在python 中有時候我們用陣列操作資料可以極大的提升資料的處理效率，

類似於R的向量化操作，使得資料的操作趨於簡單化，在python 中是使用numpy模組可以進行陣列和向量計算。

下面來看下簡單的例子

import numpy as np data=np.array([2,5,6,8,3]) #構造一個簡單的陣列 print(data)

12345

import numpy asnp data=np.array([2,5,6,8,3]) #構造一個簡單的陣列print(data)

結果：

[2 5 6 8 3]

data1=np.array([[2,5,6,8,3],np.arange(5)]) #構建一個二維陣列 print(data1)

123	data1=np.array([[2,5,6,8,3],np.arange(5)])#構建一個二維陣列print(data1)

結果：

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

我們也可以通過shape和dtype方法檢視陣列的維度和資料格式

print(data.shape) print(data.dtype) print(data1.shape) print(data1.dtype)

1234	print(data.shape)print(data.dtype)print(data1.shape)print(data1.dtype)

結果：

(5,)
int32

(2, 5)
int32

可以看出data是一維陣列，每組元素為5個，資料型別為32位int 型別

data1 為二維陣列，每個組有5個元素，資料型別為32位int型別

有一個較好的區分方法是看列印結果中，中括號的層數和位置，就可以看出陣列的維度，一層中括號代表一個維度。

其他的陣列屬性方法還有：

array.ndim   陣列的維數，一維陣列結果為1，二維陣列列印結果為2

array.size     陣列的元素個數

array.itemsiz   陣列每個元素的位元組大小

接下來我們瞭解下陣列中的資料型別：

NumPy中的基本資料型別

名稱	描述
bool	用一個位元組儲存的布林型別（True或False）
inti	由所在平臺決定其大小的整數（一般為int32或int64）
int8	一個位元組大小，-128 至 127
int16	整數，-32768 至 32767
int32	整數，-2 ** 31 至 2 ** 32 -1
int64	整數，-2 ** 63 至 2 ** 63 – 1
uint8	無符號整數，0 至 255
uint16	無符號整數，0 至 65535
uint32	無符號整數，0 至 2 ** 32 – 1
uint64	無符號整數，0 至 2 ** 64 – 1
float16	半精度浮點數：16位，正負號1位，指數5位，精度10位
float32	單精度浮點數：32位，正負號1位，指數8位，精度23位
float64或float	雙精度浮點數：64位，正負號1位，指數11位，精度52位
complex64	複數，分別用兩個32位浮點數表示實部和虛部
complex128或complex	複數，分別用兩個64位浮點數表示實部和虛部

基礎的陣列運算

陣列也可以進行我們常用的加減乘除運算

arr=np.array(np.arange(10)) arr1=np.array(np.arange(1,11)) print(arr*2)

123	arr=np.array(np.arange(10))arr1=np.array(np.arange(1,11))print(arr*2)

結果：

[ 0  2  4  6  8 10 12 14 16 18]

print(arr+arr1)

1	print(arr+arr1)

結果：

[ 1  3  5  7  9 11 13 15 17 19]

注意，相加兩個陣列長度要一樣

接下來我們看下陣列索引

arr=np.arange(10)

1	arr=np.arange(10)

用下標直接進行索引

print(arr[5])

1	print(arr[5])

結果為：

5

切片索引

print(arr[5:8])

1	print(arr[5:8])

結果為：

[5 6 7]

可以利用索引對資料進行更改操作

arr[5]=120 print(arr)

12	arr[5]=120print(arr)

結果為：

[  0   1   2   3   4 120   6   7   8   9]

可以看到下標為5的數已經變成120了。

此外，陣列還可以進行布林操作

arr=np.arange(5) name=np.array(['a','b','b','c','a']) print(name=='a')

123	arr=np.arange(5)name=np.array(['a','b','b','c','a'])print(name=='a')

結果為：

[ True False False False True]

即滿足條件的資料全部以True的結果輸出。

接下來我們可以利用name陣列設定條件後的布林值對arr陣列進行相關操作

print(arr[name=='a'])

1	print(arr[name=='a'])

結果為：

[0 4]

即把arr中對應於name中a相對應位置的元素打印出來。

多條件操作

result=(name='a')|(name='c') print(result) print(name[result])

123	result=(name='a')|(name='c')print(result)print(name[result])

結果為：

[ True False False True True]
[‘a’ ‘c’ ‘a’]

接下來，我們瞭解下ufunc方法

用於操作單個數組的函式有如下：

用於操作兩個或多個數組的方法

相關的函式方法使用

np.meshgrid 用於生成多維矩陣

a,b=np.meshgrid(np.arange(1,5),np.arange(2,4)) print(a) print(b)

123	a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))print(a)print(b)

結果為：

[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]

按照資料最少的陣列形成陣列

np.where 是三元表示式  x if  condition  else y的向量化版本

arr1=np.arange(5) arr2=np.arange(20,25) condition=np.array([1,0,1,0,0]) result=np.where(condition,arr1,arr2) print(arr1) print(arr2) print(result)

1234567

arr1=np.arange(5)arr2=np.arange(20,25)condition=np.array([1,0,1,0,0])result=np.where(condition,arr1,arr2)print(arr1)print(arr2)print(result)

結果為：

[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]

可以看出，result的結果中，條件為1的顯示陣列arr1的內容，條件為0的顯示arr2的內容

數學統計方法

在陣列中我們也可以使用數學統計方法進行計數，例如sum mean  std  等

arr=np.random.randint(1,20,10) print(arr) print(np.mean(arr)) print(np.sum(arr)) print(np.std(arr))

12345

arr=np.random.randint(1,20,10)print(arr)print(np.mean(arr))print(np.sum(arr))print(np.std(arr))

結果為：

[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845

具體的方法內容如下圖所示：

布林型陣列的相關統計方法

arr=np.arange(-20,10) result=(arr>5).sum() print(arr) print(result)

1234	arr=np.arange(-20,10)result=(arr>5).sum()print(arr)print(result)

結果為：

-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
-2 -1 0 1 2 3 4 5 6 7 8 9]

4

可以對資料進行判斷後進行個數求和

其他的陣列方法還有

資料的讀取和儲存

線性函式的常用方法

arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)]) print(arr) print(np.dot(arr,2))

123	arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])print(arr)print(np.dot(arr,2))

結果為

[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]

dot方法可以進行矩陣相乘操作

其他方法如下圖

最後我們瞭解下numpy中的隨機數生成方法

上面的很多例子中我們已經用到了隨機數生成，

arr=np.random.random(10) print(arr)

12	arr=np.random.random(10)print(arr)

結果為

[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]

其他形式的隨機數生成方法

瞭解以上numpy的操作方法，基本的資料操作問題應該不是很大了。