【3】数据分析-1-数据的处理--numpy--4--运算

一、NumPy一元函数

对ndarray中的数据执行元素级运算的函数

np.abs(x) np.fabs(x) 计算数组各元素的绝对值
np.sqrt(x) 计算数组各元素的平方根
np.square(x) 计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x) 计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x) 计算数组各元素的ceiling值 或 floor值
np.rint(x) 计算数组各元素的四舍五入值
np.modf(x) 将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) 计算数组各元素的普通型和双曲型三角函数
np.exp(x) 计算数组各元素的指数值
np.sign(x) 计算数组各元素的符号值，1(+), 0, ‐1(‐)

二、NumPy二元函数

+ ‐ * / ** 两个数组各元素进行对应运算

np.maximum(x,y) 
np.fmax() 
np.minimum(x,y) 
np.fmin() 元素级的最大值/最小值计

np.mod(x,y) 元素级的模运算

np.copysign(x,y) 将数组y中各元素值的符号赋值给数组x对应元素

> < >= <= == != 算术比较，产生布尔型数组

	
	>>> a = array( [20,30,40,50] )
	>>> b = arange( 4 )
	>>> b
	array([0, 1, 2, 3])
	>>> c = a-b
	>>> c
	array([20, 29, 38, 47])
	>>> b**2
	array([0, 1, 4, 9])
	>>> 10*sin(a)
	array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
	>>> a

*是元素的相乘，dot才是线性计算

	>>> A = array( [[1,1],
	...             [0,1]] )
	>>> B = array( [[2,0],
	...             [3,4]] )
	>>> A*B                         # elementwise product
	array([[2, 0],
				 [0, 4]])
	>>> dot(A,B)                    # matrix product
	array([[5, 4],
				 [3, 4]])

元素的加减

>>> a = ones((2,3), dtype=int)
>>> b = random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
			 [3, 3, 3]])
>>> b += a
>>> b
array([[ 3.69092703,  3.8324276 ,  3.0114541 ],
			 [ 3.18679111,  3.3039349 ,  3.37600289]])
>>> a += b                                  # b is converted to integer type
>>> a
array([[6, 6, 6],
			 [6, 6, 6]])

不同数据类型的数组运算时，结果的数据类型默认的为更加精确的数据类型

	>>> a = ones(3, dtype=int32)
	>>> b = linspace(0,pi,3)
	>>> b.dtype.name
	'float64'
	>>> c = a+b
	>>> c
	array([ 1.        ,  2.57079633,  4.14159265])
	>>> c.dtype.name
	'float64'
	>>> d = exp(c*1j)
	>>> d
	array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
				 -0.54030231-0.84147098j])
	>>> d.dtype.name
	'complex128'

求和是所有元素的和

	>>> a = random.random((2,3))
	>>> a
	array([[ 0.6903007 ,  0.39168346,  0.16524769],
				 [ 0.48819875,  0.77188505,  0.94792155]])
	>>> a.sum()
	3.4552372100521485
	>>> a.min()
	0.16524768654743593
	>>> a.max()
	0.9479215542670073

指定具体的某一个列或者行的统计

	>>> b = arange(12).reshape(3,4)
	>>> b
	array([[ 0,  1,  2,  3],
				 [ 4,  5,  6,  7],
				 [ 8,  9, 10, 11]])
	>>>
	>>> b.sum(axis=0)                            # sum of each column
	array([12, 15, 18, 21])
	>>>
	>>> b.min(axis=1)                            # min of each row
	array([0, 4, 8])
	>>>
	>>> b.cumsum(axis=1)                         # cumulative sum along each row
	array([[ 0,  1,  3,  6],
				 [ 4,  9, 15, 22],
				 [ 8, 17, 27, 38]])

三、取整

1. round 和around

• numpy.ndarray.round
• numpy.around

示例：

>>> np.around([0.37, 1.64])
array([ 0.,  2.])
>>> np.around([0.37, 1.64], decimals=1) # decimals指定小数点
array([ 0.4,  1.6])
>>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) #如果是5，则出来的结果是偏向最近的偶数
array([ 0.,  2.,  2.,  4.,  4.])
>>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned
array([ 1,  2,  3, 11])
>>> np.around([1,2,3,11], decimals=-1)
array([ 0,  0,  0, 10])

四、其他 （ Miscellaneous ）

4.1 nan_to_num

用0代替NaN,用最大的有限数代替无限数

例子：

1.7976931348623157e+308
>>> np.nan_to_num(-np.inf)
-1.7976931348623157e+308
>>> np.nan_to_num(np.nan)
0.0
>>> x = np.array([np.inf, -np.inf, np.nan, -128, 128])
>>> np.nan_to_num(x)
array([  1.79769313e+308,  -1.79769313e+308,   0.00000000e+000,
        -1.28000000e+002,   1.28000000e+002])
>>> y = np.array([complex(np.inf, np.nan), np.nan, complex(np.nan, np.inf)])
>>> np.nan_to_num(y)
array([  1.79769313e+308 +0.00000000e+000j,
         0.00000000e+000 +0.00000000e+000j,
         0.00000000e+000 +1.79769313e+308j])

4.2 计算分位数

import numpy as np
a=np.array(([1,2,3,4]))
np.median(a)#中位数


np.percentile(a,95) #95%分位数


df[df.a < np.percentile(df.a,95)]

参考资料

• https://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.around.html#numpy.around
• 详情见官网： https://docs.scipy.org/doc/numpy-1.10.1/reference/routines.math.html