五、numpy的使用

这节课我们对array的常用操作进行一个讲解，同样的，有一些前面我们已经学过的知识点我这里也会再讲一次，一来是为了加深记忆，二来是想要让各个操作之间做一个对比加深理解。

首先我们导入numpy并且创建一个array：

import numpy as np

lst=[[1,2,3,4],[7,8,9,5],[11,22,33,44]]

data=np.array(lst)

然后我们再输入：

data.size

结果是：

12→这告知了我们这个array里面有12个元素

再输入：

data.shape

结果是：

(3, 4)→这告诉了我们这个array是3行4列的array

我们再输入一个：

len(data)

结果是：

3 →len在这里其实更多的是返回一个行的结果，这里表示的是有3行

这些小指令在实际的操作过程当中是非常有用的，一定要记住。

接下里我们来看一些统计计算的指令：

np.sum(data)

结果是：

149

这个指令用过excel的人应该都很熟悉了，sum是求和的指令，在这里就是把我们创建的array里面的元素都相加起来，得到这个结果。

那么我现在做一点小变动：

np.sum(data,axis=1)

结果是：

array([ 10, 29, 110])

---------------------------------------------------

np.sum(data,axis=0)

结果是：

array([19, 32, 45, 53])

大家看这两个代码能不能发现什么？

当axis(轴)等于1的时候，求和的结果是行内的元素相加的结果，而当axis(轴)等于0的时候，求和的结果是各列相加的结果。

除了求和我们这里还有统计三连：平均数、标准差、方差：

平均值：

np.mean(data)

结果是：

标准差：

np.std(data)

结果是：

方差：

np.var(data)

结果是：

中位数：

np.median(data)

结果是;

7.5

有些同学可能还不知道是什么标准差什么是方差还有中位数，以及他们的作用，没关系，我会再开一门概率统计的课，会详细讲解的。现在只要记住这些代码就好。

np.sort(data)

结果是：

array([[ 1, 2, 3, 4], [ 5, 7, 8, 9], [11, 22, 33, 44]])

学过前面python基础的都指导sort是排序的指令，这里也一样，我们可以看到用sort指令以后我们array的顺序就有了一定的变化，但是所有的排列变化都是在行内调整的，也就是sort只会对一行内的顺序进行调整。下面我们对这个代码进行一定的改动：

np.sort(data,axis=0)

结果是;

array([[ 1, 2, 3, 4], [ 7, 8, 9, 5], [11, 22, 33, 44]])

可以看到，如果我们将axis(轴)变成0以后，我们sort的顺序排列就会从行内排列变成了列内排序。会根据一列数值的大小进行排列。

现在我们来认真看以下代码：

data

结果是：

array([[ 1, 2, 3, 4], [ 7, 8, 9, 5], [11, 22, 33, 44]])

现在我们来排序一下：

np.sort(data)

结果是：

array([[ 1, 2, 3, 4], [ 5, 7, 8, 9], [11, 22, 33, 44]])

np.argsort(data)

结果是：

array([[0, 1, 2, 3], [3, 0, 1, 2], [0, 1, 2, 3]], dtype=int64)

有没有发现argsort的结果有什么规律？

首先我们可以看到经过sort排列以后第一行和第三行因为原来就是按照数字大小进行排列的，因此都没有什么变动，而第二行，因为5比7小，所以5变成了第一个数字。

现在我们再来看看argsort的结果。第一行和第三行都是按照顺序排列的，只有第二行的数字有点不对劲。我们认真看就会发现，在原始还没有排列的data顺序当中，5正好是在第三个位置（python对于元素位置是从0开始的，第一个数字的顺序是0，第二个是1，以此类推，如果这都不懂说明你前面python基础都没学好）。7在第0个位置，那么argsort里面的数字就不难理解了，3,0,1,2对应的就是5,7,8,9