Numpy使用4
上篇博客写到了numpy的索引与切片，这篇博客介绍numpy的一些数学统计上的使用和如何结合numpy实现对结构化文本的处理
通用函数
所谓的通用函数(ufunc)就是指元素级别的数组函数，你可以将其看做简单函数其接受一个或者多个标量值，产生一个或者多个标量值。
In [87]: arr
Out[87]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [88]: np.sq
np.sqrt np.square np.squeeze
In [88]: np.sqrt(arr)
Out[88]:
array([ 0. , 1. , 1.41421356, 1.73205081, 2. ,
2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ])
In [92]: y = np.random.randn(10)
In [93]: x = np.random.randn(10)
In [94]: x
Out[94]:
array([-1.21694813, 1.78409159, -1.65434122, -0.15399479, 1.60253837,
0.74424786, -0.67561382, -0.40101547, 0.98082673, -2.02494822])
In [95]: y
Out[95]:
array([-0.00402273, -0.06694182, -2.65686769, -0.39958789, -0.77770152,
0.13560955, 0.80155845, -0.65633865, -0.10009588, 2.00409772])
In [96]: np.maxi
np.maximum np.maximum_sctype
In [96]: np.maximum(x,y)
Out[96]:
array([-0.00402273, 1.78409159, -1.65434122, -0.15399479, 1.60253837,
0.74424786, 0.80155845, -0.40101547, 0.98082673, 2.00409772])类似与上面的函数还有很多，下表列出部分：
利用numpy进行数据处理
利用numpy强大的数组（矩阵）能力，可以将很多的数据处理的问题转化为对数组的处理问题
比如对一个数组将其中大于0的值置为2，小于0的置为-2，这个怎么做？？？
python的一般做法是遍历，但是这存在性能问题，我们看看numpy是怎么做的
利用numpy.where()可以简单的做到，where()函数是if condition x else y的矢量化版本，我们可以这么做：
In [97]: arr = np.random.randn(4,4)
In [98]: arr
Out[98]:
array([[-1.91177362, 0.82087817, 0.74335108, 1.80535455],
[-1.04152013, -1.55160244, 0.58826121, 0.0138859 ],
[ 0.86341095, 2.0301454 , 0.75151171, -0.38441971],
[-0.95949818, 0.39064892, 0.17747275, -0.00499914]])
In [99]: np.where(arr>0, 2, -2) ## 矢量化版本的if condition
Out[99]:
array([[-2, 2, 2, 2],
[-2, -2, 2, 2],
[ 2, 2, 2, -2],
[-2, 2, 2, -2]])(1)数学与统计
In [101]: arr = np.random.randn(4,4)
In [102]: arr
Out[102]:
array([[ 1.22742206, -0.49602643, 0.06893939, -0.5974265 ],
[ 1.33043955, -0.24695017, 1.39751381, -0.23691971],
[-1.25554674, 0.37242292, -0.14985591, -0.11907288],
[ 0.06103707, -1.28255389, -0.67935123, -1.35710905]])
In [103]: arr.mean()
Out[103]: -0.1226898557091208
In [104]: arr.mean(axis=0)
Out[104]: array([ 0.34083799, -0.41327689, 0.15931151, -0.57763203])
In [105]: arr.mean(axis=1)
Out[105]: array([ 0.05072713, 0.56102087, -0.28801315, -0.81449428])
In [106]: arr.sum()
Out[106]: -1.9630376913459329
In [107]: arr.sum(axis=0)
Out[107]: array([ 1.36335194, -1.65310755, 0.63724605, -2.31052813])类似的方法还有很多，下图列出部分：
(2)数组的集合运算
看下例：
In [108]: values = np.array([2,3,1,6,7,4])
In [109]: values1 = np.array([2,6,8])
In [110]: np.in1d(values, values1) ## 判断values的元素是否在values1中
Out[110]: array([ True, False, False, True, False, False], dtype=bool)
(3)文件的输入输出
主要是那个函数np.load()和np.save()，前者负责读取文件，后者负责写文件
In [112]: test_write = np.arange(10)
In [113]: np.save('test',test_write) ## 会在当前目录下创建名叫"test.npy"的二进制文件
In [114]: load_test = np.load('test.npy') ## 读入文件
In [115]: load_test
Out[115]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])还可以使用np.loadtxt()，通过制定分隔符(delimiter)来读取结构化的文本文件，这个我在博客Numpy使用1中介绍过，就不在多说了，需要的可以去看看
其它的特性还有些想关于线性代数方面的，这个大家自行百度。
其实存取结构化的数据(类似于表结构)numpy并不是很好的选择，之后我会写个介绍pandas的博客，这个对各种表结构的处理比numpy强大太多，numpy的强大之处在于其n-dim array的能力。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2016-03-11 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录