.prod(a, axis = 0)
array([3, 8])
 
>>> np.sum(a, axis = 1)
array([2, 12])

23.平方根

使用np.sqrt()方法计算数组元素的平方根：

a = np.array([[1, 2], [3, 4]])
np.sqrt(a)

矩阵和向量运算：

24.点积

想计算两个NumPy数组的点积，使用np.dot()方法：

a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 1], [1, 1]])
np.dot(a, b)

25.矩阵乘积

要计算两个NumPy数组的矩阵乘积，使用np.matmul()或Python中的@运算符：

a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 1], [1, 1]])
 
>>> np.matmul(a, b)
array([[3, 3],
       [7, 7]])
 
>>> a@b
array([[3, 3],
       [7, 7]])

26.向量范数

向量范数是一组用于测量向量长度的函数。

使用np.linalg.norm()方法找到矩阵或向量范数：

a = np.arange(-4, 5)
 
>>> np.linalg.norm(a) ## L2范数
7.745966692414834
 
>>> np.linalg.norm(a, 1) ## L1范数
20.0

排序方法：

27.对NumPy数组进行排序

要就地排序数组，使用ndarray.sort()方法。

a = np.array([[1,4],[3,1]])
 
>>> np.sort(a) ## 按行排序
array([[1, 4],
       [1, 3]])
 
>>> np.sort(a, axis=None) ## 对展平后的数组进行排序
array([1, 1, 3, 4])
 
>>> np.sort(a, axis=0) ## 按列排序
array([[1, 1],
       [3, 4]])

28.排序NumPy数组中的索引顺序

要返回将数组排序的索引顺序，请使用np.argsort()方法：

x = np.array([3, 1, 2])
np.argsort(x)

搜索方法：

29.对应最大值的索引

要返回沿轴的最大值的索引，请使用np.argmax()方法，如下所示：

>>> a = np.random.randint(1, 20, 10).reshape(2,5)
array([[15, 13, 10,  1, 18],
       [14, 19, 19, 17,  8]])
 
>>> np.argmax(a) ## 在展平后的数组中寻找最大值的索引
6
 
>>> np.argmax(a, axis=0) ## 按列寻找每列最大值的索引
array([0, 1, 1, 1, 0])
 
>>> np.argmax(a, axis=1) ## 按行寻找每行最大值的索引
array([4, 1])

要在非展平数组中找到索引，可以这样做：

ind = np.unravel_index(np.argmax(a), a.shape)
ind

30.对应最小值的索引

类似地，如果想返回沿轴的最小值的索引，请使用np.argmin()方法，如下所示：

>>> a = np.random.randint(1, 20, 10).reshape(2,5)
array([[15, 13, 10,  1, 18],
       [14, 19, 19, 17,  8]])
 
>>> np.argmin(a) ## 在展平后的数组中寻找最小值的索引
3
 
>>> np.argmin(a, axis=0) ## 按列寻找每列最小值的索引
array([1, 0, 0, 0, 1])
 
>>> np.argmin(a, axis=1) ## 按行寻找每行最小值的索引
array([3, 4])

31.基于条件的搜索

想根据条件在两个数组之间进行选择，使用np.where()方法，如下所示：

>>> a = np.random.randint(-10, 10, 10)
array([ 2, -3,  6, -3, -8,  4, -6, -2,  6, -4])
 
>>> np.where(a < 0, 0, a)
array([2, 0, 6, 0, 0, 4, 0, 0, 6, 0])
"""
if element < 0:
    return 0
else:
    return element
"""

32.非零元素的索引

要确定NumPy数组中非零元素的索引，请使用np.nonzero()方法：

a = np.array([[3, 0, 0], [0, 4, 0], [5, 6, 0]])
np.nonzero(a)

接下来看看计算NumPy数组上的标准统计方法。

33.平均值

要找到NumPy数组中值的平均值沿轴，使用np.mean()方法，如下所示：

a = np.array([[1, 2], [3, 4]])
 
>>> np.mean(a)
2.5
 
>>> np.mean(a, axis = 1) ## 沿行轴计算平均值
array([1.5, 3.5])
 
>>> np.mean(a, axis = 0) ## 沿列轴计算平均值
array([2., 3.])

34.中位数

要计算NumPy数组的中位数，使用np.median()方法。

a = np.array([[1, 2], [3, 4]])
 
>>> np.median(a)
2.5
 
>>> np.median(a, axis = 1) ## 沿行轴求中位数
array([1.5, 3.5])
 
>>> np.median(a, axis = 0) ## 沿列轴求中位数
array([2., 3.])

35.标准差

要计算NumPy数组的标准差沿指定数组，使用np.std()方法。

a = np.array([[1, 2], [3, 4]])
 
>>> np.std(a)
1.118033988749895
 
>>> np.std(a, axis = 1) ## 沿行轴计算标准差
array([0.5, 0.5])
 
>>> np.std(a, axis = 0) ## 沿列轴计算标准差
array([1., 1.])