美女视频黄色的免费的,赵丽颖访谈视频,韩国女主播美女热舞视频

重磅干貨，第一時(shí)間送達(dá)

Numpy是數(shù)據(jù)分析和科學(xué)計(jì)算的核心包，上文詳細(xì)介紹了Numpy的入門教程，本文將詳細(xì)介紹Numpy的高級(jí)特性，這些特性對(duì)于數(shù)據(jù)分析和處理非常重要。

1. 如何獲取滿足條設(shè)定件的索引

2. 如何將數(shù)據(jù)導(dǎo)入和導(dǎo)出csv文件

3. 如何保存和加載numpy對(duì)象

4. 如何按列或行拼接numpy數(shù)組

5. 如何按列對(duì)numpy數(shù)組進(jìn)行排序

6. 如何用numpy處理日期

7.高階numpy函數(shù)介紹

8. 小結(jié)

1. 如何獲取滿足條設(shè)定件的索引

上一文介紹根據(jù)數(shù)組是否滿足條件，輸出為True或False.

# 定義數(shù)組
import numpy as np
arr_rand = np.array([8, 8, 3, 7, 7, 0, 4, 2, 5, 2])

#根據(jù)數(shù)組是否大于4，滿足為True，不滿足為False
b = arr_rand > 4
b

#> array([ True,  True, False,  True,  True, False, False, False,  True,
       False])

若我們想得到滿足條件的索引，用np.where函數(shù)實(shí)現(xiàn).

# 定位數(shù)組大于5的索引
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

由索引得到滿足條件的值.

# 根據(jù)索引得到滿足條件的數(shù)組值
arr_rand.take(index_gt5)

#> array([[8, 8, 7, 7]])

np.where也可以接受另兩個(gè)可選擇的參數(shù)x和y。當(dāng)條件滿足時(shí)，輸出x，反之輸出y.

# 如果值大于5，輸出字符串'gt5'，反之輸出'le5'
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分別獲取數(shù)組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分別獲取數(shù)組的最大值和最小值.

# 最大值
print('max value: ', np.max(arr_rand))

# 最小值
print('min value: ', np.min(arr_rand))

#> max value: 8
#> min value: 0

2. 如何將數(shù)據(jù)導(dǎo)入和導(dǎo)出csv文件

導(dǎo)入數(shù)據(jù)的標(biāo)準(zhǔn)方法是使用np.genfromtxt函數(shù)，它可以從web URLs導(dǎo)入數(shù)據(jù)，處理缺失值，多種分隔符，處理不規(guī)則的列數(shù)等功能。一個(gè)不太通用的版本是用np.loadtxt函數(shù)導(dǎo)入數(shù)據(jù)，它假設(shè)數(shù)據(jù)集無(wú)缺失值.

作為示例，我們嘗試從下面的URL讀取.csv文件，由于numpy數(shù)組的所有元素都應(yīng)該是同一種類型，因此文本的最后一列默認(rèn)為'nan'。通過設(shè)置參數(shù)'filling_values'，你可以用其他值代替缺失值.

# 關(guān)閉數(shù)字的科學(xué)表示方法
np.set_printoptions(suppress=True)  

# 從url的csv文件導(dǎo)入數(shù)據(jù)
path = 'https://raw.githubusercontent.com/selva86/datasets/master/Auto.csv'
# delimiter：分隔符，skip_header：從多少行開始讀數(shù)據(jù)，以0開始，filling_values：缺失值表示，dtype：數(shù)據(jù)類型
data = np.genfromtxt(path, delimiter=',', skip_header=1, filling_values=-999, dtype='float')

data[:3]  # 顯示前3行數(shù)據(jù)

#> 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. ]])

若設(shè)置參數(shù)dtype為'object'或'None'，np.genfromtxt在未設(shè)置占位符的前提下能同時(shí)處理具有數(shù)字和文本列的數(shù)據(jù)集.

# data2 = np.genfromtxt(path, delimiter=',', skip_header=1, dtype='object')
data2 = np.genfromtxt(path, delimiter=',', skip_header=1, dtype=None)
data2[:3] # 顯示前三行

#> 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'將數(shù)據(jù)保存為csv文件.

# 保存數(shù)據(jù)為csv文件
np.savetxt('out.csv', data, delimiter=',')

3. 如何保存和加載numpy數(shù)據(jù)

Numpy提供了.npy和.npz文件類型來(lái)實(shí)現(xiàn)。如果保存一個(gè)ndarray數(shù)據(jù)，使用np.save保存為.npy文件；若保存多個(gè)ndarray數(shù)據(jù)，使用np.savez保存為.npz文件。加載numpy數(shù)據(jù)，則統(tǒng)一用np.load函數(shù).

# 保存單一的numpy數(shù)據(jù)，使用.npy文件
np.save('myarray.npy', arr2d)

# 保存多個(gè)numpy數(shù)據(jù)，使用.npz文件
np.savez('array.npz', arr2d_f, arr2d_b)

# 加載.npy文件
a = np.load('myarray.npy')
print(a)

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

加載.npz文件，獲取特定的數(shù)組值.

# 加載.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.]])

雖然通過'arr_0'和'arr_1'獲取了數(shù)組值，但是我們對(duì)這兩個(gè)索引比較陌生，下面介紹手動(dòng)設(shè)置索引保存和加載數(shù)組.

# 增加索引保存數(shù)據(jù)
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.]])

4. 如何按列或行拼接numpy數(shù)組

本節(jié)介紹三種拼接numpy數(shù)組的方法：

方法1：設(shè)置np.concatenate參數(shù)axis的值為1或0，實(shí)現(xiàn)數(shù)組的列拼接或行拼接。
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_使用方括號(hào)來(lái)拼接數(shù)組，其他兩種方法使用括號(hào)。

首先，定義兩個(gè)需要拼接的數(shù)組.

# 定義兩個(gè)拼接的數(shù)組
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.]]

行拼接數(shù)組

# 行拼接數(shù)組
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.]])

列拼接數(shù)組

# 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.]])

5. 如何按列對(duì)數(shù)據(jù)進(jìn)行排序

本節(jié)介紹三種按列排序方法：np.sort，np.argsort和np.lexsort。在介紹三種排序方法前，先定義一個(gè)2維數(shù)組.

arr = np.random.randint(1,6, size=[8, 4])
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基于列對(duì)arr數(shù)組進(jìn)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]])

由上面結(jié)果分析，np.sort排序函數(shù)認(rèn)為所有列是相互獨(dú)立的，對(duì)所有列進(jìn)行排序，破壞了每行的結(jié)構(gòu)，

使用np.argsort函數(shù)可以保留行的完整性 .

# 對(duì)arr的第一列進(jìn)行排序，返回索引
sorted_index_1stcol = arr[:, 0].argsort()

# 根據(jù)第一列的索引對(duì)數(shù)組排序，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]])

倒轉(zhuǎn)argsort索引實(shí)現(xiàn)遞減排序

# 遞減排序
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]])

若要基于多個(gè)列對(duì)數(shù)組進(jìn)行排序，使用np.lexsort函數(shù)，它的參數(shù)是元組類型，元組的每個(gè)元素表示數(shù)組的某一列，排序規(guī)則是：越靠近右邊的列，優(yōu)先級(jí)越高.

# 先比較第一列，第一列相同的情況下再比較第二列
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]])

6. 如何用Numpy處理日期

np.datatime64創(chuàng)建日期對(duì)象，精確度達(dá)到納秒，你可以使用標(biāo)準(zhǔn)的YYYY-MM-DD格格式的字符串作為參數(shù)創(chuàng)建日期.

# 創(chuàng)建datetime64對(duì)象
date64 = np.datetime64('2018-02-04 23:10:10')
date64

#> numpy.datetime64('2018-02-04T23:10:10')

從datatime64對(duì)象分離時(shí)間

# 從datatime64對(duì)象分離時(shí)間
dt64 = np.datetime64(date64, 'D')
dt64

#> numpy.datetime64('2018-02-04')

如果你想增加天數(shù)或其他任何時(shí)間單元，比如月份，小時(shí)，秒等，使用np.timedelta函數(shù)非常方便.

# np.delta建立多個(gè)時(shí)間單元
tenminutes = np.timedelta64(10, 'm')  # 10 分鐘
tenseconds = np.timedelta64(10, 's')  # 10 秒鐘
tennanoseconds = np.timedelta64(10, 'ns')  # 10 納秒

print('Add 10 days: ', dt64 + 10)# 增加10天
print('Add 10 minutes: ', dt64 + tenminutes)# 增加10分鐘
print('Add 10 seconds: ', dt64 + tenseconds)# 增加10秒
print('Add 10 nanoseconds: ', dt64 + tennanoseconds)  # 增加10納秒

#> 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對(duì)象轉(zhuǎn)化為字符串

# dt64轉(zhuǎn)化為字符串
np.datetime_as_string(dt64)

#> '2018-02-04'

np.is_busday函數(shù)判斷日期是否為工作日，工作日默認(rèn)為周一至周五.

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

手動(dòng)設(shè)置工作日的時(shí)間，如設(shè)置工作日為周六周日，其他時(shí)間為休息日.

date64 = np.datetime64('2019-04-14')
# 設(shè)置周六周日為工作日
np.is_busday(date64,weekmask='Sat Sun')

#> True

np.busday_offset查看后幾個(gè)工作日的日期.

# 周四
date64 = np.datetime64('2019-04-11')
# 查看兩個(gè)工作日后的日期
t = np.busday_offset(date64, 2)
t

#> numpy.datetime64('2019-04-15')

若當(dāng)前工作日為非工作日，則默認(rèn)是報(bào)錯(cuò)的.

# 周六
date64 = np.datetime64('2019-04-13')
# 查看兩個(gè)工作日后的日期
t = np.busday_offset(date64, 2)
t

#> ValueError: Non-business day date in busday_offset # 非工作日不能作為busday_offset的參數(shù)

可以增加參數(shù)forward或backward來(lái)報(bào)錯(cuò)，forward的含義是若當(dāng)前日期非工作日，那么往前尋找最接近當(dāng)前日期的工作日，backward的含義則是往后尋找最接近當(dāng)前日期的工作日.

#當(dāng)前時(shí)間為周六(2019-04-13)，往前最接近當(dāng)前時(shí)間的工作日是2019-04-15，兩個(gè)工作日偏移后的日期是2019-04-17
print('Add 2 business days, rolling forward to nearest biz day: ', np.busday_offset(date64, 2, roll='forward'))
#當(dāng)前時(shí)間為周六(2019-04-13)，往后最接近當(dāng)前時(shí)間的工作日是2019-04-12，兩個(gè)工作日偏移后的日期是2019-04-16
print('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 如何創(chuàng)建日期序列

np.arange可簡(jiǎn)單創(chuàng)建日期序列

# 建立日期序列
dates = np.arange(np.datetime64('2018-02-01'), np.datetime64('2018-02-10'))
print(dates)

# 檢查是否為工作日
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對(duì)象轉(zhuǎn)化為datatime.datatime對(duì)象

# np.datetime64類型轉(zhuǎn)化為datetime.datetime類型
import datetime
dt = dt64.tolist()
dt

#> datetime.date(2018, 2, 4)

獲取datatime對(duì)象的年月日非常簡(jiǎn)便

print('Year: ', dt.year)
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. 高階numpy函數(shù)介紹

7.1 標(biāo)量函數(shù)的向量化

標(biāo)量函數(shù)只能處理標(biāo)量，不能處理數(shù)組

# 定義標(biāo)量函數(shù)
def foo(x):
    if x % 2 == 1:
        return x**2
    else:
        return x/2

# On a scalar
print('x = 10 returns ', foo(10))
print('x = 11 returns ', foo(11))

#> x = 10 returns  5.0
#> x = 11 returns  121

# 函數(shù)不能處理數(shù)組
# print('x = [10, 11, 12] returns ', foo([10, 11, 12]))  # 錯(cuò)誤

np.vectorize使標(biāo)量函數(shù)也能處理數(shù)組，可選參數(shù)otypes為輸出的類型.

# 函數(shù)向量化，向量化的輸出類型是float
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函數(shù)

首先定義一個(gè)二維數(shù)組

# 定義一個(gè)4x10的隨機(jī)二維數(shù)組
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]])

如果我們要找數(shù)組每行或每列的最大值，numpy的一個(gè)最大特點(diǎn)是基于向量化操作的，因此我們使用np.apply_along_axis函數(shù)找每行或每列的最大值.

# 基于列操作，找每列的最大值
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函數(shù)

np.searchsorted函數(shù)返回某一變量在有序數(shù)組的位置，在該位置插入變量后數(shù)組仍然是有序的.

# 生成有序數(shù)組
x = np.arange(10)
print('Where should 5 be inserted?: ', np.searchsorted(x, 5))
# 若遇到相同大小的數(shù)值，輸入變量放在右邊位置
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 如何增加數(shù)組維度

在不增加任何額外數(shù)據(jù)的前提下，np.newaxis函數(shù)可以增加數(shù)組的維數(shù)，newaxis在的位置就是要增加的維度.

# 定義一維數(shù)組
x = np.arange(5)
print('Original array: ', x)
# 數(shù)組維度為2
print('ndims of x:', x.ndim)

# 列維度增加
x_col = x[:, np.newaxis]
print(x_col)
# 數(shù)組維度為2
print('ndims of x_col: ', x_col.ndim)
print('x_col shape: ', x_col.shape)

# 行維度增加
x_row = x[np.newaxis, :]
print(x_row)
print('x_row shape: ', x_row.shape)
# 數(shù)組維度為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函數(shù)

np.digitize函數(shù)返回?cái)?shù)組每個(gè)元素屬于bin的索引位置.

# 構(gòu)建數(shù)組和bin
x = 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])

可視化分析digitize算法原理：

如上圖，根據(jù)變量落在bin的區(qū)間范圍，返回對(duì)應(yīng)的索引.

7.7 Clip函數(shù)

np.clip函數(shù)將數(shù)字限制在給定截止范圍內(nèi)，所有小于范圍下限的數(shù)被當(dāng)成下限值，大于范圍上限的數(shù)被當(dāng)成上限值.

# 限制x的所有元素位于3和8之間
np.clip(x, 3, 8)

#> array([3, 3, 3, 3, 4, 5, 6, 7, 8, 8])

7.8 Histogram函數(shù)和Bincount函數(shù)

np.bincount函數(shù)統(tǒng)計(jì)最小值到最大值的個(gè)數(shù)，最小值為0.

# Bincount例子
x = np.array([1,1,2,3,2,4,4,5,6,6,6])
np.bincount(x) # 0出現(xiàn)0次, 1出現(xiàn)2次, 2出現(xiàn)2次, 3出現(xiàn)1次，4出現(xiàn)2次，5出現(xiàn)1次，6出現(xiàn)3次

#> array([0, 2, 3, 0, 2, 1, 3], dtype=int64)

np.histogram函數(shù)統(tǒng)計(jì)數(shù)據(jù)落入bins的區(qū)間，不考慮bins兩側(cè)的區(qū)間（如下圖所示）.

x = np.array([1,1,2,3,2,4,4,5,6,6,6])
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]

下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程

本站僅提供存儲(chǔ)服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊舉報(bào)。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频