文章目录

每篇前言一、拷贝1. 赋值2. 视图3. 副本4. 注意点copy和view 二、numpy常用方法1. 小技巧2. 生成随机数 三、numpy中的nan和inf四、书籍推荐

每篇前言

??作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

??本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》?​?​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣??订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。??加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

---

一、拷贝

1. 赋值

简单的赋值不会创建数组对象的副本。相反，它使用原始数组的相同id()来访问它。id()返回Python对象的通用标识符，类似于C中的指针。

一个数组的任何变化都反映在另-个数组上。例如，一个数组的形状改变也会改变另一个数组的形状

>>> import numpy as np>>>>>> x = np.array([1, 2, 3, 4, 5, 6])>>> print("x数组: ")x数组:>>> print(x)[1 2 3 4 5 6]>>>>>> print(id(x))2545959638000>>> y = x>>> print(id(y))2545959638000>>>>>> y.shape = (3, 2)>>> print(y)[[1 2] [3 4] [5 6]]>>>>>> print(x)[[1 2] [3 4] [5 6]]

2. 视图

又可称为浅拷贝，是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。对视图进行修改，它会影响到原始数据，物理内存在同一位

发生情况：

numpy的切片操作返回原数据的视图，修改数据会影响到原始数组

>>> import numpy as np>>> x = np.arange(12)>>> print("x数组: ")x数组:>>>>>> print(x)[ 0  1  2  3  4  5  6  7  8  9 10 11]>>>>>> print("创建切片y:")创建切片y:>>> y = x[3:]>>> print(y)[ 3  4  5  6  7  8  9 10 11]>>>>>> print("修改切片y，查看x与y")修改切片y，查看x与y>>> y[1] = 100>>> print("查看y: ")查看y:>>> print(y)[  3 100   5   6   7   8   9  10  11]>>> print("查看x: ")查看x:>>> print(x)[  0   1   2   3 100   5   6   7   8   9  10  11]

调用ndarray的view()函数产生一个视图创建一个新的数组对象，该方法创建的新数组的维数更改不会更改原始数据的维数

>>> import numpy as np>>>>>> x = np.arange(6).reshape((3, 2))>>> print("x数组: ")x数组:>>> print(x)[[0 1] [2 3] [4 5]]>>>>>> print("创建x的视图y:")创建x的视图y:>>> y = x.view()>>> print(y)[[0 1] [2 3] [4 5]]>>>>>> print("对比x与y的地址: ")对比x与y的地址:>>> print("x的地址: ")x的地址:>>> print(id(x))2546234302800>>> print("y的地址: ")y的地址:>>> print(id(y))2546234302896>>> print("修改y，查看x与y")修改y，查看x与y>>> y[1][0] = 100>>> print("查看y: ")查看y:>>> print(y)[[  0   1] [100   3] [  4   5]]>>> print("查看x: ")查看x:>>> print(x)[[  0   1] [100   3] [  4   5]]

3. 副本

又可称为深拷贝，是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同- -位置

发生情况：

调用ndarray的copy()函数产生一个副本作用：创建一个副本说明：对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置

>>> import numpy as np>>>>>> x = np.array([[10, 10], [2, 3], [4, 5]])>>> print("x数组: ")x数组:>>> print(x)[[10 10] [ 2  3] [ 4  5]]>>>>>> print("创建x的深层副本y")创建x的深层副本y>>> y = x.copy()>>> print(y)[[10 10] [ 2  3] [ 4  5]]>>>>>> print(y is x)False>>>>>> print(y)[[10 10] [ 2  3] [ 4  5]]

4. 注意点copy和view

a=b ：完全不复制，a和b相互影响a = b[:]：视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，a = b.copy()：复制，a和b互不影响

二、numpy常用方法

1. 小技巧

1）获取最大值最小值的位置

# 一维数组>>> t1array([11, 12, 13, 14, 15, 16, 17, 18, 19])>>> np.argmax(t1,axis=0) #返回最大值索引8>>> np.argmin(t1,axis=0) #返回最小值索引0# 多维数组就返回每行的最大或最小值>>> t2 = np.arange(0,16).reshape(4,4)>>> t2array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11],       [12, 13, 14, 15]])>>> np.argmax(t2,axis=0)array([3, 3, 3, 3], dtype=int64)>>> np.argmin(t2,axis=0)array([0, 0, 0, 0], dtype=int64)

2）创建一个全0的数组: np.zeros((3,4))

>>> np.zeros((3,4))array([[0., 0., 0., 0.],       [0., 0., 0., 0.],       [0., 0., 0., 0.]])

3）创建一个全1的数组：np.ones((3,4))

>>> np.ones((3,4))array([[1., 1., 1., 1.],       [1., 1., 1., 1.],       [1., 1., 1., 1.]])

4）创建一个对角线为1的正方形数组(方阵)：np.eye(3)

>>> np.eye(3)array([[1., 0., 0.],       [0., 1., 0.],       [0., 0., 1.]])>>> np.eye(10)array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],       [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],       [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],       [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],       [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],       [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])

2. 生成随机数

方法	说明
np.random.rand(d0, d1,.. dn)	创建d0-dn维度的均匀分布的随机数数组，浮点数，范围从0-1
np.random.randn(d0,d1,. .dn)	创建d0-dn维度的标准正态分布随机数，浮点数，平均数0，标准差1
np.random.randint(low, high,(shape)) (常用）	从给定上下限范围选取随机数整数，范围是low,high,形状是shape
np.random.uniform( low, high,(size))	产生具有均匀分布的小数数组，low起始值，high结束值，size形状
np.random.normal(loc, scale,(size))	从指定正态分布中随机抽取样本，分布中心是loc (概率分布的均值) ,标准差是scale,形状是size
np.random.seed(s)	随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数

>>> np.random.randint(10,20,(3,3))array([[13, 15, 18],       [18, 17, 15],       [15, 10, 12]])>>> np.random.randint(10,20,(3,3))array([[17, 12, 16],       [10, 10, 14],       [15, 14, 12]])

三、numpy中的nan和inf

nan(NAN,Nan)：not a number表示不是一个数字

什么时候numpy中会出现nan：

当我们读取本地的文件为float的时候，如果有缺失，就会出现nan当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷

什么时候回出现inf包括（-inf，+inf）：

比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

>>> type(np.nan)<class 'float'>>>> type(np.inf)<class 'float'>

注意点：

1.两个nan是不相等的

>>> np.nan == np.nanFalse

2.np. nan! =np. nan

>>> np.nan != np.nanTrue

3.利用以上的特性，判断数组中nan的个数

>>> b = np.array([1,2,3,4,5],dtype='float')>>> barray([1., 2., 3., 4., 5.])>>> b[b==1.] = np.nan>>> barray([nan,  2.,  3.,  4.,  5.])>>> b[b==2.] = np.nan>>> barray([nan, nan,  3.,  4.,  5.])>>> np.count_nonzero(b!=b)2

4.由于2，那么如何判断-个数字是否为nan呢?通过np.isnan(a)来判断，返回bool类型,比如希望把nan替换为0

>>> barray([nan, nan,  3.,  4.,  5.])>>> np.count_nonzero(np.isnan(b))2

5、nan和任何值计算都为nan

>>> import numpy as np>>> t1 = np.arange(1,11).reshape(2,5)>>> t1array([[ 1,  2,  3,  4,  5],      [ 6,  7,  8,  9, 10]])>>> np.sum(t1)55>>> np.sum(t1,axis=0) # axis=0表示每列相加的结果array([ 7,  9, 11, 13, 15])>>> np.sum(t1,axis=1) # axis=1表示每行相加的结果array([15, 40])>>> t2 = np.array([1,2,3,4,5],dtype='float')>>> t2[t2==1.] = np.nan>>> t2array([nan,  2.,  3.,  4.,  5.])>>> np.sum(t2)nan

那么问题来了，在一组数据中单纯的把nan替换为0，合适么？会带来什么样的影响？

比如，全部替换为0后，替换之前的平均值如果大于0，替换之后的均值肯定会变小，所以更一般的方式是把缺失的数值替换为均值（中值）或者是直接删除有缺失值的一行

那么问题来了：

如何计算一组数据的中值或者是均值如何删除有缺失数据的那一行（列）[在pandas中介绍]

四、书籍推荐

书籍展示：《人工智能导论》

---

【书籍内容简介】

包括人工智能概述、机器学习、神经网络与深度学习、智能语音处理及应用、计算机视觉处理及应用、自然语言处理及应用、知识图谱及应用、机器人、经典智能算法 Python 实现、展望等。
本书适合作为高等院校人工智能、计算机科学与技术、大数据、软件工程或相关专业的入门教材，也适合从事相关工作的人工智能爱好者和工程师学习阅读。 京东自营：https://item.jd.com/13287419.html