Python之numpy教程（四）：数据处理、绘图、数据统计分析

1.用数组表达式代替循环的方法，通常被称为矢量化。

points = np.arange(-5,5,0.01) # 1000个间隔相等的点

用np.meshgrid函数接受两个一维数组，并产生两个二维矩阵。

xs, ys = np.meshgrid(points,points)

xs

输出：

array([[-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       ...,        [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99],       [-5.  , -4.99, -4.98, ...,  4.97,  4.98,  4.99]])

ys

输出：

array([[-5.  , -5.  , -5.  , ..., -5.  , -5.  , -5.  ],       [-4.99, -4.99, -4.99, ..., -4.99, -4.99, -4.99],       [-4.98, -4.98, -4.98, ..., -4.98, -4.98, -4.98],       ...,        [ 4.97,  4.97,  4.97, ...,  4.97,  4.97,  4.97],       [ 4.98,  4.98,  4.98, ...,  4.98,  4.98,  4.98],       [ 4.99,  4.99,  4.99, ...,  4.99,  4.99,  4.99]])

2.加载matplotlib.pyplot

import matplotlib.pyplot as plt

z = np.sqrt(xs ** 2 + ys ** 2)z

输出：

array([[ 7.07106781,  7.06400028,  7.05693985, ...,  7.04988652,         7.05693985,  7.06400028],       [ 7.06400028,  7.05692568,  7.04985815, ...,  7.04279774,         7.04985815,  7.05692568],       [ 7.05693985,  7.04985815,  7.04278354, ...,  7.03571603,         7.04278354,  7.04985815],       ...,        [ 7.04988652,  7.04279774,  7.03571603, ...,  7.0286414 ,         7.03571603,  7.04279774],       [ 7.05693985,  7.04985815,  7.04278354, ...,  7.03571603,         7.04278354,  7.04985815],       [ 7.06400028,  7.05692568,  7.04985815, ...,  7.04279774,         7.04985815,  7.05692568]])

plt.imshow(z,cmap=plt.cm.gray); plt.colorbar()；plt.colorbar()

输出：

<matplotlib.colorbar.Colorbar at 0x89754e0>

plt.title("Image plot of $\sqrt{x^2 + y^2}$ for a grid of values")

输出：

<matplotlib.text.Text at 0x88b3b38>

plt.show()

输出：

3.将条件逻辑表述为数组运算

xarr = np.array([1.1,1.2,1.3,1.4,1.5])yarr = np.array([2.1,2.2,2.3,2.4,2.5])cond = np.array([True,False,True,True,False])

假设我们想要根据cond中的值选取xarr和yarr的值：当cond中的值为True时，选取xarr的值，否则从yarr中选取。

result = [(x if c else y) for x,y,c in zip(xarr,yarr,cond)]result

输出：（如果输出没显示要观点刚才打开的图片）

[1.1000000000000001, 2.2000000000000002, 1.3, 1.3999999999999999, 2.5]

4.上面这个运算对于大型数据比较慢，并且无法应用于多维数组，故应该使用np.where函数

result = np.where(cond,xarr,yarr)result

输出：

array([ 1.1,  2.2,  1.3,  1.4,  2.5])

5.加入有一个随机数据组成的矩阵，你希望将所有正值替换成2，所有负值替换成-2，用np.where会非常简单

arr = np.random.randn(4,4)arr

输出：

array([[ 0.78489047,  1.88085112,  0.89365585, -0.62922182],       [-2.22704018, -1.28114089, -0.40562419,  1.18623359],       [ 0.542143  ,  0.59539364, -0.5461755 , -0.06922852],       [-0.41098528, -0.69934786,  0.45631505, -0.43576076]])

np.where(arr > 0, 2, -2)

输出：

array([[ 2,  2,  2, -2],       [-2, -2, -2,  2],       [ 2,  2, -2, -2],       [-2, -2,  2, -2]])

np.where(arr > 0, 2, arr) #只将正值设为2

输出：

array([[ 2.        ,  2.        ,  2.        , -0.62922182],       [-2.22704018, -1.28114089, -0.40562419,  2.        ],       [ 2.        ,  2.        , -0.5461755 , -0.06922852],       [-0.41098528, -0.69934786,  2.        , -0.43576076]])

6.np.where可以嵌套使用

cond1 = np.array([True,False,True,True,False])cond2 = np.array([True,True,True,False,False])

np.where(cond1 & cond2, 0 ,np.where(cond1,1,np.where(cond2,2,3)))

输出：

array([0, 2, 0, 1, 3])

7.还可以写成下面的算术运算

result = 1 * (cond1 - cond2) + 2 * (cond2 &-cond1) + 3 * -(cond1|cond2) result

输出：

array([0, 3, 0, 1, 3])

8.对整个数组进行统计分析：

arr = np.random.randn(5,4)arr

输出：

array([[ 2.17899918, -0.22836752,  1.21644223, -0.54345959],       [ 0.15218725,  1.54221418,  0.23328303, -0.68457268],       [-1.29245448,  1.31485277,  1.6012457 ,  0.42838336],       [-1.9432406 ,  0.65208302,  1.30286658,  0.23783384],       [-0.7175733 , -1.10462752,  1.16894871,  0.94568677]])

arr.mean()

输出：

0.32303654650298108

np.mean(arr)

输出：

0.32303654650298108

arr.sum()

输出：

6.4607309300596221

9.mean和sum这类函数可以接收一个axis参数，计算每行或者每列的数据信息，axis取0是按列，取1是按行。

arr.mean(axis=1)

输出：(每一行的均值）

array([ 0.65590357,  0.31077795,  0.51300684,  0.06238571,  0.07310866])

arr.sum(0)

输出：（每一列的总值）

array([-1.62208196,  2.17615492,  5.52278626,  0.38387171])

10.cumsum和cumprod函数，累加和类乘函数。

arr = np.array([[0,1,2],[3,4,5],[6,7,8]])arr

输出：

array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])

arr.cumsum(0)

输出：

array([[ 0,  1,  2],       [ 3,  5,  7],       [ 9, 12, 15]], dtype=int32)

arr.cumprod(1)

输出：

array([[  0,   0,   0],       [  3,  12,  60],       [  6,  42, 336]], dtype=int32)

11.基本数组统计方法总结如下：