清晰易懂的Numpy进阶教程
重磅干货，第一时间送达
Numpy是数据分析和科学计算的核心包，上文详细介绍了Numpy的入门教程，本文将详细介绍Numpy的高级特性，这些特性对于数据分析和处理非常重要。
1. 如何获取满足条设定件的索引
2. 如何将数据导入和导出csv文件
3. 如何保存和加载numpy对象
4. 如何按列或行拼接numpy数组
5. 如何按列对numpy数组进行排序
6. 如何用numpy处理日期
7.高阶numpy函数介绍
8. 小结
上一文介绍根据数组是否满足条件，输出为True或False.
# 定义数组import numpy as nparr_rand = np.array([8, 8, 3, 7, 7, 0, 4, 2, 5, 2]) #根据数组是否大于4，满足为True，不满足为Falseb = arr_rand > 4b #> array([ True, True, False, True, True, False, False, False, True, False])
若我们想得到满足条件的索引，用np.where函数实现.
index_gt5 = np.where(arr_rand > 5)
print('Positions where value > 5: ', index_gt5)
#> Positions where value > 5: (array([0, 1, 3, 4]),) # 索引
由索引得到满足条件的值.
# 根据索引得到满足条件的数组值arr_rand.take(index_gt5) #> array([[8, 8, 7, 7]])
np.where也可以接受另两个可选择的参数x和y。当条件满足时，输出x，反之输出y.
np.where(arr_rand > 5, 'gt5', 'le5')
#> array(['gt5', 'gt5', 'le5', 'gt5', 'gt5', 'le5', 'le5', 'le5', 'le5', 'le5'],
dtype='<U3')
np.argmax和np.argmin分别获取数组最大值和最小值的索引.
# 最大值索引print('Position of max value: ', np.argmax(arr_rand))
# 最小值索引print('Position of min value: ', np.argmin(arr_rand))
#> Position of max value: 0#> Position of min value: 5
np.max和np.min分别获取数组的最大值和最小值.
print('max value: ', np.max(arr_rand))
# 最小值
print('min value: ', np.min(arr_rand))
#> max value: 8
#> min value: 0
导入数据的标准方法是使用np.genfromtxt函数，它可以从web URLs导入数据，处理缺失值，多种分隔符，处理不规则的列数等功能。一个不太通用的版本是用np.loadtxt函数导入数据，它假设数据集无缺失值.
作为示例，我们尝试从下面的URL读取.csv文件，由于numpy数组的所有元素都应该是同一种类型，因此文本的最后一列默认为'nan'。通过设置参数'filling_values'，你可以用其他值代替缺失值.
# 关闭数字的科学表示方法np.set_printoptions(suppress=True) # 从url的csv文件导入数据path = 'https://raw.githubusercontent.com/selva86/datasets/master/Auto.csv'# delimiter：分隔符，skip_header：从多少行开始读数据，以0开始，filling_values：缺失值表示，dtype：数据类型data = np.genfromtxt(path, delimiter=',', skip_header=1, filling_values=-999, dtype='float') data[:3] # 显示前3行数据 #> array([[ 18. , 8. , 307. , 130. , 3504. , 12. , 70. ,#> 1. , -999. ],#> [ 15. , 8. , 350. , 165. , 3693. , 11.5, 70. ,#> 1. , -999. ],#> [ 18. , 8. , 318. , 150. , 3436. , 11. , 70. ,#> 1. , -999. ]])
若设置参数dtype为'object'或'None'，np.genfromtxt在未设置占位符的前提下能同时处理具有数字和文本列的数据集.
data2 = np.genfromtxt(path, delimiter=',', skip_header=1, dtype=None)
data2[:3] # 显示前三行
#> array([( 18., 8, 307., 130, 3504, 12. , 70, 1, b''chevrolet chevelle malibu''),
#> ( 15., 8, 350., 165, 3693, 11.5, 70, 1, b''buick skylark 320''),
#> ( 18., 8, 318., 150, 3436, 11. , 70, 1, b''plymouth satellite'')],
#> dtype=[('f0', '<f8'), ('f1', '<i8'), ('f2', '<f8'), ('f3', '<i8'), ('f4', '<i8'), ('f5', '<f8'), ('f6', '<i8'), ('f7', '<i8'), ('f8', 'S38')])
最后，'np.savetxt'将数据保存为csv文件.
# 保存数据为csv文件np.savetxt('out.csv', data, delimiter=',')
Numpy提供了.npy和.npz文件类型来实现。如果保存一个ndarray数据，使用np.save保存为.npy文件；若保存多个ndarray数据，使用np.savez保存为.npz文件。加载numpy数据，则统一用np.load函数.
np.save('myarray.npy', arr2d)
# 保存多个numpy数据，使用.npz文件
np.savez('array.npz', arr2d_f, arr2d_b)
# 加载.npy文件
a = np.load('myarray.npy')
print(a)
#> [[0 1 2]
#> [3 4 5]
#> [6 7 8]]
加载.npz文件，获取特定的数组值.
# 加载.npz文件b = np.load('array.npz')print(b.files)b['arr_0']
#> ['arr_0', 'arr_1']
#> array([[ 0., 1., 2.],#> [ 3., 4., 5.],#> [ 6., 7., 8.]])
虽然通过'arr_0'和'arr_1'获取了数组值，但是我们对这两个索引比较陌生，下面介绍手动设置索引保存和加载数组.
b=np.savez('array.npz',arr2d_f=arr2d_f,arr2d_b=arr2d_b)
c = np.load('array.npz')
print(c.files)
c['arr2d_f']
#> ['arr2d_f', 'arr2d_b']
#> array([[1., 2., 3., 4.],
[3., 4., 5., 6.],
[5., 6., 7., 8.]])
本节介绍三种拼接numpy数组的方法：
方法1：设置np.concatenate参数axis的值为1或0，实现数组的列拼接或行拼接。
方法2：np.vstack和np.hstack
方法3：np.r_和np.c_
需要注意的是，np.r_和np.c_使用方括号来拼接数组，其他两种方法使用括号。
首先，定义两个需要拼接的数组.
# 定义两个拼接的数组a = np.zeros([4, 4])b = np.ones([4, 4])print(a)print(b) #> [[ 0. 0. 0. 0.]#> [ 0. 0. 0. 0.]#> [ 0. 0. 0. 0.]#> [ 0. 0. 0. 0.]] #> [[ 1. 1. 1. 1.]#> [ 1. 1. 1. 1.]#> [ 1. 1. 1. 1.]#> [ 1. 1. 1. 1.]]
行拼接数组
np.concatenate([a, b], axis=0)
np.vstack([a,b])
np.r_[a,b]
#> array([[ 0., 0., 0., 0.],
#> [ 0., 0., 0., 0.],
#> [ 0., 0., 0., 0.],
#> [ 0., 0., 0., 0.],
#> [ 1., 1., 1., 1.],
#> [ 1., 1., 1., 1.],
#> [ 1., 1., 1., 1.],
#> [ 1., 1., 1., 1.]])
列拼接数组
# 列拼接np.concatenate([a, b], axis=1) np.hstack([a,b]) np.c_[a,b] #> array([[ 0., 0., 0., 0., 1., 1., 1., 1.],#> [ 0., 0., 0., 0., 1., 1., 1., 1.],#> [ 0., 0., 0., 0., 1., 1., 1., 1.],#> [ 0., 0., 0., 0., 1., 1., 1., 1.]])
本节介绍三种按列排序方法：np.sort，np.argsort和np.lexsort。在介绍三种排序方法前，先定义一个2维数组.
arr
#> array([[3, 3, 2, 1],
#> [1, 5, 4, 5],
#> [3, 1, 4, 2],
#> [3, 4, 5, 5],
#> [2, 4, 5, 5],
#> [4, 4, 4, 2],
#> [2, 4, 1, 3],
#> [2, 2, 4, 3]])
np.sort基于列对arr数组进行排序.
# axis=0表示列排序，1表示行排序np.sort(arr, axis=0) #> array([[1, 1, 1, 1],#> [2, 2, 2, 2],#> [2, 3, 4, 2],#> [2, 4, 4, 3],#> [3, 4, 4, 3],#> [3, 4, 4, 5],#> [3, 4, 5, 5],#> [4, 5, 5, 5]])
由上面结果分析，np.sort排序函数认为所有列是相互独立的，对所有列进行排序，破坏了每行的结构，
使用np.argsort函数可以保留行的完整性 .
sorted_index_1stcol = arr[:, 0].argsort()
# 根据第一列的索引对数组排序，保留了行的完整性
arr[sorted_index_1stcol]
#> array([[1, 5, 4, 5],
#> [2, 4, 5, 5],
#> [2, 4, 1, 3],
#> [2, 2, 4, 3],
#> [3, 3, 2, 1],
#> [3, 1, 4, 2],
#> [3, 4, 5, 5],
#> [4, 4, 4, 2]])
倒转argsort索引实现递减排序
# 递减排序arr[sorted_index_1stcol[::-1]] #> array([[4, 4, 4, 2],#> [3, 4, 5, 5],#> [3, 1, 4, 2],#> [3, 3, 2, 1],#> [2, 2, 4, 3],#> [2, 4, 1, 3],#> [2, 4, 5, 5],#> [1, 5, 4, 5]])
若要基于多个列对数组进行排序，使用np.lexsort函数，它的参数是元组类型，元组的每个元素表示数组的某一列，排序规则是：越靠近右边的列，优先级越高.
lexsorted_index = np.lexsort((arr[:, 1], arr[:, 0]))
arr[lexsorted_index]
#> array([[1, 5, 4, 5],
#> [2, 2, 4, 3],
#> [2, 4, 5, 5],
#> [2, 4, 1, 3],
#> [3, 1, 4, 2],
#> [3, 3, 2, 1],
#> [3, 4, 5, 5],
#> [4, 4, 4, 2]])
np.datatime64创建日期对象，精确度达到纳秒，你可以使用标准的YYYY-MM-DD格格式的字符串作为参数创建日期.
# 创建datetime64对象date64 = np.datetime64('2018-02-04 23:10:10')date64
#> numpy.datetime64('2018-02-04T23:10:10')
从datatime64对象分离时间
dt64 = np.datetime64(date64, 'D')
dt64
#> numpy.datetime64('2018-02-04')
如果你想增加天数或其他任何时间单元，比如月份，小时，秒等，使用np.timedelta函数非常方便.
# np.delta建立多个时间单元tenminutes = np.timedelta64(10, 'm') # 10 分钟tenseconds = np.timedelta64(10, 's') # 10 秒钟tennanoseconds = np.timedelta64(10, 'ns') # 10 纳秒
print('Add 10 days: ', dt64 + 10)# 增加10天print('Add 10 minutes: ', dt64 + tenminutes)# 增加10分钟print('Add 10 seconds: ', dt64 + tenseconds)# 增加10秒print('Add 10 nanoseconds: ', dt64 + tennanoseconds) # 增加10纳秒
#> Add 10 days: 2018-02-14#> Add 10 minutes: 2018-02-04T00:10#> Add 10 seconds: 2018-02-04T00:00:10#> Add 10 nanoseconds: 2018-02-04T00:00:00.000000010
dt64对象转化为字符串
np.datetime_as_string(dt64)
#> '2018-02-04'
np.is_busday函数判断日期是否为工作日，工作日默认为周一至周五.
print('Date: ', dt64)print('Is it a business day?: ', np.is_busday(dt64))
#> Date: 2018-02-04#> Is it a business day?: False # False表示不是
手动设置工作日的时间，如设置工作日为周六周日，其他时间为休息日.
# 设置周六周日为工作日
np.is_busday(date64,weekmask='Sat Sun')
#> True
np.busday_offset查看后几个工作日的日期.
# 周四date64 = np.datetime64('2019-04-11')# 查看两个工作日后的日期t = np.busday_offset(date64, 2)t
#> numpy.datetime64('2019-04-15')
若当前工作日为非工作日，则默认是报错的.
date64 = np.datetime64('2019-04-13')
# 查看两个工作日后的日期
t = np.busday_offset(date64, 2)
t
#> ValueError: Non-business day date in busday_offset # 非工作日不能作为busday_offset的参数
可以增加参数forward或backward来报错，forward的含义是若当前日期非工作日，那么往前寻找最接近当前日期的工作日，backward的含义则是往后寻找最接近当前日期的工作日.
#当前时间为周六(2019-04-13)，往前最接近当前时间的工作日是2019-04-15，两个工作日偏移后的日期是2019-04-17print('Add 2 business days, rolling forward to nearest biz day: ', np.busday_offset(date64, 2, roll='forward'))#当前时间为周六(2019-04-13)，往后最接近当前时间的工作日是2019-04-12，两个工作日偏移后的日期是2019-04-16print('Add 2 business days, rolling backward to nearest biz day: ', np.busday_offset(date64, 2, roll='backward'))
#> Add 2 business days, rolling forward to nearest biz day: 2019-04-17#> Add 2 business days, rolling backward to nearest biz day: 2019-04-16
6.1 如何创建日期序列
np.arange可简单创建日期序列
dates = np.arange(np.datetime64('2018-02-01'), np.datetime64('2018-02-10'))
print(dates)
# 检查是否为工作日
np.is_busday(dates)
#> ['2018-02-01' '2018-02-02' '2018-02-03' '2018-02-04' '2018-02-05'
#> '2018-02-06' '2018-02-07' '2018-02-08' '2018-02-09']
array([ True, True, False, False, True, True, True, True, True], dtype=bool)
6.2 如何把numpy.data64对象转化为datatime.datatime对象
# np.datetime64类型转化为datetime.datetime类型import datetimedt = dt64.tolist()dt #> datetime.date(2018, 2, 4)
获取datatime对象的年月日非常简便
print('Day of month: ', dt.day)
print('Month of year: ', dt.month)
print('Day of Week: ', dt.weekday()) # 周五
#> Year: 2018
#> Day of month: 4
#> Month of year: 2
#> Day of Week: 6
7.1 标量函数的向量化
标量函数只能处理标量，不能处理数组
# 定义标量函数def foo(x): if x % 2 == 1: return x**2 else: return x/2
# On a scalarprint('x = 10 returns ', foo(10))print('x = 11 returns ', foo(11))
#> x = 10 returns 5.0#> x = 11 returns 121
# 函数不能处理数组# print('x = [10, 11, 12] returns ', foo([10, 11, 12])) # 错误
np.vectorize使标量函数也能处理数组，可选参数otypes为输出的类型.
foo_v = np.vectorize(foo, otypes=[float])
print('x = [10, 11, 12] returns ', foo_v([10, 11, 12]))
print('x = [[10, 11, 12], [1, 2, 3]] returns ', foo_v([[10, 11, 12], [1, 2, 3]]))
#> x = [10, 11, 12] returns [ 5. 121. 6.]
#> x = [[10, 11, 12], [1, 2, 3]] returns [[ 5. 121. 6.]
#> [ 1. 1. 9.]]
7.2 apply_along_axis函数
首先定义一个二维数组
# 定义一个4x10的随机二维数组np.random.seed(100)arr_x = np.random.randint(1,10,size=[4,10])arr_x #> array([[9, 9, 4, 8, 8, 1, 5, 3, 6, 3],#> [3, 3, 2, 1, 9, 5, 1, 7, 3, 5],#> [2, 6, 4, 5, 5, 4, 8, 2, 2, 8],#> [8, 1, 3, 4, 3, 6, 9, 2, 1, 8]])
如果我们要找数组每行或每列的最大值，numpy的一个最大特点是基于向量化操作的，因此我们使用np.apply_along_axis函数找每行或每列的最大值.
print('max of per column: ', np.apply_along_axis(np.max, 0, arr=arr_x))
# 基于行操作，找每行的最大值
print('max of per row: ', np.apply_along_axis(np.max, 1, arr=arr_x))
#> max of per column: [9 9 4 8 9 6 9 7 6 8]
#> max of per row: [9 9 8 9]
7.3 searchsorted函数
np.searchsorted函数返回某一变量在有序数组的位置，在该位置插入变量后数组仍然是有序的.
# 生成有序数组x = np.arange(10)print('Where should 5 be inserted?: ', np.searchsorted(x, 5))# 若遇到相同大小的数值，输入变量放在右边位置print('Where should 5 be inserted (right)?: ', np.searchsorted(x, 5, side='right'))
#> Where should 5 be inserted?: 5#> Where should 5 be inserted (right)?: 6
7.4 如何增加数组维度
在不增加任何额外数据的前提下，np.newaxis函数可以增加数组的维数，newaxis在的位置就是要增加的维度.
x = np.arange(5)
print('Original array: ', x)
# 数组维度为2
print('ndims of x:', x.ndim)
# 列维度增加
x_col = x[:, np.newaxis]
print(x_col)
# 数组维度为2
print('ndims of x_col: ', x_col.ndim)
print('x_col shape: ', x_col.shape)
# 行维度增加
x_row = x[np.newaxis, :]
print(x_row)
print('x_row shape: ', x_row.shape)
# 数组维度为2
print('ndims of x_row: ', x_row.ndim)
#> Original array: [0 1 2 3 4]
#> ndims of x: 1
#> [[0]
[1]
[2]
[3]
[4]]
#> ndims of x_col: 2
#> x_col shape: (5, 1)
#> [[0 1 2 3 4]]
#> x_row shape: (1, 5)
#> ndims of x_row: 2
7.5 Digitize函数
np.digitize函数返回数组每个元素属于bin的索引位置.
# 构建数组和binx = np.arange(10)bins = np.array([0, 3, 6, 9]) # 返回bin索引位置np.digitize(x, bins) #> array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4])
可视化分析digitize算法原理：
如上图，根据变量落在bin的区间范围，返回对应的索引.
7.7 Clip函数
np.clip函数将数字限制在给定截止范围内，所有小于范围下限的数被当成下限值，大于范围上限的数被当成上限值.
np.clip(x, 3, 8)
#> array([3, 3, 3, 3, 4, 5, 6, 7, 8, 8])
7.8 Histogram函数和Bincount函数
np.bincount函数统计最小值到最大值的个数，最小值为0.
# Bincount例子x = np.array([1,1,2,3,2,4,4,5,6,6,6])np.bincount(x) # 0出现0次, 1出现2次, 2出现2次, 3出现1次，4出现2次，5出现1次，6出现3次 #> array([0, 2, 3, 0, 2, 1, 3], dtype=int64)
np.histogram函数统计数据落入bins的区间，不考虑bins两侧的区间（如下图所示）.
counts, bins = np.histogram(x, [0, 2, 4, 6, 8])
print('Counts: ', counts)
print('Bins: ', bins)
#> Counts: [2 3 3 3]
#> Bins: [0 2 4 6 8]