进行操作前首先导入numpy模块

import numpy as np

1. 获取最大值和最小值的位置;

data = np.arange(12).reshape((3, 4))
data[0, 0] = 80
print(data)
# 1. 获取最大值和最小值的位置;
# 获取当前数组里面最大值的索引;
max_item1 = np.argmax(data)
print(max_item1)
# 获取每一列的最大值对应的索引;
print(np.argmax(data, axis=0))
# 获取每一行的最大值对应的索引;
print(np.argmax(data, axis=1))

2. 创建一个全为0的数组;

print(np.zeros((3, 3), dtype=np.int))

3. 创建一个全为1的数组;

print(np.ones((3, 4)))

4. 创建一个对角线全为1的正方形数组（方阵）

print(np.eye(3))

5. numpy的深拷贝和浅拷贝

• 列表的深拷贝和浅拷贝

  • 浅拷贝: a= b[::] a = copy.copy(b)
  • 深拷贝: a = copy.deepcopy(b)

• numpy中的拷贝

  • data1 = data: 完全不复制， 两个变量相互影响， 指向同一块内存空间；
  • data2 = data[::], 会创建新的对象data2，
    但是data的数据完全由data2保管， 两个的数据变化是一致的;
  • data3 = data.copy(), 深拷贝， 两个变量不湖影响;

import numpy as np
data = np.arange(8).reshape(2,4)
data
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data1 = data
id(data)
140444611238448
id(data1)
140444611238448
data2 = data[::]
id(data)
140444611238448
id(data2)
140444621241360
id(data[0])
140444621241200
id(data2[0])
140444620515568
data
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data2
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
np.where(data2<4,4,10)
array([[ 4,  4,  4,  4],
       [10, 10, 10, 10]])
data2
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data2[0] = 0
data2
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3 = data.copy()
data
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3[0] = 10
data3
array([[10, 10, 10, 10],
       [ 4,  5,  6,  7]])
data
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])

6. numpy中的nan和inf

• nan(not a number): 表示不是一个数字, 代表的是数据缺失

• inf(infinity): inf代表正无穷， -inf代表负无穷

• nan的特殊属性:

  • 两个nan的值是不相等的, 是float类型:

 >>> np.nan == np.nan
    False
 >>> np.nan != np.nan
    True

• 如何判断有多少个缺失值:

		data = np.arange(12, dtype=np.float).reshape(3, 4)
        data
        array([[ 0.,  1.,  2.,  3.],
               [ 4.,  5.,  6.,  7.],
               [ 8.,  9., 10., 11.]])
        data[:2, 2] = np.nan
        data
        array([[ 0.,  1., nan,  3.],
               [ 4.,  5., nan,  7.],
               [ 8.,  9., 10., 11.]])
        np.count_nonzero(data!=data)
        2
        data!=data
        array([[False, False,  True, False],
               [False, False,  True, False],
               [False, False, False, False]])

• 判断data里面的缺失值

		np.isnan(data)
        array([[False, False,  True, False],
               [False, False,  True, False],
               [False, False, False, False]])

        np.count_nonzero(np.isnan(data))

7. numpy的常用统计方法

• 求和

import numpy as np
data = np.arange(12, dtype=np.float).reshape(3, 4)
print(data.sum())
# 每一列数据的和；
print(data.sum(axis=0))
# 每一行数据的和；
print(data.sum(axis=1))

• 均值

# - 均值

print(data.mean())
print(data.mean(axis=0))
print(data.mean(axis=1))

• 中值

# - 中值
print(data)
print(np.median(data))
print(np.median(data, axis=0))
print(np.median(data, axis=1))

• 最大值

# - 最大值
print(data.max())
print(data.max(axis=0))
print(data.max(axis=1))

• 最小值
• 极差

# - 最小值
# - 极差
print(np.ptp(data))
print(np.ptp(data, axis=0))
print(np.ptp(data, axis=1))

• 标准差： 代表的是数据的波动稳定情况， 数字越大， 越不稳定;

# - 标准差： 代表的是数据的波动稳定情况， 数字越大， 越不稳定;
print(data.std())
print(data.std(axis=0))
print(data.std(axis=1))