<p>在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率，</p>    <p>类似于R的向量化操作，使得数据的操作趋于简单化，在python 中是使用numpy模块可以进行数组和矢量计算。</p>    <p>下面来看下简单的例子</p>    <pre>  <code class="language-python">importnumpyas np     data=np.array([2,5,6,8,3]) #构造一个简单的数组     print(data)  </code></pre>    <p>结果：</p>    <p>[2 5 6 8 3]</p>    <pre>  <code class="language-python">data1=np.array([[2,5,6,8,3],np.arange(5)])  #构建一个二维数组     print(data1)  </code></pre>    <p>结果：</p>    <p>[[2 5 6 8 3]</p>    <p>[0 1 2 3 4]]</p>    <p>我们也可以通过shape和dtype方法查看数组的维度和数据格式</p>    <pre>  <code class="language-python">print(data.shape)  print(data.dtype)  print(data1.shape)  print(data1.dtype)  </code></pre>    <p>结果：</p>    <p>(5,)</p>    <p>int32</p>    <p>(2, 5)</p>    <p>int32</p>    <p>可以看出data是一维数组，每组元素为5个，数据类型为32位int 类型</p>    <p>data1 为二维数组，每个组有5个元素，数据类型为32位int类型</p>    <p>有一个较好的区分方法是看打印结果中，中括号的层数和位置，就可以看出数组的维度，一层中括号代表一个维度。</p>    <p>其他的数组属性方法还有：</p>    <p>array.ndim   数组的维数，一维数组结果为1，二维数组打印结果为2</p>    <p>array.size     数组的元素个数</p>    <p>array.itemsiz   数组每个元素的字节大小</p>    <p>接下来我们了解下数组中的数据类型：</p>    <table cellspacing="1">     <caption>     NumPy中的基本数据类型    </caption>     <tbody>      <tr>       <td>名称</td>       <td>描述</td>      </tr>      <tr>       <td>bool</td>       <td>用一个字节存储的布尔类型（True或False）</td>      </tr>      <tr>       <td>inti</td>       <td>由所在平台决定其大小的整数（一般为int32或int64）</td>      </tr>      <tr>       <td>int8</td>       <td>一个字节大小，-128 至 127</td>      </tr>      <tr>       <td>int16</td>       <td>整数，-32768 至 32767</td>      </tr>      <tr>       <td>int32</td>       <td>整数，-2 ** 31 至 2 ** 32 -1</td>      </tr>      <tr>       <td>int64</td>       <td>整数，-2 ** 63 至 2 ** 63 – 1</td>      </tr>      <tr>       <td>uint8</td>       <td>无符号整数，0 至 255</td>      </tr>      <tr>       <td>uint16</td>       <td>无符号整数，0 至 65535</td>      </tr>      <tr>       <td>uint32</td>       <td>无符号整数，0 至 2 ** 32 – 1</td>      </tr>      <tr>       <td>uint64</td>       <td>无符号整数，0 至 2 ** 64 – 1</td>      </tr>      <tr>       <td>float16</td>       <td>半精度浮点数：16位，正负号1位，指数5位，精度10位</td>      </tr>      <tr>       <td>float32</td>       <td>单精度浮点数：32位，正负号1位，指数8位，精度23位</td>      </tr>      <tr>       <td>float64或float</td>       <td>双精度浮点数：64位，正负号1位，指数11位，精度52位</td>      </tr>      <tr>       <td>complex64</td>       <td>复数，分别用两个32位浮点数表示实部和虚部</td>      </tr>      <tr>       <td>complex128或complex</td>       <td>复数，分别用两个64位浮点数表示实部和虚部</td>      </tr>     </tbody>    </table>    <p>基础的数组运算</p>    <p>数组也可以进行我们常用的加减乘除运算</p>    <pre>  <code class="language-python">arr=np.array(np.arange(10))  arr1=np.array(np.arange(1,11))  print(arr*2)  </code></pre>    <p>结果：</p>    <p>[ 0  2  4  6  8 10 12 14 16 18]</p>    <pre>  <code class="language-python"> print(arr+arr1)  </code></pre>    <p>结果：</p>    <p>[ 1  3  5  7  9 11 13 15 17 19]</p>    <p>注意，相加两个数组长度要一样</p>    <p>接下来我们看下数组索引</p>    <pre>  <code class="language-python">arr=np.arange(10)  </code></pre>    <p>用下标直接进行索引</p>    <pre>  <code class="language-python">print(arr[5])  </code></pre>    <p>结果为：</p>    <p>5</p>    <p>切片索引</p>    <pre>  <code class="language-python">print(arr[5:8])  </code></pre>    <p>结果为：</p>    <p>[5 6 7]</p>    <p>可以利用索引对数据进行更改操作</p>    <pre>  <code class="language-python">arr[5]=120  print(arr)  </code></pre>    <p>结果为：</p>    <p>[  0   1   2   3   4 120   6   7   8   9]</p>    <p>可以看到下标为5的数已经变成120了。</p>    <p>此外，数组还可以进行布尔操作</p>    <pre>  <code class="language-python">arr=np.arange(5)  name=np.array(['a','b','b','c','a'])  print(name=='a')  </code></pre>    <p>结果为：</p>    <p>[ True False False False True]</p>    <p>即满足条件的数据全部以True的结果输出。</p>    <p>接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作</p>    <pre>  <code class="language-python">print(arr[name=='a'])  </code></pre>    <p>结果为：</p>    <p>[0 4]</p>    <p>即把arr中对应于name中a相对应位置的元素打印出来。</p>    <p>多条件操作</p>    <pre>  <code class="language-python">result=(name='a')|(name='c')  print(result)  print(name[result])  </code></pre>    <p>结果为：</p>    <p>[ True False False True True]</p>    <p>[‘a’ ‘c’ ‘a’]</p>    <p>接下来，我们了解下ufunc方法</p>    <p>用于操作单个数组的函数有如下：</p>    <p><img src="https://simg.open-open.com/show/7bd4e197d3dab7b68a381fae7b103065.png"></p>    <p>用于操作两个或多个数组的方法</p>    <p><img src="https://simg.open-open.com/show/a7b481fe267e1f65e528c4fda28081ab.png"></p>    <p>相关的函数方法使用</p>    <p>np.meshgrid 用于生成多维矩阵</p>    <pre>  <code class="language-python">a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))  print(a)  print(b)  </code></pre>    <p>结果为：</p>    <p>[[1 2 3 4]</p>    <p>[1 2 3 4]]</p>    <p>[[2 2 2 2]</p>    <p>[3 3 3 3]]</p>    <p>按照数据最少的数组形成数组</p>    <p>np.where 是三元表达式  x if  condition  else y的矢量化版本</p>    <pre>  <code class="language-python">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)  </code></pre>    <p>结果为：</p>    <p>[0 1 2 3 4]</p>    <p>[20 21 22 23 24]</p>    <p>[ 0 21 2 23 24]</p>    <p>可以看出，result的结果中，条件为1的显示数组arr1的内容，条件为0的显示arr2的内容</p>    <p>数学统计方法</p>    <p>在数组中我们也可以使用数学统计方法进行计数，例如sum mean  std  等</p>    <pre>  <code class="language-python">arr=np.random.randint(1,20,10)  print(arr)  print(np.mean(arr))  print(np.sum(arr))  print(np.std(arr))  </code></pre>    <p>结果为：</p>    <p>[19 14 8 13 13 10 10 9 19 7]</p>    <p>12.2</p>    <p>122</p>    <p>4.01995024845</p>    <p>具体的方法内容如下图所示：</p>    <p><img src="https://simg.open-open.com/show/b2b2c74c6d1eda8656deb857f5c41eae.png"></p>    <p>布尔型数组的相关统计方法</p>    <pre>  <code class="language-python">arr=np.arange(-20,10)  result=(arr>5).sum()  print(arr)  print(result)  </code></pre>    <p>结果为：</p>    <p>-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3</p>    <p>-2 -1 0 1 2 3 4 5 6 7 8 9]</p>    <p>4</p>    <p>可以对数据进行判断后进行个数求和</p>    <p>其他的数组方法还有</p>    <p><img src="https://simg.open-open.com/show/cd592f539de04954493069c7315d66fa.png"></p>    <p>数据的读取和存储</p>    <p><img src="https://simg.open-open.com/show/83c0e7b1827521053a1b1b79971266f6.png"></p>    <p>线性函数的常用方法</p>    <pre>  <code class="language-python">arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])  print(arr)  print(np.dot(arr,2))  </code></pre>    <p>结果为</p>    <p>[[ 4 6 5 1 6]</p>    <p>[14 16 11 10 18]]</p>    <p>[[ 8 12 10 2 12]</p>    <p>[28 32 22 20 36]]</p>    <p>dot方法可以进行矩阵相乘操作</p>    <p>其他方法如下图</p>    <p><img src="https://simg.open-open.com/show/69937376e4d56908ec5fa4cd8209bb59.png"></p>    <p>最后我们了解下numpy中的随机数生成方法</p>    <p>上面的很多例子中我们已经用到了随机数生成，</p>    <pre>  <code class="language-python">arr=np.random.random(10)  print(arr)  </code></pre>    <p>结果为</p>    <p>[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776</p>    <p>0.42150977 0.27728599 0.50888291 0.62288808]</p>    <p>其他形式的随机数生成方法</p>    <p><img src="https://simg.open-open.com/show/6e5cf13de351db5052e4f3e3803e7235.png"></p>    <p>了解以上numpy的操作方法，基本的数据操作问题应该不是很大了。</p>    <p> </p>    <p>来自：http://python.jobbole.com/87352/</p>    <p> </p>