[PYTHON] Principes de base de NumPy
Caractéristiques de NumPy
--Calculer des tableaux multidimensionnels à la fois à grande vitesse.
ndarray: objet de tableau multidimensionnel
- Exemple de ndarray
import numpy as np
data = np.random.randn(2,3) #Nombres aléatoires avec 2 colonnes et 3 lignes
print(data)
# [[-0.4440664 -0.07889544 -0.84781375]
# [ 0.59333292 -0.03008522 1.54106015]]
print(data * 10) #Multiplier
# [[-4.44066398 -0.78895438 -8.47813747]
# [ 5.93332925 -0.3008522 15.41060155]]
print(data + data) #Ajouter
# [[-0.8881328 -0.15779088 -1.69562749]
# [ 1.18666585 -0.06017044 3.08212031]]
print(data.shape) #Nombre d'éléments verticaux et horizontaux
# (2, 3)
print(data.dtype) #Type d'élément
# float64
Génération de ndarray
--Générer avec np.array (list).
--np.zeros (10) `` np.zeros ((3,6))crée un ndarray avec tous les éléments 0.
- De même,
np.ones ()crée un ndarray avec tous les éléments 1. --Remplisseznp.full ()avec la valeur spécifiée. --Avecnp.arange (10), générez un ndarray dans lequel les éléments 0 à 9 sont entrés dans l'ordre.
import numpy as np
data = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr = np.array(data) #Générer ndarray à partir de la liste
print(arr)
# [[1 2 3 4]
# [5 6 7 8]]
print(arr.ndim) #dimension
# 2
print(arr.shape) #Nombre d'éléments
# (2, 4)
Type de données de ndarray
- int8、16、32、64、uint8、16、32、64
- float16、32、64、128
- complex64、128、256
- bool
- object
- string_
- unicode_
import numpy as np
arr1 = np.array([-3.7, -1.2, 0.5, 4.5])
print(arr1)
# [-3.7 -1.2 0.5 4.5]
arr2 = arr1.astype(np.int32) #Pour lancer
print(arr2)
# [-3 -1 0 4]
arr3 = np.array(['-3.7', '-1.2', '0.5', '4.5'], dtype=np.string_)
print(arr3)
# [b'-3.7' b'-1.2' b'0.5' b'4.5']
print(arr3.dtype)
# |S4
arr4 = arr3.astype(np.float64) #Pour lancer
print(arr4)
# [-3.7 -1.2 0.5 4.5]
Opération arithmétique de ndarray
- Les calculs de la même taille sont calculés à la même position.
- L'opération entre ndarrays de différentes tailles est appelée diffusion.
import numpy as np
arr1 = np.array([[1., 2., 3., 4.], [5., 6., 7., 8.]])
print(arr1 ** 2)
# [[ 1. 4. 9. 16.]
# [25. 36. 49. 64.]]
print(arr1 - arr1)
# [[0. 0. 0. 0.]
# [0. 0. 0. 0.]]
print(1 / arr1)
# [[1. 0.5 0.33333333 0.25 ]
# [0.2 0.16666667 0.14285714 0.125 ]]
arr2 = np.array([[0., 4., 1., 5.], [3., 9., 4., 9.]])
print(arr1 < arr2)
# [[False True False True]
# [False True False True]]
Référence d'index et principes de base du découpage
- La référence d'index coupe une partie des données. ―― Vous pouvez spécifier un scalaire pour une partie de la découpe, et la valeur spécifiée sera propagée à l'ensemble de la découpe. (diffuser)
- Les tranches sont des vues, pas des copies.
import numpy as np
arr1 = np.arange(10)
print(arr1)
# [0 1 2 3 4 5 6 7 8 9]
print(arr1[5:8])
# [5 6 7]
arr1[5:8] = 12
print(arr1)
# [ 0 1 2 3 4 12 12 12 8 9]
arr_slice = arr1[5:8]
arr_slice[1] = 12345
print(arr_slice)
# [ 12 12345 12]
print(arr1)
# [ 0 1 2 3 4 12 12345 12 8 9]
- Tranche en deux dimensions
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) #2D
print(arr2d)
# [[1 2 3]
# [4 5 6]
# [7 8 9]]
print(arr2d[:2]) #Verticale 0,Sortez le premier
# [[1 2 3]
# [4 5 6]]
print(arr2d[:2, 1:]) #Verticale 0,1er, 1 sur la rue latérale,Sortez le second
# [[2 3]
# [5 6]]
print(arr2d[1, :2]) #1er à la verticale, 0 à l'horizontale,Sortez le premier
# [4 5]
print(arr2d[:, :1]) #Tout vertical, horizontal 0,Sortez le premier
# [[1]
# [4]
# [7]]
arr2d[:2, 1:] = 0 #Remplacez tout dans cette gamme
print(arr2d)
# [[1 0 0]
# [4 0 0]
# [7 8 9]]
Référence d'index booléen
- Sur la base de la condition du tableau avec 7 tableaux (tableau de valeurs valides), les lignes du tableau bidimensionnel de (7,4) peuvent être extraites.
- Le nombre d'éléments sur l'axe du tableau référencé et le nombre d'éléments sur le tableau booléen doivent correspondre.
import numpy as np
names = np.array(['Yamada', 'Suzuki', 'Sato', 'Yamada', 'Tanaka', 'Tanaka', 'Sato'])
data = np.random.randn(7, 4) #Créez un tableau avec 7 lignes verticalement et 4 colonnes horizontalement avec des nombres aléatoires
print(data)
# [[-0.92866442 -0.81744986 1.11821763 -0.55440628]
# [-0.09511771 0.99145963 0.38475434 0.59748055]
# [ 0.0444708 -0.00381292 0.97888419 1.242504 ]
# [ 0.89214068 -1.0411466 0.90850611 -2.02933442]
# [ 0.78789041 -0.84593788 -0.5624772 0.32488453]
# [ 0.50153002 -0.25411512 0.30855623 -1.31825153]
# [-0.6596584 1.53735231 -0.37044833 1.93782111]]
print(names == 'Yamada') # 'Yamada'Flux correspondant, 0,4th renvoie True
# [ True False False True False False False]
print(data[names == 'Yamada']) #données à 0,Sortez le 4e
# [[-0.92866442 -0.81744986 1.11821763 -0.55440628]
# [ 0.89214068 -1.0411466 0.90850611 -2.02933442]]
mask = (names == 'Yamada') | (names == 'Sato') #Vous pouvez également le retirer avec ou
print(data[(names == 'Yamada') | (names == 'Sato')])
# [[-0.92866442 -0.81744986 1.11821763 -0.55440628]
# [ 0.0444708 -0.00381292 0.97888419 1.242504 ]
# [ 0.89214068 -1.0411466 0.90850611 -2.02933442]
# [-0.6596584 1.53735231 -0.37044833 1.93782111]]
data[names == 'Yamada'] = 0 # 0,Quatrièmement, mettez 0
print(data)
# [[ 0. 0. 0. 0. ]
# [-0.09511771 0.99145963 0.38475434 0.59748055]
# [ 0.0444708 -0.00381292 0.97888419 1.242504 ]
# [ 0. 0. 0. 0. ]
# [ 0.78789041 -0.84593788 -0.5624772 0.32488453]
# [ 0.50153002 -0.25411512 0.30855623 -1.31825153]
# [-0.6596584 1.53735231 -0.37044833 1.93782111]]
Voir l'index de fantaisie
--Fancy index reference est une méthode qui utilise un tableau d'entiers pour la référence d'index.
- Contrairement au découpage, les références d'index fantaisie renvoient toujours une copie des données d'origine
import numpy as np
arr = np.arange(32).reshape(8, 4) # 8,Créez un tableau de 4
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [12 13 14 15]
# [16 17 18 19]
# [20 21 22 23]
# [24 25 26 27]
# [28 29 30 31]]
print(arr[[0, 4, 5, -1]]) # 0, 4, 5, -Renvoie une ligne
# [[ 0 1 2 3]
# [16 17 18 19]
# [20 21 22 23]
# [28 29 30 31]]
print(arr[[1, 5, 7, 2], [0, 3, 1, 2]]) # (1,0),(5,3),(7,1),(2,2)rends le
# [ 4 23 29 10]
Matrice de translocation, permutation des lignes et des colonnes
--Transposition de ndarray renvoie une vue spéciale qui reconstruit la matrice d'origine. Ne fait pas de copie.
--Il existe une méthode pour appliquer la fonction transpose et une méthode pour faire référence à T qui est l'un des attributs de ndarray.
import numpy as np
arr1 = np.arange(15).reshape(3, 5) # 3,Créez un tableau de 5
print(arr1)
# [[ 0 1 2 3 4]
# [ 5 6 7 8 9]
# [10 11 12 13 14]]
print(arr1.T)
# [[ 0 5 10]
# [ 1 6 11]
# [ 2 7 12]
# [ 3 8 13]
# [ 4 9 14]]
arr2 = np.arange(24).reshape((2, 3, 4)) # (2,3,4)Créez un tableau de
print(arr2)
# [[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
#
# [[12 13 14 15]
# [16 17 18 19]
# [20 21 22 23]]]
print(arr2.transpose((1, 0, 2))) #Changer l'ordre des axes,(3,2,4)Fabriqué en une gamme de
# [[[ 0 1 2 3]
# [12 13 14 15]]
#
# [[ 4 5 6 7]
# [16 17 18 19]]
#
# [[ 8 9 10 11]
# [20 21 22 23]]]
Fonction universelle: application de la fonction à tous les éléments du tableau
-La fonction universelle est une fonction qui renvoie les résultats de la recherche pour chaque élément de ndarray.
-Un seul terme ufunc Prendre un ndarray
-Abs, fabs, sqrt, square, exp, log, log10, log2, log1p, sign, cell, floor, rint modf, isnan, isfinite, isinf, cos, sin, tan, etc.
-Deux termes ufunc Prend deux ndarrays
-Ajouter, soustraire, multiplier, diviser, floor_dvide, puissance, maximum, fmax, minimum, fmin, mod, copysign, râpe, moins, égal, logique_and, etc.
Programmation orientée Array avec ndarray
--Affiche le résultat de sqrt (x ^ 2 + y ^ 2) pour les données de point de grille
--np.meshgrid prend deux fonctions unidimensionnelles et énumère toutes les combinaisons de chaque élément.
import numpy as np
import matplotlib.pyplot as plt
points = np.arange(-5, 5, 0.01) #1000 points de grille
xs, ys = np.meshgrid(points, points) #Renvoie toutes les combinaisons
z = np.sqrt(xs ** 2 + ys ** 2)
print(z)
plt.imshow(z, cmap=plt.cm.gray)
plt.colorbar()
plt.title("Image plot of $\\sqrt{x^2 + x^2}$ for a grid of values")
plt.show()
Représentation du contrôle conditionnel dans ndarray
--np.where () renvoie le deuxième argument lorsque le premier argument est Vrai et le troisième lorsque le premier argument ne l'est pas.
- Chaque argument peut être une valeur de liste ou une valeur scalaire.
import numpy as np
import matplotlib.pyplot as plt
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])
#Prend x quand cond est vrai, y sinon
#Notation d'inclusion (lente)
reult1 = [(x if c else y) for x, y, c in zip(xarr, yarr, cond)]
#utiliser où
result2 = np.where(cond, xarr,yarr)
print(result2)
# [1.1 2.2 1.3 1.4 2.5]
Fonction mathématique, fonction statistique
Spécifiez l’axe à traiter avec «axe»
--Total et moyenne de ʻarr.sum () , ʻarr.mean ()
--ʻArr.sum (axis = 1) , ʻarr.mean (axis = 0) En deux dimensions, la somme des lignes et la moyenne des colonnes, respectivement
Fonction de tableau booléen
--Lorsque ʻarrestnp.array, (arr> 0) .sum () ʻest le nombre de nombres positifs (True).
--Lorsque bool = tableau booléen
--S'il y a True même dans bools.any () 1, alors True
--bools.all () Vrai si tout est Vrai
Trier
--Lorsque ʻarrestnp.array, trier lui-même avec ʻarr.sort (). (Destructeur)
--Pour les tableaux multidimensionnels, spécifiez n'importe quel axe, tel que ʻarr.sort (1) `.
Fonction d'agrégation: unique, etc.
--np.unique (arr) supprime les doublons et renvoie le résultat trié.
--np.inld (arr, [2, 3, 6]) est True si la liste de arr contient 2,3,6, sinon False est une liste de même longueur que arr. revenir.
Fichier d'entrée / sortie de ndarray
--Beaucoup utilisent pandas pour lire des fichiers texte et des données tabulaires.
- Ici, nous nous concentrons sur le format binaire.
--Pour enregistrer ʻarr
, enregistrez-le non compressé avecnp.save ('some_array', arr). L'extension est automatiquement ajoutée avec.npy`. - De même, lire avec ʻarr = np.load ('save_array.npy')
. --Avecnp.savez ('array_archive.npz', a = arr1, b = arr2), enregistrez plusieurs arrs non compressées. ʻA,bsont les clés du dictionnaire. - À lire avec ʻarch = np.load ('array_archive.npz')
. Pasloadz`. - À partir de ʻarch ['a']
, récupérez ʻarr1. Extrayez ʻarr2avec ʻarch ['b']. --Compresser et enregistrer avecnp.savez_compressed ('arrays_compressed.npz' ,, a = arr1, b = arr2). La lecture est la même que ci-dessus.
Calcul matriciel
- Pour calculer le produit intérieur. Utilisez «dot».
import numpy as np
x = np.array([[1., 2., 3.], [4., 5., 6., ]])
y = np.array([[6., 23.], [-1., 7.], [8., 9.]])
print(x.dot(y)) #produit intérieur
# [[ 28. 64.]
# [ 67. 181.]]
print(np.dot(x, y)) #Une autre façon d'écrire
# [[ 28. 64.]
# [ 67. 181.]]
print(x @ y) # @Peut également être utilisé.
# [[ 28. 64.]
# [ 67. 181.]]
Génération de nombres pseudo aléatoires
--Utilisez normal pour une matrice 4x4 avec np.random.normal (size = (4,4)) pour générer des nombres aléatoires basés sur une distribution normale.
--randint Renvoie un nombre aléatoire entier dans la plage d'entiers donnée.
import numpy as np
import matplotlib.pyplot as plt
samples = np.random.normal(size=(4,4))
print(samples)
# [[ 1.45907882 1.78873804 -0.52480754 0.20770224]
# [-1.55474475 -1.67045483 -1.3589208 1.25584424]
# [ 0.90562937 -1.50742692 1.48579887 1.48081589]
# [ 1.3478]5606 -0.20653648 0.13308665 -0.24455952]
Exemple: marche aléatoire
Marche aléatoire multiple
--Dans une marche aléatoire, après 5000 essais, trouvez l'indice qui a d'abord atteint 30 ou -30 à la fois.
import numpy as np
import matplotlib.pyplot as plt
nwalks = 5000
nsteps = 1000
#Générer au hasard 0 ou 1
draws = np.random.randint(0, 2, size=(nwalks, nsteps))
print(draws)
# [[1 1 1 ... 0 1 1]
# [1 1 0 ... 0 0 1]
# [0 0 1 ... 1 1 0]
# ...
# [0 0 1 ... 0 0 0]
# [0 0 1 ... 1 0 0]
# [1 0 1 ... 1 1 0]]
#0 et 1-Diviser en 1 et 1
steps = np.where(draws > 0, 1, -1)
print(steps)
# [[ 1 1 1 ... -1 1 1]
# [ 1 1 -1 ... -1 -1 1]
# [-1 -1 1 ... 1 1 -1]
# ...
# [-1 -1 1 ... -1 -1 -1]
# [-1 -1 1 ... 1 -1 -1]
# [ 1 -1 1 ... 1 1 -1]]
#Ajouter dans le sens horizontal
walks = steps.cumsum(1)
print(walks)
# [[ 1 2 3 ... 10 11 12]
# [ 1 2 1 ... -44 -45 -44]
# [ -1 -2 -1 ... -28 -27 -28]
# ...
# [ -1 -2 -1 ... 6 5 4]
# [ -1 -2 -1 ... -6 -7 -8]
# [ 1 0 1 ... 28 29 28]]
print(walks.max())
# 128
print(walks.min())
# -123
#Avez-vous atteint 30 ans? Vrai dans les lignes/Revenir avec faux
hits30 = (np.abs(walks) >= 30).any(1)
print(hits30)
# [False False True ... True True True]
#30-Nombre atteint 30
print(hits30.sum())
# 3377
# 30/-Sortez la ligne qui a atteint 30 et trouvez le tout premier index
crossing_times = (np.abs(walks[hits30]) >= 30).argmax(1)
print(crossing_times)
# [671 313 161 ... 307 289 89]
#moyenne
print(crossing_times.mean())
# 500.09327805744744
#Affichage sur le graphique
max_row = walks[(walks == walks.max()).any(1)][0]
min_row = walks[(walks == walks.min()).any(1)][0]
plt.plot(max_row)
plt.plot(min_row)
plt.show()
--Graphique maximum et minimum de marche aléatoire
référence
--Introduction à l'analyse de données avec Python 2nd Edition
Recommended Posts