作者：王皓

在学习Numpy之前我们需要了解一个概念：数组维数。

Numpy是最著名的 Python库之一，常用于高性能计算。Numpy提供了两种基本对象：ndarray和ufunc。

当然这里就有一个问题出现了，Python已有列表类型，为什么需要一个数组对象(类型)？

但是Python内置的array模块既不支持多维数组功能，又没有配套对应的计算函数，所以基于Numpy的ndarray在很大程度上改善了Python内置array模块的不足，将重点介绍ndarray的创建与索引。

1）ndarray数据类型

这时有人会问，为什么要支持这么多种数据类型？是因为对比Python语法来说仅支持整数、浮点数和复数3种类型，但是当科学计算涉及数据较多，对存储和性能都有较高要求，所以对数据类型进行精细定义，有助于NumPy合理使用存储空间并优化性能和程序员对程序规模有合理评估。

2）ndarray创建

这里笔者再补充四种方法并整理出来：

1. 从Python中的列表、元组等类型创建ndarray数组
2. 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
3. 从字节流（raw bytes）中创建ndarray数组
4. 从文件中读取特定格式，创建ndarray数组

3）随机数

2. ndarray的索引和切片

1）一维ndarray的索引

2）多维ndarray的索引

代码清单如下：

import numpy as npprint(np.arange(10))

输出：

[[ 1 2 3 4 5]

[ 4 5 6 7 8]

[ 7 8 9 10 11]]

#访问第0行中第3列和第4列元素print('切片结果:',arr[0,3:5])

切片结果：[4 5]

#访问第1行和第二行中第2列、第3列和第4列的元素print('切片结果:\n',arr[1:,2:])

切片结果：

[9 10 11]

#访问第2列的元素print('切片结果:',arr[:2])

切片结果：[3 6 9]

输出：

[2 8]

花式索引是一个Numpy术语，是在基础索引方式之上衍生出的功能更强大的索引方式。它能够利用整数ndarray进行索引。

语法格式数值等都没有什么错误的情况下，初步怀疑是函数本身的原因，于是用help()函数查看它的详细介绍，竟然查到了：

nerror="javascript:errorimg.call(this);">

输出：

nerror="javascript:errorimg.call(this);">

输出：

nerror="javascript:errorimg.call(this);">

#利用np.ix函数将两个一维的整数ndarray转化为方形区域的索引器print('使用ix成片索引arr结果为：\n', arr[np.ix_([5, 1, 4, 2], [3, 0, 1, 2])])

out[15]为什么会返回这样一个结果？是因为ix函数结果的排序是基于[5,1,4,2],[3,0,1,2]两个数组产生的笛卡尔积，即（5,3）,（5,0）,（5,1）,（5,2）;（1,3）,（1,0）,（1,1）,（1,2）;（4,3）,（4,0）,（4,1）,（4,2）;（2,3）,（2,0）,（2,1）,（2,2）。然后按照索引（5,3）,（5,0）,（5,1）,（5,2）得到第0行元素：23 20 21 22，之后的以此类推。

02 ndarray的基础操作

书中已经介绍了12种基本函数和它们的代码演示：

• 通过reshape方法改变ndarray形状
• 通过resize方法改变ndarray形状
• 通过修改shape属性改变ndarray维度
• 使用ravel方法展平ndarray
• 使用flatten方法展平ndarray
• 使用hstack函数实现ndarray横向组合
• 使用vstack函数实现ndarray纵向组合
• 使用concatenate函数组合ndarray
• 使用dstack函数组合ndarray
• 使用hsplit函数实现ndarray横向分割
• 使用vsplit函数实现ndarray纵向分割
• 使用split函数分割ndarray
• 使用dsplit函数实现ndarray深度分割

但请注意深度分割函数dsplit的使用条件：

import numpy as nparr=np.arange(12)

arr.shape = (4, 3)print('\n', arr)

输出：

形状改变后，ndarray arr的维度为：2

'''dsplit分割的ndarray必须是三维ndarray，且分割的数目必须为shape属性中下标为2的值的公约数。比如这里的分割数就是36，下标为2的值是4，符合要求'''arr = np.arange(36).reshape(3,3,4)print('创建的三维ndarrary arr为:\n',arr)

创建的三维 ndarrary arr为：

[[[ 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]

[ 32 33 34 35]]]

书中已经介绍了6种基本函数和它们的代码演示：

• 使用sort函数进行排序
• 使用argsort函数进行排序
• 使用argmax和argmin函数进行搜索
• 使用where函数无x与y
• 使用where函数有x与y
• 使用extract函数进行搜索

其中注意argsort函数使用的方法类似于sort，只是返回的值不同，返回的是ndarray arr的下标。

Numpy的char模块提供的字符串操作函数可以运用向量化运算来处理整个ndarray，而完成同样的任务，Python的列表则通常借助循环语句遍历列表，并对逐个元素进行相应的处理。

ufunc，全称通用函数（universal function），是一种能够对ndarray中所有元素进行操作的函数，而不是对ndarray对象操作。

• ufunc的广播机制

常用的ufunc运算有算数运算、三角函数、集合运算、比较运算、逻辑运算和统计计算等。书上提供了若干种常用函数，对ndarray中所有元素的运算来说，在提供了极其方便与快捷的同时，又囊括一切强大的功能。相关函数及案例在书上第161页有详细演示，此处不再赘述。

04 matrix与线性代数

只要是大学期间学过《线性代数》这门课程的同学，对于《Python 3智能数据分析快速入门》的学习完全没有问题，相关专业术语及技术实现细节在本节中都有强调。详情请从第169页开始学习。

05 Numpy文件读写

但是在实际的数据分析任务中，更多使用文本格式的数据，如txt或csv，因此经常使用loadtxt函数执行对文本格式的数据的读取任务和savetxt函数执行对文本格式的数据的存储任务。

a.tofile(frame, sep='', format='%s')

• frame：文件、字符串
• sep：数据分割字符串，如果是空串，写入文件为二进制
• format：写入数据的格式

需要注意的是，该方法需要读取时知道存入文件时数组的维度和元素类型，a.tofile()和np.fromfile()需要配合使用，可以通过元数据文件来存储额外信息。

06 小结

参考文献：

2.中国大学MOOC，《Python数据分析与展示》作者：嵩天 。

4.CSDN：《花式索引与np.ix_函数》TzeSing 著

关于作者：王皓,一名就读于北京石油化工学院大数据管理与应用专业的同学，热爱并致力于学习Python语言及相关应用领域。大数据DT内容合伙人。

nerror="javascript:errorimg.call(this);">

延伸阅读《Python3智能数据分析快速入门》

推荐语：本书假设你有一定的数据分析基础，但是没有Python和AI基础，为了帮助你快速掌握智能数据分析需要的技术和方法，书中有针对性地讲解了Python和AI中必须要掌握的知识点，内容由浅入深，循序渐进。从环境配置、基本语法、基础函数到第三方库的安装与使用，对各个操作步骤、函数、工具、代码示例等的讲解非常详尽，确保所有满足条件的读者都能快速入门。