一、Numpy概述
1、Numpy
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器，
Numpy
- num - numerical 数值化的
- py - python
ndarray
- n - 任意个
- d - dimension 维度
- array - 数组
2、ndarray优势
ndarray比原生list运行效率高
存储风格
- ndarray - 相同类型 - 通用性不强
- list - 不同类型 - 通用性很强
并行化运算
ndarray支持并行化运算（向量化运算）
底层语言
C语言，解除了GIL（全局解释器索）
3、ndarray属性
shape：数组维度的元组
ndim：数组维度
size：数组中的元素数量
itemsize：一个数组元素的长度
dtype：数组元素的类型
在创建ndarray的时候，如果没有指定类型
默认：整数 int64、浮点数 float64
二、基本操作
1、模块导入
import numpy as np
2、生成数组的方法
1）生成0和1
np.zeros(shape)
np.ones(shape)
2）从现有数组中生成
# 深拷贝
np.array()
np.copy()# 浅拷贝
np.asarray()
3）生成固定范围的数组
# [a, b] 数量c
np.linspace(a, b, c)
# [a, b) 步长c
np.arange(a, b, c)
4）生成随机数组
均匀分布：每组的可能性相等
正态分布：μ、σ
# 均匀分布 (a, b) 数量c
np.random.uniform(a, b, c)# 正态分布 数量c
np.random.normal(μ, σ, c)
3、数组的索引、切片
score[0, :3]
score[1, 1]
4、形状修改
ndarray.reshape(shape) # 返回新的ndarray，原始数据没有改变
ndarray.resize(shape) # 没有返回值，对原始的ndarray进行了修改
ndarray.T # 转置 行变成列，列变成行
5、类型修改
# 类型修改
ndarray.astype(type)
6、序列化
# ndarray序列化到本地
ndarray.tostring()
7、数组的去重
np.unique(ndarray)
三、ndarray运算
1、逻辑运算
# 逻辑运算
change > 0# 布尔索引
change[change > 0]
# 通用判断函数
np.all(change > 0)
np.any(change > 0)
# 三元运算符
np.where(布尔值, True的位置的值, False的位置的值)
# 逻辑或 逻辑与
np.logical_and(change > 0.5, change < 0.8)
np.logical_or()
2、统计运算
统计指标函数
min, max, mean, median, var, std
返回最大值、最小值所在位置
np.argmax(temp, axis=)
np.argmin(temp, axis=)
3、数组与数的运算
change * 10
change + 5
4、数组与数组的运算
广播机制
执行 broadcast 的前提在于，两个 ndarray 执行的是 element-wise 的运算，Broadcast机制的功能是为了方便不同形状的ndarray（numpy库的核心数据结构） 进行数学运算。
- 维度相等
- shape（其中相对应的一个地方为1）
5、矩阵运算
1）存储矩阵
- ndarray 二维数组
- matrix 数据结构
d1 = np.array([[0, 1, 2], [3, 4, 5]])
d2 = np.mat([[0, 1, 2], [3, 4, 5]])
2）矩阵乘法
形状要求：(m, n) * (n, l) = (m, l)
# 对于 ndarray 存储
np.matmul(d1, d3)
np.dot(d1, d3)
d1 @ d3
# 对于 matrix 存储
d2 * d4
四、IO操作
1、Numpy读取
np.genfromtxt("test.csv", delimiter=",")
2、缺失值的处理
1、直接删除含有缺失值的样本
2、替换/插补：按列求平均，用平均值进行填补
不如
pandas好用！！
