一.数组元素的增删查改

1.1 resize(a, new_shape)

如果元素数量不够，重复数组元素来填充新的形状（这就是它与shape和reshape的区别）。

import numpy as np
# 补齐
 
a = np.array([[1,2,3],[4,5,6]])
 
print("原来的形状是：",a.shape)
 
b = np.resize(a,(3,3))
print("补齐后的形状是：",b.shape)
print(b)

结果：

原来的形状是： (2, 3)
补齐后的形状是： (3, 3)
[[1 2 3]
 [4 5 6]
 [1 2 3]]

# 新数组更小了
a = np.array([[1,2,3],[4,5,6]])
 
print("原来的形状是：",a.shape)
 
b = np.resize(a,(2,2))
print("补齐后的形状是：",b.shape)
print(b)

结果：

原来的形状是： (2, 3)
补齐后的形状是： (2, 2)
[[1 2]
 [3 4]]

resize会先遍历原数组中的所有数据，如果元素不够，先把已有元素放在新数组中，然后复制所有数据，依次排列在原数据下面;若新数组更小，则依次排列原数据，多的丢弃。

1.2 append(arr, values, axis=None)

向 arr 数组中添加的值，在添加的反方向上需要和 arr 数组长度一致

axis ：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会扩充新的行，而列数保持不变，若 axis=1 则与其恰好相反。

import numpy as np  
# axis为None
 
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[1,2,3],[4,5,6]])
# 直接变成俩一维数组，然后添加在原数组后面
print(np.append(a,b,axis=None))

结果：

[1 2 3 4 5 6 1 2 3 4 5 6]

# axis为0
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[1,2,3]])
 
print(np.append(a,b,axis=0))

结果：

[[1 2 3]
 [4 5 6]
 [1 2 3]]

# axis为1
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[1],[4]])
 
print(np.append(a,b,axis=1))

结果：

[[1 2 3 1]
 [4 5 6 4]]

简单来讲，就是axis = 0围绕着关于行变换的方向上做事（竖直），axis = 1围绕着关于列变换的方向上做事（水平）。

1.3 insert(arr, obj, values, axis)

• arr：输入的数组

• obj：表示索引，在该索引之前插入 values 值

• values：要插入的值，也可以是多个，但需要匹配数组某个方向的维度

• axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反

import numpy as np
 
a = np.arange(6).reshape(2, 3)
print(a)
 
print()
# axis 为 None
b = np.insert(a, 3, 10, axis=None)
print(b)

结果：

[[0 1 2]
 [3 4 5]]

[ 0  1  2 10  3  4  5]

a = np.arange(6).reshape(2, 3)
print(a)
 
print()
# axis 为 0,这里的索引就是行的下标了，要匹配列维度的长度，这里是因为用了广播
b = np.insert(a, 1, 10, axis=0)
print(b)

结果：

[[0 1 2]
 [3 4 5]]

[[ 0  1  2]
 [10 10 10]
 [ 3  4  5]]

a = np.arange(6).reshape(2, 3)
print(a)
 
print()
# axis 为 1,这里的索引就是列的下标了,要匹配行维度的长度
b = np.insert(a, 1, [10,10], axis=1)
print(b)

结果：

[[0 1 2]
 [3 4 5]]

[[ 0 10  1  2]
 [ 3 10  4  5]]

1.4 delete(arr, obj, axis)

删掉某个轴上的子数组，并返回删除后的新数组,注意，原数组没改。

import numpy as np
 
a = np.array([[1,2,3],[4,5,6]])
 
# axis 为 None
print(np.delete(a, 0, axis=None))

结果：

[2 3 4 5 6]

import numpy as np
 
a = np.array([[1,2,3],[4,5,6]])
 
# axis 为 0,同样索引为行下标
print(np.delete(a, 0, axis=0))

结果：

[[4 5 6]]

import numpy as np
 
a = np.array([[1,2,3],[4,5,6]])
 
# axis 为 1,同样索引为列下标
print(np.delete(a, [0,1], axis=1))

结果：

[[3]
 [6]]

1.5 argwhere

返回数组中非 0 元素的索引，若是多维数组则返回行、列索引组成的索引坐标。

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
# 返回默认的所有非0元素坐标
print(np.argwhere(a))
 
print()
 
# 返回自定义条件的元素坐标
print(np.argwhere(a>4))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
[[0 1]
 [0 2]
 [1 0]
 [1 1]
 [1 2]
 [2 0]
 [2 1]
 [2 2]]

[[1 2]
 [2 0]
 [2 1]
 [2 2]]

补充：where()函数

同样默认返回元素为0的坐标，不同的是其返回的是列坐标与行坐标分别的数组，合并成一个元组。

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
print(np.where(a>6))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
(array([2, 2], dtype=int64), array([1, 2], dtype=int64))

1.6 unique

(ar, return_index=False, return_inverse=False,  return_counts=False, axis=None)

• ar：输入的数组

• return_index：如果为 True，则返回新数组元素在原数组中的位置（索引）

• return_inverse：如果为 True，则返回原数组元素在新数组中的位置（逆索引）

• return_counts：如果为 True，则返回去重后的数组元素在原数组中出现的次数

默认功能是去重，即删去相同元素。

import numpy as np
# 默认情况
a = np.array([1,2,3,3,3,4,4,5,6,6,7])
print(a)
 
print(np.unique(a))

结果：

[1 2 3 3 3 4 4 5 6 6 7]
[1 2 3 4 5 6 7]

# return_index=True
print(np.unique(a,return_index=True))

结果：

(array([1, 2, 3, 4, 5, 6, 7]), array([ 0,  1,  2,  5,  7,  8, 10], dtype=int64))

# return_inverse = True
# 这里经常用于原数组找不到的情况，可以根据逆索引来还原
print(np.unique(a, return_inverse=True))

结果：

(array([1, 2, 3, 4, 5, 6, 7]), array([0, 1, 2, 2, 2, 3, 3, 4, 5, 5, 6], dtype=int64))

#return_counts = True
print(np.unique(a, return_counts=True))

结果：

(array([1, 2, 3, 4, 5, 6, 7]), array([1, 1, 3, 2, 1, 2, 1], dtype=int64))

所有输出中，后面的就是索引下标。

二. 统计函数

2.1 amin() 和 amax()

• 计算数组沿指定轴的最小值与最大值，并以数组形式返回

• 对于二维数组来说，axis=1 表示沿着水平方向，axis=0 表示沿着垂直方向

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
# amin()
# 垂直比较
print(np.amin(a,axis=0))
 
print()
 
# amax()
# 水平比较
print(np.amax(a,axis=1))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
[0 1 2]

[2 5 8]

2.2 ptp

• 计算数组元素中最值之差值，即最大值 - 最小值

• 对于二维数组来说，axis=1 表示沿着水平方向，axis=0 表示沿着垂直方向

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
# 垂直ptp
print(np.ptp(a,axis=0))
 
print()
 
# 水平ptp
print(np.ptp(a,axis=1))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
[6 6 6]

[2 2 2]

2.3 median(a,axis=None)

用于计算中位数，中位数是指将数组中的数据按从小到大的顺序排列后，位于中间位置的值。如果数组的长度是偶数，则中位数是中间两个数的平均值。

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
print(np.median(a))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
4.0

同时，也可以只从一个轴（行或列）的方向来算：

# 轴0
print(np.median(a,axis=0))
 
print()
 
# 轴1
print(np.median(a,axis=1))

结果：

[1 2 3]

[3 4 5]

2.4 mean(a,axis=None)

用于计算数组的平均值。

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
print(np.mean(a))

结果：

[3. 4. 5.]

[1. 4. 7.]

2.4 mean(a,axis=None)

计算数组中元素的算术平均值。

import numpy as np
 
a = np.arange(9).reshape(3,3)
print(a)
 
print(np.mean(a))

结果：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
4.0

# 沿轴0
print(np.mean(a,axis=0))
 
# 沿轴1
print(np.mean(a,axis=1))

结果：

[3. 4. 5.]
[1. 4. 7.]

2.5 average(a,wights = None,axis = None)

计算数组元素的加权平均值,最后被除的是所有权重之和。

import numpy as np
 
a = np.array([[1, 2, 3],[4,5,6]])
print(a)
 
# 权重数组
x = np.array([[10,20,10],[20,30,20]])
 
print(np.average(a,weights=x))

结果：

[[1 2 3]
 [4 5 6]]
3.909090909090909

# 沿轴0
print(np.average(a, weights=x,axis=0))
 
# 沿轴1
print(np.average(a, weights=x,axis=1))

结果：

[3.  3.8 5. ]
[2. 5.]

这里提一句，若所有权重之和为1，那么这里的结果就代表数学中的期望值。

2.6 var()

在 NumPy 中，计算方差时使用的是统计学中的方差公式，NumPy 的设计目标是处理实际数据集，而不是概率分布。

函数默认计算的是总体方差：

import numpy as np
 
a = np.array([1, 2, 3,4,5])
print(np.var(a))

结果：

2.0

也可以求样本方差：

import numpy as np
 
a = np.array([1, 2, 3,4,5])
print(np.var(a,ddof=1))

结果：

2.5

2.7 std()

标准差是方差的算术平方根，用来描述一组数据平均值的分散程度。

import numpy as np
 
a = np.array([1, 2, 3, 4, 5])
print(np.std(a))

结果：

1.4142135623730951