[2020铁人赛Day27]糊里糊涂Python就上手-Numpy的观念与运用(下)

今日目标

上篇仅介绍如何将数值转换为 Numpy array 的方法与其中的使用方式，这边要来提一下如何将数值取出呈现与如何统计运算

Numpy narray 运用

取得一维阵列的数值

一维阵列中元素排列的顺序就是取值的索引，也可设置起始索引跟终止索引来取得一个范围值，其取值的语法为：

narray[索引]
or
narray[起始索引 : 终止索引 [:间隔值]]

建立一个范围值 0~7 的阵列值，并印出各种取值的方式(详细可看 Code 的注解)：
完整代码

import numpy as np
arangeValue = np.arange(0,8)

print(arangeValue) # 印出所有值
print(arangeValue[:]) # 印出所有值
print(arangeValue[3]) # 印出索引位置 3 的值
print(arangeValue[3:7]) # 印出索引位置 3~7 的值(不包含7)
print(arangeValue[3:8:2]) # 印出索引位置 3~8 每间隔 2 的值
print(arangeValue[6:2:-1]) # 印出索引 6~2 的值，间隔值为负号代表由右至左读取

取得多维阵列的数值

二维阵列取值：
可以看作是使用 row 以及 col 的位置数当索引，就如同像是座标来找寻数值的位置，其语法为：

narray[row 索引, col 索引]

(单一索引范围使用「：」区隔)

建立一个二维阵列值，并印出各种取值的方式(详细可看 Code 的注解)
完整代码

import numpy as np
list_data =[[1, 2, 3, 4],
            [5, 6, 7, 8],
            [9, 10, 11, 12],
            [13, 14, 15, 16]]

numpyArray = np.array(list_data)

print(numpyArray) # 印出全部
print(numpyArray[::]) # 印出全部
print(numpyArray[1, 2]) # row:1, col:2, result:7
print(numpyArray[3, 2:4]) # row:3, col:2:4, result:[15 16]
print(numpyArray[2:4, 2:4]) # row:2:4, col:2:4, result:[[11 12] [15 16]]
print(numpyArray[:, 2:4]) # row:all, col:2:4, result:[[ 3  4] [ 7  8] [11 12] [15 16]]
print(numpyArray[2:4, :]) # row:2:4, col:all, result:[[ 9 10 11 12] [13 14 15 16]]

三维阵列取值：
其实跟二维阵列差不多使用方式，仅多了矩阵(matrix)数量，其语法为：

narray[matrix 索引, row 索引, col 索引]

建立一个三维阵列值，并印出各种取值的方式(详细可看 Code 的注解)
完整代码

import numpy as np

import numpy as np
list_data =[
    [[1, 2, 3, 4],
     [5, 6, 7, 8],
     [9, 10, 11, 12],
     [13, 14, 15, 16]],
    [[14, 18, 13, 12],
     [25, 26, 27, 28],
     [39, 30, 31, 32],
     [43, 44, 45, 46]],
]

numpyArray = np.array(list_data)
print("维度:", numpyArray.ndim)
print("形状:", numpyArray.shape)
print("数量:", numpyArray.size)
print('\n')
print(numpyArray[::]) # 印出全部
print(numpyArray[1, 3, 2]) # matrix:1, row:3, col:2, result:45
print(numpyArray[0, 1:3, 3]) # matrix:1, row:3, col:2, result:[ 8 12]
print(numpyArray[:, 1:3, 3]) # matrix:all, row:3, col:2, result:[[ 8 12] [28 32]]

取得产生的随机资料(Numpy random)

在 Python 数据分析的学习应用过程中，经常需要用到 Numpy random 随机函数，因此这边需要提到一下

实际体验
并印出各种取值的方式(详细可看 Code 的注解)
完整代码

import numpy as np

print("产生印出 (4x2) 随机资料:\n", np.random.rand(4,2), "\n")
print("产生印出 (4x2) 常态分布随机资料:\n", np.random.randn(4,2), "\n")
print("产生印出 3个 0~1 之间的浮点数资料:\n", np.random.random(3), "\n")
print("产生印出 11~25，8 个随机整数:\n", np.random.randint(11, 25, 8), "\n")
print("产生印出 7个 0~29 不重复的随机整数:\n", np.random.choice(30, 7, replace=False), "\n")

读取 CSV 取得数值

通常在实际应用上都是使用 CSV 将数据储存起来，而 Numpy 可以使用 genfromtxt 函数读取档案内容，并将内容转换为阵列，语法为：

np.genfromtxt('资料档名', delimiter='分隔符号', skip_header=略过行数)

实际体验
读取「day27.csv」的内容，并印出来呈现
关於此范例用的「day27.csv」可於这边下载：day27.csv
完整代码

import numpy as np

fileValue = np.genfromtxt('day27.csv', delimiter=',', skip_header=1)
print(fileValue) # 印出取得数值
print(fileValue.shape) # 印出形状

Numpy 排序

在 Python Numpy 有资料排序 soft() 及 资料排序的索引 argsoft()
numpy.soft()：对阵列中的值进行排序并回传结果
numpy.argsoft()：对阵列中的值进行排序并回索引

使用「day27.csv」，直接做排序
完整代码

import numpy as np

fileValue = np.genfromtxt('day27.csv', delimiter=',', skip_header=1)

print("印出排序前的阵列:\n", fileValue, "\n") # 印出取得数值
print("印出排序後的阵列:\n", np.sort(fileValue), "\n") # 印出排序後的阵列
print("印出排序後的索引:\n", np.argsort(fileValue)) # 印出排序後的索引

Numpy 常用运算与统计函数

使用「day27.csv」，并印出上述运算函数的数值
(axis为轴向，axis=0 代表行, axis=1 代表列)
完整代码

import numpy as np

fileValue = np.genfromtxt('day27.csv', delimiter=',', skip_header=1)
print("印出取得数值:\n", fileValue, "\n") # 印出取得数值
print("取得最大值:", np.max(fileValue)) # 取得最大值
print("取得最小值:", np.min(fileValue)) # 取得最小值

# axis=0 行, axis=1 列
print("取得「每行最大值」:", np.max(fileValue, axis=0)) # 取得每行最大值
print("取得「每列最小值」:", np.min(fileValue, axis=1)) # 取得每列最小值

print("取得「每行加总」後数值:", np.sum(fileValue, axis=0)) # 取得每行加总後数值
print("取得「每列加总」後数值:", np.sum(fileValue, axis=1)) # 取得每列加总後数值

print("取得「每行乘积」後数值:", np.prod(fileValue, axis=0)) # 取得每行乘积後数值
print("取得「每列乘积」後数值:", np.prod(fileValue, axis=1)) # 取得每列乘积後数值

print("取得「每行平均」後数值:", np.mean(fileValue, axis=0)) # 取得每行平均值後数值
print("取得「每列平均」後数值:", np.mean(fileValue, axis=1)) # 取得每列平均值後数值

使用randint()，产生随机 20 个整数值，并印出上述统计函数的数值
完整代码

import numpy as np

numpyArray = np.random.randint(50, size=20)

print("随机产出的数值为:\n", numpyArray)

print("取得「标准差」:", np.std(numpyArray)) # 取得标准差
print("取得「变异数」:", np.var(numpyArray)) # 取得变异数
print("取得「中位数」:", np.median(numpyArray)) # 取得中位数
print("取得「百分比」:", np.percentile(numpyArray, 100)) # 取得百分比
print("取得「最大值与最小值差值」:", np.ptp(numpyArray)) # 取得最大值与最小值差值

结论

此系列的 Python Numpy 介绍到这吿一段落
文章每个部分都尽量搭配实作，让在实作的过程中了解到各个函数的作用，同时也加深印象，使得可快速熟悉运用