numpy_0">numpy练习（二）

对于二维随机数组中各元素，保留其 2 位小数

z = np.random.random((5,5))
print(z)
np.set_printoptions(precision=2)
z

使用科学记数法输出 NumPy 数组

z = np.random.random([5,5])
print(z)
z/1e3

使用 NumPy 找出百分位数（25%，50%，75%）

z = np.arange(15)
print(z)
np.percentile(z, q=[25,50,75])

找出数组中缺失值的总数及所在位置

z = np.random.rand(10,10)
z[np.random.randint(10,size=5),np.random.randint(10,size=5)] = np.nan
print(z)
print('缺失值总数：\n', np.isnan(z).sum())
print('缺失值索引：\n',np.where(np.isnan(z)))

从随机数组中删除包含缺失值的行

z[np.sum(np.isnan(z),axis=1) == 0]

统计随机数组中的各元素的数量

z = np.random.randint(0,100,25).reshape(5,5)
print(z)
np.unique(z, return_counts=True)

将数组中各元素按指定分类转换为文本值

z = np.random.randint(1,4,10)
print(z)
label_map = {1:'汽车',2:'公交车',3:'火车'}
[label_map[x] for x in z]

将多个 1 维数组拼合为单个 Ndarray

z1 = np.arange(3)
z2 = np.arange(3,7)
z3 = np.arange(7,10)
z = np.array([z1,z2,z3])
print(z)
np.concatenate(z)

打印各元素在数组中升序排列的索引

z = np.random.randint(100, size=10)
print('array:',z)
z.argsort()

得到二维随机数组各行的最大值

z = np.random.randint(1,100,[5,5])
print(z)
np.amax(z,axis=1)

得到二维随机数组各行的最小值

z = np.random.randint(1,100,[5,5])
print(z)
np.apply_along_axis(np.min, arr=z, axis=1)

计算两个数组之间的欧氏距离

a = np.array([1, 2])
b = np.array([7, 8])
np.linalg.norm(b-a)

打印复数的实部和虚部

z = np.array([1 + 2j, 3 + 4j, 5 + 6j])
print('实部：',z.real)
print('虚部：',z.imag)

求解给出矩阵的逆矩阵并验证

matrix = np.array([[1., 2.], [3., 4.]])
inverse_matrix = np.linalg.inv(matrix)

assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))
inverse_matrix

使用 Z-Score 标准化算法对数据进行标准化处理

Z-Score 标准化公式：
$$Z=\frac{X-\mathrm{m}\mathrm{e}\mathrm{a}\mathrm{n}(X)}{\mathrm{s}\mathrm{d}(X)}$$

def zscore(x, axis = None):
    xmean = x.mean(axis=axis, keepdims=True)
    xstd = np.std(x, axis=axis, keepdims=True)
    zscore = (x-xmean)/xstd
    return zscore
z = np.random.randint(10, size=(5,5))
print(z)
zscore(z)

使用 Min-Max 标准化算法对数据进行标准化处理

Min-Max 标准化公式：
$$Y=\frac{Z-\min (Z)}{\max (Z)-\min (Z)}$$

def min_max(x, axis=None):
    min = x.min(axis=axis, keepdims=True)
    max = x.max(axis=axis, keepdims=True)
    result = (x-min)/(max-min)
    return result
z = np.random.randint(10, size=(5,5))
print(z)
min_max(z)

使用 L2 范数对数据进行标准化处理

L2 范数计算公式：
$$L_2=\sqrt{x_1^2+x_2^2+\dots +x_i^2}$$

def l2_normalize(x, axis=-1, order=2):
    l2 = np.linalg.norm(x, ord = order, axis=axis, keepdims=True)
    l2[l2==0] = 1
    return x/l2
z = np.random.randint(10, size=(5,5))
print(z)
l2_normalize(z)

使用 NumPy 计算变量直接的相关性系数

Z = np.array([
    [1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
    [2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
    [2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C

np.corrcoef(Z)

使用 NumPy 计算矩阵的特征值和特征向量

M = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
w,v = np.linalg.eig(M)
w,v   #w为特征值，v特征向量

使用 NumPy 计算 Ndarray 两相邻元素差值

z = np.random.randint(1,10,10)
print(z)
print(np.diff(z, n=1))  #计算z两相邻元素差值
print(np.diff(z, n=2))  #重复计算2次
print(np.diff(z, n=3))  #重复计算3次

使用 NumPy 将 Ndarray 相邻元素依次累加

z = np.random.randint(1,10,10)
print(z)
"""
[第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
"""
np.cumsum(z)

使用 NumPy 按列连接两个数组

z1 = np.array([1,2,3])
z2 = np.array([4,5,6])
np.c_[z1, z2]

使用 NumPy 按行连接两个数组

z1 = np.array([1,2,3])
z2 = np.array([4,5,6])
np.r_[z1, z2]

使用 NumPy 打印九九乘法表

np.fromfunction(lambda i,j: (i + 1) * (j + 1), (9, 9))