python小结18-numpy（二）ndarray计算、广播、方差、样本标准偏差、条件表达式

五、结构数组

它跟pandas的DataFrame有点类似。

x = np.array([['张三',25,165],['李四',20,175]])
print(x)
x.shape
x.dtype

但是现在肯定算不上结构数组，这样设置，毕竟不能通过x['name']得到'张三'。

help上有一个介绍。

x = np.array([(1,2),(3,4)])
print(x)
print(x.shape)

[(1,2),(3,4)],中间虽然有小括号括起来，但是结果仍然用[]输出。不作为结构数组。

但是一旦指定了列的名称。它的shape就不是(2,2)而是(2,)

x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')])
print(x)
print(x.shape)
print(x[0][0])
x['a']

那么上面的np.array([['张三',25,165],['李四',20,175]])可以进行修改。

('张三',25,165)必须使用小括号。

x = np.array([('张三',25,165),('李四',20,175)], dtype=[('name','|U32'),('age','<i4'),('height','<f4')])
print(x)
print(x.shape)
print(x[0][0])
print(x['name'])
print(x[0]['name'])

当然，虽然有这种功能，但是没有pandas方便。只做介绍。

上面的('age','<i4')只有在处理字节流的时候才有用。<低位字节在前，小端模式，>高位字节在前，大端模式。

六、数组的元素级别计算及广播

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = np.array([[11, 12, 13], [14, 15, 16], [17, 18, 19]])
print(a)
print(b)

a+b

c = a + b
print(c)
######或者
np.add(a,b,c)
print(c)

当对两个数组进行计算时， 会对对应的元素进行计算。

但是如果两个组数的形状不同时，会进行如下的广播处理：

①让所有输入数组都向着维数最多的数组看齐。shape中属性不足的部分都通过在前面加1补齐。

②输出数组的shape属性是输入数组的shape属性在各个轴上的最大值

③如果输出数组的某个轴的长度为1或与输出数组对应轴长度相同，这个数组就能够用来计算，否则出错。

④当输入数组的某个轴长度为1时，沿着此轴运算时都用此轴上的第一组的值。

虽然说起来很复杂，但是看例子就容易理解了。

a是1-9的3*3的矩阵：

例子1：

那么a+1,就是a+3*3的全1的矩阵。

例子2：

那么a+[1,2,3],就是a+3*3的全是[1,2,3]的矩阵。

a的shape是(3,3)，[1,2,3]的shape是(3,).根据第一条，变成shape是(1,3)。[[1,2,3]]

根据第三条，可以计算。

根据第四条，扩展到shape(3,3)，也就是[[1,2,3],[1,2,3],[1,2,3]]

例子3：

a=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b=np.array([[1,2,3],[1,2,3]])
a+b

a的shape是(3,3)，b的shape是(2,3)。根据第三条，不能计算。

例子4：

shape(1,3)的数组+shape(3,1))的数组

两个数组的维度都是2，所以结果也是2。根据结果的维度的长度是最大值。所以结果的shape是(3，3).

计算的时候，a、b根据第四条扩展规则。都用相同的值。

变成了。

案例：

七、repeat操作

在创建数组的时候，有时候附近的数字是有一定的规律的。可以使用repeat操作。

比如：将下面的a变到b，毕竟很多时候，一个一个写太麻烦了。

a = np.array([[1,2,3],[4,5,6]])
print(a)
b = np.array([[1,1,2,2,3,3],[1,1,2,2,3,3],[4,4,5,5,6,6],[4,4,5,5,6,6]])