元素操作

一、访问ndarray中的元素--索引和切片
- 1、基本索引和切片
- - 1.1 一维数组的索引和切片
  - 1.2 高维数组的基本索引和切片
- 2、高级索引
- - 2.1 整数数组索引和切片
  - 2.2 布尔索引
二、NumPy运算
- 1、算术运算相关函数
- 2、取整函数
- 3、统计函数
最大值最小值均值中位数标准差方差
- 4、排序和索引函数
- 5、唯一化
- 6、集合逻辑

一、访问ndarray中的元素–索引和切片

import numpy as np #全部行都能输出 from IPython.core.interactiveshell
import InteractiveShell InteractiveShell.ast_node_interactivity = "all"

1、基本索引和切片

1.1 一维数组的索引和切片

arr1 = np.random.randint(0,20,10)
arr1

arr1[3]

#切片语法:ndarray[start:stop:step]
#如果start被省略,默认从第0个位置开始切片
#如果stop被省略,默认切片到最后,包含最后位置的元素
#如果step被省略,默认步长为1

arr1[:]

arr1[2:5]
#终止值位置如果被指定,这个位置是不会被切到的

arr1[1:7:2]

arr1

反向切片的时候一定要注意,切片的方向要和步长方向一致,否则不能切到任何元素

arr1[-2:-5:-1]

arr1

arr1[::-1]

arr1[-1:0:-1]

arr1[-1:-10:-1]

arr1[-1:-11:-1]

1.2 高维数组的基本索引和切片

arr2 = np.random.randint(0,20,(3,3))
arr2

arr2[1]

arr2[2][1]

arr1

arr1[1]

arr3 = np.random.randint(0,20,(2,3,3))
arr3

arr3[0][0][1:]

通过基本索引和切片切出来的新数组,和原数组之间相互不独立,对其中一个数组内元素进行更改的时候,
另一个数组内对应的元素也会发生相应的改变

arr1

arr1_1=arr1[3:6] #浅拷贝arr1_1

arr1_1[1] = 99
arr1_1

arr1

arr1_2 = arr1[6:8].copy() #深拷贝,切片出来的数组和原数组之间相互独立,互不影响
arr1_2

arr1_2[1] = 88

array([15, 88])

arr1

2、高级索引

2.1 整数数组索引和切片

arr1

arr1[[1,2,4,5]]

arr1_3 = arr1[[1,2,4,5]]
arr1_3

arr1_3[2] = 66
arr1_3

arr1

arr2

arr2[[0,1,2],[0,1,2]] #切片语法中arr[[元素所在的数组中第0个轴上的位置信息],[元素所在的数组 中第1个轴上的位置信息].......]

arr3

#切取18,4,14
arr3[[0,0,1],[0,0,2],[0,2,0]]

2.2 布尔索引

arr1

arr1>10

arr1[arr1>10]

二、NumPy运算

1、算术运算相关函数

arr6 = np.array([2,2,2])
arr6

np.exp(2) #自然数e的平方

np.exp(arr6)

np.e

np.e**2

np.exp2(arr6)

pow(3,2)

np.power(arr6,3)

np.power(3,arr6)

np.square(arr6)

np.sqrt(arr6)

np.log(arr6) #求自然对数

np.log2(arr6)

np.log10(arr6)

np.log(4)/np.log(2) #求的是以2为底4的对数

10//3

10%3 #余数

arr6

np.mod(arr6,2)

arr7 = np.array([3,3,3])
np.mod(arr6,arr7)

2、取整函数

numpy.around() 这个函数返回四舍五入到所需精度的值。
numpy.floor() 向下取整此函数返回不大于输入参数的最大整数。
numpy.ceil()向上取整本函数返回输入值的上限

arr8 = np.random.randn(8)
arr8

np.around(arr8) #四舍五入,遇0.5取偶

np.around(arr8,3)

arr9 = np.array([1.5,2.5,3.5,4.5])
arr9

np.around(arr9)

np.floor(arr9) #向下取整,找到距离浮点数最近的下限整数

arr10 = np.array([1.99999999,1.0000001])
arr10

np.floor(arr10)

np.ceil(arr10) #向上取整

3、统计函数

最大值最小值均值中位数标准差方差

arr11 = np.random.randint(0,21,(3,3))
arr11

np.amax(arr11)

np.amax(arr11,axis=0)

np.amax(arr11,axis=1)

np.amin(arr11)
np.amin(arr11,axis=0)
np.amin(arr11,axis=1)

np.sum(arr11)

np.sum(arr11,axis=0)

np.mean(arr11)

np.mean(arr11,axis=0)
np.mean(arr11,axis=1)

array([2., 7., 6.])

array([1.66666667, 5.33333333, 8. ])

 np.var(arr11) np.var(arr11,axis=0) np.var(arr11,axis=1)

26.666666666666668

 array([ 2.66666667, 34.66666667, 28.66666667])array([ 5.55555556, 29.55555556, 24.66666667])

np.std(arr11) np.std(arr11,axis=0)np.std(arr11,axis=1)

5.163977794943222

4、排序和索引函数

arr13 = np.random.randint(1,30,9)
arr13

np.sort(arr13) #升序排序

np.sort(arr13)[::-1] #降序排序

arr14 = np.random.randint(1,30,(4,3))
arr14

np.sort(arr14) #默认按最内侧轴进行排序

np.nonzero(arr15) #返回的是非零元素在原数组中的位置

np.where(arr13>10) #这里返回的是位置信息

arr13[np.where(arr13>10)]

arr16 = np.random.randint(1,30,9)
arr16

5、唯一化

np.unique() 去重函数

arr13
array([23, 18, 26, 29, 7, 18, 17, 8, 2])
np.unique(arr13)
array([ 2, 7, 8, 17, 18, 23, 26, 29])

`np.unique(arr13,return_index=True,return_counts=True)`

(array([ 2, 7, 8, 17, 18, 23, 26, 29]), array([8, 4, 7, 6, 1, 0, 2, 3], dtype=int64), array([1, 1, 1, 1, 2, 1, 1, 1], dtype=int64))

6、集合逻辑

np.in1d() 验证元素是否在给定序列中
np.intersect1d() 求交集
np.union1d() 求并集
np.setdiff1d() 求差集

#求交集 并集 差集 判断元素是否在数组当中
arr13
arr16

array([23, 18, 26, 29, 7, 18, 17, 8, 2]) array([ 1, 4, 1, 18, 11, 17,
15, 3, 28])

#判断元素是否在数组中np.in1d(arr13,arr16)

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

 np.in1d(arr16,arr13)

  array([False, False, False, True, False, True, False, False, False]) np.in1d(arr16,arr13,invert=True)

  array([ True, True, True, False, True, False, True, True, True]) arr16[np.in1d(arr16,arr13,invert=True)]

  array([ 1, 4, 1, 11, 15, 3, 28])

  np.intersect1d(arr13,arr16) #求交集

  np.union1d(arr13,arr16)

   #求并集 array([ 1, 2, 3, 4, 7, 8, 11, 15, 17, 18, 23, 26, 28, 29])

大数据清洗2（元素操作）相关推荐

layui 如何去dom_常用元素操作 - layui.element
元素功能的开启只需要加载element模块即会自动完成,譬如tab选项卡切换.导航菜单滑动切换效果.面包屑导航.进度条等,使用这些小交互功能的前提就是:拥有符合这些小功能的所需正确的HTML结构,以及 ...
Tensor:逐元素操作
逐元素操作这部分操作会对tensor的每一个元素(point-wise,又名element-wise)进行操作,此类操作的输入与输出形状一致.常用的操作如表3-4所示. 表3-4: 常见的逐元素操作 ...
layui内置模块（element常用元素操作）
常用元素操作是个什么鬼,从官方解释简单来说就是在页面中有一些动态的效果,当然不是我们说的动态网页那个动态,这些动态效果呢,就是通过我们去加载element模块以后,默认为页面的这些元素添加的一些动态效 ...
读书笔记：大数据清洗技术 02
读书笔记:大数据清洗技术作者:哈尔滨工业大学博导王宏志第二章大数据处理技术概述上一章我们主要从大数据的定义及特征,大数据的质量问题,大数据清洗技术的进展和本书的技术创新点四个方面对这本书有了初 ...
MATLAB中对矩阵元素操作的for循环优化方法
众所周知,MATLAB程序效率最低最有潜力的地方便是循环了.最常见的循环莫过于对矩阵中的每一个元素进行操作,对于编程思维还在C语言或者C++,JAVA的人来说,第一反应就是两层循环,先来个 " ...
二、属性操作，文本属性值，元素操作，尺寸、位置操作
1.1. jQuery 属性操作 jQuery 常用属性操作有三种:prop() / attr() / data() ; 1.1.1 元素固有属性值 prop() 所谓元素固有属性就是元素本身自带的属 ...
js初识、JS基础交互、JavaScript 元素操作
js初识 js外链引入外链引入.js 通过script标签的src属性引入外部js文件在外部新建一个后缀名为js的文件注意:用于引入外部js文件的script标签,就不要再写其他的js代码,不会执行 ...
软件测试自动化测试 Web自动化测试01 selenium 定位元素方法元素操作自动化脚本开发
文章目录 1 自动化测试概述 1.1 测试的目的 1.2 自动化测试的优点 1.3 自动化测试的缺点 1.4 自动化测试工具 1.5 自动化测试流程 2 selenium基础 2.1 selenium ...
我艹，MySQL数据量大时，delete操作无法命中索引。
来自:Java面试那些事儿最近,在脉脉上看到一个楼主提出的问题:MySQL数据量大时,delete操作无法命中索引:并且还附上了相关案例截图. 最终,楼主通过开启MySQL分析优化器追踪,定位到是优 ...

大数据清洗2（元素操作）

元素操作

一、访问ndarray中的元素–索引和切片

1、基本索引和切片

1.1 一维数组的索引和切片

1.2 高维数组的基本索引和切片

2、高级索引

2.1 整数数组索引和切片

2.2 布尔索引

二、NumPy运算

1、算术运算相关函数

2、取整函数

3、统计函数

最大值最小值均值中位数标准差方差

4、排序和索引函数

5、唯一化

6、集合逻辑

大数据清洗2（元素操作）相关推荐

最新文章

热门文章

大数据清洗2（元素操作）

元素操作

一、访问ndarray中的元素–索引和切片

1、基本索引和切片

1.1 一维数组的索引和切片

1.2 高维数组的基本索引和切片

2、高级索引

2.1 整数数组索引和切片

2.2 布尔索引

二、NumPy运算

1、算术运算相关函数

2、取整函数

3、统计函数

最大值 最小值 均值 中位数 标准差 方差

4、排序和索引函数

5、唯一化

6、集合逻辑

大数据清洗2（元素操作）相关推荐

最新文章

热门文章

最大值最小值均值中位数标准差方差