【Python】NumPy数据分析(二)_numpy里的维度是行数-CSDN博客

本文链接：https://blog.csdn.net/hsy1603914691/article/details/142675036

人有一种天生的、难以遏制的欲望，那就是在理解之前就评判。

前言

这是我自己学习Python的第三篇博客总结。后期我会继续把Python学习笔记开源至博客上。

上一期笔记有关Python的NumPy数据分析，没看过的同学可以去看看：【Python】NumPy数据分析(一)-CSDN博客https://blog.csdn.net/hsy1603914691/article/details/142670907

多维数组

1. 一维数组只有行，二维数组相比一维数组多了列这个维度，而三维数组则类似多个二维数组堆叠在一起，形如一个立方体。

2. 本文主要指二维数组。

二维数组的创建

1. 二维数组相当于单层的嵌套数组。所以我们可以将单层嵌套列表传入np.array()方法创建一个二维数组。

2. ones()和zeros()方法同样也能快速创建元素全为1和0的二维数组。与之前的区别在于，创建二维数组要传入一个包含行和列信息的元组。

import numpy as np

list_1=[[1, 2], [3, 4]]
print(list_1)
# [[1, 2], [3, 4]]

list_2=np.array([[1, 2], [3, 4]])
print(list_2)
# [[1 2]
#  [3 4]]

import numpy as np
list_1=np.ones((3,4)) # 3行4列
print(list_1)

#[[1. 1. 1. 1.]
# [1. 1. 1. 1.]
# [1. 1. 1. 1.]]

二维数组的性质

1. ndim：多维数组的维度个数。例如：二维数组的ndim为2；

2. shape：多维数组的形状。对于m行和n列的数组，它的shape将是(m,n)。

3. size：多维数组中所有元素的个数。

4. dtype：多维数组中元素的类型。

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

print('ndim:', data.ndim)
print('shape:', data.shape)
print('size:', data.size)
print('dtype:', data.dtype)

# ndim: 2
# shape: (2, 3)
# size: 6
# dtype: int64

二维数组的加减乘除

1. 二维数组间的加减乘除和一维数组间的基本一致，也是对应位置的元素进行计算。

2. 维度一样的数组间可以进行计算的条件是形状一样，形状不一样的数组元素无法对应，因此无法计算，导致报错。

3. 广播原则：先补齐行轴，再往列轴方向进行复制。

二维数组的通用方法

1. 二维数组的通用方法和一维数组的通用方法的基本用法类似，只是多了一个维度的数据。

2. 二维数组不仅可以对所有数据进行计算，还可以针对某个维度上的数据进行计算。

3. 这里就要引入一个概念---轴。轴和维度的概念是类似的，一维数组有 1 个轴，二维数组有 2 个轴，三维数组有 3 个轴等等。

import numpy as np
data = np.array([[1, 2], [5, 3], [4, 6]])

# 不指定 axis
print(data.max())
# 输出：6

# axis=0
print(data.max(axis=0))
# 输出：[5 6]

# axis=1
print(data.max(axis=1))
# 输出：[2 5 6]

二维数组的索引和分片

1. 二维数组的索引和分片同样和一维数组类似，只是在行索引的基础上再加上列索引。

2. 形如data[m,n]，其中data是二维数组名，m是行索引或分片，n是列索引或分片。

3. 如果省略第二个参数n的话表示获取所有列，data[0]就表示获取整个第一行，相当于data[0, :]。

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

print(data[0, 1])
# 2

print(data[:, 0])
# [1 3 5]

print(data[1:3])
# [[3 4]
#  [5 6]]

布尔索引

1. 布尔索引，顾名思义就是用布尔值作为索引去获取需要的元素。

2. and改用&，or改用|，not改用~，并且每个条件要用括号括起来。

data = np.array([[1, 2], [3, 4], [5, 6]])
print(data[data > 3])
# 输出：[4 5 6]

# 大于 3 或者不小于 2（即大于等于 2）
print(data[(data > 3) | ~(data < 2)])
# 输出：[2 3 4 5 6]