Numpy 基础入门（二） - 索引、切片与随机数
Anaconda的基本用法
按照上篇文章，相信大家都安装好了Anaconda，有朋友在留言区留言希望出一篇关于Anaconda的使用教程，其实Anaconda的基本使用非常简单，基本无需教程。
在windows下安装好Anaconda后，在所有程序中可以看到Anaconda下有以下几个组件：
Anaconda Navigator：用于管理工具包和环境的图形界面。
Anaconda Prompt：用于管理包和环境的命令行界面。
Jupyter Noterbook：基于Web的交互式计算环境，用于展示数据分析的过程，并且生成容易阅读的文档。
Spyder：Python集成开发环境，布局类似于Matlab。
我们学习主要使用的是第三个Jupyter Noterbook。
这里简单普及一下常用的Anaconda命令(虽然我也不经常用)。
查看软件版本号
python --version #查看Python版本 conda --version #查看conda的版 复制代码
添加镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 复制代码
更新conda
conda upgrade --all 复制代码
查看已经安装的packages
conda list conda install [package name] #安装package，安装在默认的Python环境中 复制代码
新手入门建议只安装Anaconda，可以省去很多不必要的麻烦，以上就是Anaconda的基本使用，欢迎大家在留言区补充。
Numpy索引及切片
纠正下上一篇的错误：
# 正确的导入方式 import numpy as np 复制代码
numpy的索引方式和Python中的列表索引相似,这里主要介绍普通数组索引/切片和布尔型数组的索引/切片。
一维数组的索引/切片
一维数组的索引和切片和Python中的列表相同，索引都是从0开始，切片都是左闭右开。
import numpy as np ar = np.arange(20) # 输出ar的第4个值 print(ar[3]) # 输出ar的前四个值 print(ar[:4]) >>> 4 [0 1 2 3] 复制代码
多维数组的索引/切片
二维数组可以理解为两个一维数组横向堆叠在一起，所只要分别取对应索引即可。
import numpy as np ar = np.arange(16).reshape(4,4) # 二维数组索引遵照先行后列(有以下两种写法) # 选取第二行第二列的值 print(ar[2][2]) print(ar[2,2]) # 二维数组切片 # 取出前两行的值 print(ar[:2]) # 取出前两行后两列的值 print(ar[:2,2:]) >>> [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] 10 10 [[0 1 2 3] [4 5 6 7]] [[2 3] [6 7]] 复制代码
三位数组的索引、切片的取值方式相当与二维数组的进化版。
import numpy as np ar = np.arange(12).reshape(3,2,2) print(ar) # 三维数组索引遵照先维度后行再列 print(ar[2][0][1]) print(ar[2,0,1]) # 切片 # 获取第一个数组的第一行的第一列的数 print(ar[:1,:1,:1]) >>> [[[ 0 1] [ 2 3]] [[ 4 5] [ 6 7]] [[ 8 9] [10 11]]] [[[0]]] 9 9 复制代码
布尔型的索引及切片
布尔型数组的使用是本片文章的重点。
# 简单展示一下布尔型的一维数组长啥样 i = np.array([True,False,True]) j = np.array([True,True,False,False]) print(i) print(j) >>> [ True False True] [ True True False False] 复制代码
而我们经常见到的是这样的：
ar = np.arange(12).reshape(3,4) print(ar) print(ar>5) >>> [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[False False False False] [False False True True] [ True True True True]] 复制代码
当我们需要筛选出ar中大于3的值，就可以使用布尔值进行筛选，如下：
ar = np.arange(12).reshape(3,4) print(ar[ar>3]) >>> [ 4 5 6 7 8 9 10 11] 复制代码
Numpy随机数
均匀分布和正态分布
以均匀分布和正态分布的方式生成随机数
# numpy.random.rand() 生成一个0-1的随机浮点数或N维浮点数 --均匀分布 a = np.random.rand() b = np.random.rand(4,4) print(a) print(b) >>> 0.5544023939180306 [[0.46387648 0.97345876 0.12059175 0.7565951 ] [0.30192996 0.76633208 0.20107761 0.09315875] [0.79347118 0.26714404 0.08628158 0.72510313] [0.06606087 0.93260038 0.90268201 0.90941348]] 复制代码
以正太分布的方式生成随机数
# numpy.random.randn() 生成一个0-1的随机浮点数或N维浮点数 --正态分布 a = np.random.randn() b = np.random.randn(4,4) print(a) print(b) >>> 0.26901442604096687 [[ 0.40261375 -0.23541184 0.96607489 -1.11253043] [-0.31670703 0.05841136 -0.01862511 1.72597729] [ 0.17052799 1.03537825 -0.94375417 1.32484928] [ 0.132761 0.44950533 0.44131534 -0.11319535]] 复制代码
按照上面的写法相信大家对与.randn()和.rand()的认识还不够清晰，这里用可视化的方式展示一下：
#平均分布 # numpy.random.rand() 生成一个0-1的随机浮点数或N维浮点数 --均匀分布 data1 = np.random.rand(500) data2 = np.random.rand(500) #正态分布 # numpy.random.randn() 生成一个浮点数或N维浮点数 --正态分布 data3 = np.random.randn(500) data4 = np.random.randn(500) import matplotlib.pyplot as plt % matplotlib inline plt.scatter(data1,data2) plt.scatter(data3,data4) 复制代码
这是随机分布的图样：
这是正态分布的图样：
可以看到正态分布和随机分布的成像还是有较大不同的，当然这里只是加深大家对.randn()和.rand()的认识，可视化再之后会进一步学习。
Numpy随机数的其他用法
#随机整数 print(np.random.randint(2)) #在2-10之间生成随机整数 print((np.random.randint(2,10))) # 在0-10之间生成10个整数 print((np.random.randint(10,size=10))) # 在0-10之间生成包含10个元素的二维数组 print(np.random.randint(10,size=(2,5))) # 在10-50之间生成包含10个元素的二维数组 print(np.random.randint(10,50,size=(2,5))) 复制代码
巩固练习
创建2个包含10个元素的正太分布一维数组
请按照要求创建数组ar，再将ar[:2,:2]的值改为[0,1)的随机数
按照要求创建数组，通过索引，其ar[4]、ar[:2,3:]、ar[3][2]分别是多少
按照要求创建数组，筛选出元素值大于5的值并生成新的数组
作者：咸鱼学Python
链接：https://juejin.cn/post/7033188868736155684
伪原创工具 SEO网站优化 https://www.237it.com/