どーもこんにちは、Keita_Nakamoriです(´・ω・`)
Pythonを色々やってきた中で、何かしらマイルストーン的なものがほしいと思い
なるものを受けてみようと思っております。
データ分析というからには、numpy , pandas, matplotlib, scikit-learn くらいは出るんだろうなあと漠然と考えていますが、今日はnumpyを学習したので、備忘録に貼っておきます。
numpy_text_for_data_analisys_with_Python.html
numpy_text_for_data_analisys_with_Python.zip
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 |
# Text for Data_Analisys with Python import numpy as np # 1次元配列 li = [1,2,3,4,5] # [1,2,3,4,5] arr = np.array(li) # array([1, 2, 3, 4, 5] type(arr) # numpy.ndarray arr.shape #(5,) (5,) #2次元配列 li = [[1,2,3,4],[5,6,7,8]] # [[1, 2, 3, 4], [5, 6, 7, 8]] arr = np.array(li) #array([[1, 2, 3, 4], # [5, 6, 7, 8]]) arr.shape # (2, 4) 2行4列 (2, 4) # 変形 reshape li = [1,2,3,4,5,6] arr = np.array(li) arr = arr.reshape(2,3) # 2行3列に変形 #array([[1, 2, 3], # [4, 5, 6]]) arr = arr.ravel() # "浅いコピー"で1次元配列にする # array([1, 2, 3, 4, 5, 6]) arr = arr.reshape(2,3) # 再び2行3列に変形 #array([[1, 2, 3], # [4, 5, 6]]) arr = arr.flatten() # "浅いコピー"で1次元配列にする # array([1, 2, 3, 4, 5, 6]) """補足 np.reshape(引数)はタプルで与えても同じ。 arr.reshape((2,3)) """ '補足\nnp.reshape(引数)はタプルで与えても同じ。\narr.reshape((2,3))\n' li = [1,2,3,4,5,6] # リストのスライスは深いコピー li_deep = li[:] # リストの代入は浅いコピー li_shallow =li #確認 li_deep[3]=100 li_deep # [1, 2, 3, 100, 5, 6] li #[1, 2, 3, 4, 5, 6] li_shallow[4] = 200 li_shallow # [1, 2, 3, 4, 200, 6] li # [1, 2, 3, 4, 200, 6] #元リストにも影響あり """深いコピーをするときは スライスをするとよい。li2 = li[:] 正統な方法としては、li2=li.copy() がある。 """ '深いコピーをするときは\nスライスをするとよい。li2 = li[:]\n\n正統な方法としては、li2=li.copy()\nがある。\n' li = [1,2,3,4,5,6] arr = np.array(li) # np.array() のスライスは浅いコピー arr_shallow = arr[:] arr_shallow # array([1, 2, 3, 4, 5, 6]) # 確認 arr_shallow[3] = 300 arr_shallow # array([ 1, 2, 3, 300, 5, 6]) arr # array([ 1, 2, 3, 300, 5, 6]) """深いコピーするときは li.copy()と同様に arr.copy()をすればよい。 """ li = [1,2,3,4,5,6] arr = np.array(li) arr_deep = arr.copy() arr_deep[1] = 500 arr_deep # array([ 1, 500, 3, 4, 5, 6]) arr #array([1, 2, 3, 4, 5, 6]) """ リストと np.arrayの共通項を考慮すれば 深いコピーをするときは li.copy() arr.copy() を使用すれば良い。 """ '\nリストと\u3000np.arrayの共通項を考慮すれば\n深いコピーをするときは\nli.copy() arr.copy()\nを使用すれば良い。\n' # 数列を作成 np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) np.arange(3,10,2) # array([3, 5, 7, 9]) np.arange <function numpy.core.multiarray.arange> # ==== 乱数生成 ==== # 乱数 0 to 1 一様分布 np.random.seed(0) #乱数シードの固定 シード番号0と定義 arr = np.random.random((3,2)) #3行2列 タプルで入れる # array([[0.5488135 , 0.71518937], # [0.60276338, 0.54488318], # [0.4236548 , 0.64589411]]) # 乱数 0 to 1 一様分布 np.random.seed(1) np.random.rand(3,2) # random.randomと違ってタプルにしなくていい。 # array([[4.17022005e-01, 7.20324493e-01], # [1.14374817e-04, 3.02332573e-01], # [1.46755891e-01, 9.23385948e-02]]) array([[4.17022005e-01, 7.20324493e-01], [1.14374817e-04, 3.02332573e-01], [1.46755891e-01, 9.23385948e-02]]) # 乱数 整数の一様分布 np.random.seed(2) np.random.randint(10) # 8 np.random.randint(0,10,(3,5)) # array([[8, 6, 2, 8, 7], # [2, 1, 5, 4, 4], # [5, 7, 3, 6, 4]]) array([[8, 6, 2, 8, 7], [2, 1, 5, 4, 4], [5, 7, 3, 6, 4]]) # 乱数 0.0以上 5,0未満の一様分布 np.random.seed(3) np.random.uniform(0.0, 5.0, size=(2,3)) # array([[2.75398951, 3.54073911, 1.45452369], # [2.55413803, 4.46473477, 4.48146544]]) array([[2.75398951, 3.54073911, 1.45452369], [2.55413803, 4.46473477, 4.48146544]]) # 乱数 0-1 正規分布 np.random.seed(4) np.random.randn(2,3) # array([[ 0.05056171, 0.49995133, -0.99590893], # [ 0.69359851, -0.41830152, -1.58457724]]) array([[ 0.05056171, 0.49995133, -0.99590893], [ 0.69359851, -0.41830152, -1.58457724]]) # ==== 特殊行列生成 ==== # ゼロ行列 np.zeros((2,3)) #タプル # array([[0., 0., 0.], # [0., 0., 0.]]) # 単位行列 np.eye(2) # array([[1., 0.], # [0., 1.]]) #1の行列 np.ones((2,3)) #タプル # array([[1., 1., 1.], # [1., 1., 1.]]) # 任意の数の行列 np.full((2,3),2.71) # array([[2.71, 2.71, 2.71], # [2.71, 2.71, 2.71]]) # np.nanの行列 np.array([1,2,np.nan,4]) # array([ 1., 2., nan, 4.]) type(np.nan) # as float """ np.nanは floatとして扱われる。 numpyでは同じタイプでないと計算できない。 欠損値を扱うための措置 """ print(np.nan * 100) # nan nan # ==== 均等割り 0 - 5を 6等分 ==== np.linspace(0,5,6) #array([0., 1., 2., 3., 4., 5.]) array([0., 1., 2., 3., 4., 5.]) # ==== 等差数列 ==== arr1 = np.array([1,1,2,3,4,4,6]) arr2 = np.diff(arr1) # array([0, 1, 1, 1, 0, 2]) # ==== 連結 ==== arr3 = [1,2,3] arr4 = [10,20,30] arr_cat = np.concatenate([arr3,arr4]) # array([ 1, 2, 3, 10, 20, 30]) # 連結 縦ベクトル(2次元配列) arr = np.array([[1], [2], [3]]) # array([[1], # [2], # [3]]) arr1 = np.array([[4], [5] ,[6]]) # array([[4], # [5], # [6]]) arr_cat = np.concatenate([arr, arr1],axis=1) #軸を列に指定すること # array([[1, 4], # [2, 5], # [3, 6]]) # 連結 np.hstack arr = np.array([[1], [2], [3]]) arr1 = np.array([[4], [5] ,[6]]) arr_hstacked = np.hstack([arr,arr1]) # array([[1, 4], # [2, 5], # [3, 6]]) # 連結 np.vstack arr = np.array([1,2,3,4,5]) arr1 = np.array([10,20,30,40,50]) arr_vstacked = np.vstack([arr,arr1]) # array([[ 1, 2, 3, 4, 5], # [10, 20, 30, 40, 50]]) # ==== 分割 ==== np.random.seed(123) arr = np.random.randn(12).reshape(3,4) # array([[-1.0856306 , 0.99734545, 0.2829785 , -1.50629471], # [-0.57860025, 1.65143654, -2.42667924, -0.42891263], # [ 1.26593626, -0.8667404 , -0.67888615, -0.09470897]]) # 列を分割 1つ目は3列 2つ目は残りの1列 arr_splited_1 = np.split(arr,[3],axis=1) arr_splited_1[0] # array([[-1.0856306 , 0.99734545, 0.2829785 ], # [-0.57860025, 1.65143654, -2.42667924], # [ 1.26593626, -0.8667404 , -0.67888615]]) arr_splited_1[1] # array([[-1.50629471], # [-0.42891263], # [-0.09470897]]) # 行を分割 1つ目は2行 2つ目は残りの1行 arr_splited_0 = np.split(arr, [2],axis=0) arr_splited_0[0] # array([[-1.0856306 , 0.99734545, 0.2829785 , -1.50629471], # [-0.57860025, 1.65143654, -2.42667924, -0.42891263]]) arr_splited_0[1] # array([[ 1.26593626, -0.8667404 , -0.67888615, -0.09470897]]) print(arr.shape) arr_3, arr_4 = np.hsplit(arr, [2]) # 機能しない arr_5, arr_6 = np.vsplit(arr, [1]) # 機能しない (3, 4) #転置行列 arr = np.array([[1,2,3],[4,5,6]]) # array([[1, 2, 3], # [4, 5, 6]]) arr.T # array([[1, 4], # [2, 5], # [3, 6]]) array([[1, 4], [2, 5], [3, 6]]) # 次元の追加 arr = np.array([1,2,3,4]) arr # array([1, 2, 3, 4]) arr_1 = arr[np.newaxis,:] # array([[1, 2, 3, 4]]) arr_2 = arr[:,np.newaxis] # array([[1], # [2], # [3], # [4]]) # メッシュグリッドデータの生成 arr_x = np.array([1,2,3,4,5]) arr_y = np.array([10,20,30]) xx, yy =np.meshgrid(arr_x, arr_y) xx # array([[1, 2, 3, 4, 5], # [1, 2, 3, 4, 5], # [1, 2, 3, 4, 5]]) yy # array([[10, 10, 10, 10, 10], # [20, 20, 20, 20, 20], # [30, 30, 30, 30, 30]]) array([[10, 10, 10, 10, 10], [20, 20, 20, 20, 20], [30, 30, 30, 30, 30]]) # ユニバーサルファンクション(一括変換) # 各成分を全て絶対値にする arr = [5, -12, -3 , 2] np.abs(arr) # array([ 5, 12, 3, 2]) # sin cos tan arr = np.linspace(0, 2*np.pi, 100) np.sin(arr) array([ 0.00000000e+00, 6.34239197e-02, 1.26592454e-01, 1.89251244e-01, 2.51147987e-01, 3.12033446e-01, 3.71662456e-01, 4.29794912e-01, 4.86196736e-01, 5.40640817e-01, 5.92907929e-01, 6.42787610e-01, 6.90079011e-01, 7.34591709e-01, 7.76146464e-01, 8.14575952e-01, 8.49725430e-01, 8.81453363e-01, 9.09631995e-01, 9.34147860e-01, 9.54902241e-01, 9.71811568e-01, 9.84807753e-01, 9.93838464e-01, 9.98867339e-01, 9.99874128e-01, 9.96854776e-01, 9.89821442e-01, 9.78802446e-01, 9.63842159e-01, 9.45000819e-01, 9.22354294e-01, 8.95993774e-01, 8.66025404e-01, 8.32569855e-01, 7.95761841e-01, 7.55749574e-01, 7.12694171e-01, 6.66769001e-01, 6.18158986e-01, 5.67059864e-01, 5.13677392e-01, 4.58226522e-01, 4.00930535e-01, 3.42020143e-01, 2.81732557e-01, 2.20310533e-01, 1.58001396e-01, 9.50560433e-02, 3.17279335e-02, -3.17279335e-02, -9.50560433e-02, -1.58001396e-01, -2.20310533e-01, -2.81732557e-01, -3.42020143e-01, -4.00930535e-01, -4.58226522e-01, -5.13677392e-01, -5.67059864e-01, -6.18158986e-01, -6.66769001e-01, -7.12694171e-01, -7.55749574e-01, -7.95761841e-01, -8.32569855e-01, -8.66025404e-01, -8.95993774e-01, -9.22354294e-01, -9.45000819e-01, -9.63842159e-01, -9.78802446e-01, -9.89821442e-01, -9.96854776e-01, -9.99874128e-01, -9.98867339e-01, -9.93838464e-01, -9.84807753e-01, -9.71811568e-01, -9.54902241e-01, -9.34147860e-01, -9.09631995e-01, -8.81453363e-01, -8.49725430e-01, -8.14575952e-01, -7.76146464e-01, -7.34591709e-01, -6.90079011e-01, -6.42787610e-01, -5.92907929e-01, -5.40640817e-01, -4.86196736e-01, -4.29794912e-01, -3.71662456e-01, -3.12033446e-01, -2.51147987e-01, -1.89251244e-01, -1.26592454e-01, -6.34239197e-02, -2.44929360e-16]) # 自然対数 底 = ネピア数 e arr = np.array([0, 1, 2, 3]) np.log(arr) #[ -inf 0. 0.69314718 1.09861229] # 常用対数 底 = 10 np.log10(arr) #array([ -inf, 0. , 0.30103 , 0.47712125]) # exp() np.exp(1) # 2.718281828459045 C:\Users\omoiy\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: RuntimeWarning: divide by zero encountered in log This is separate from the ipykernel package so we can avoid doing imports until C:\Users\omoiy\Anaconda3\lib\site-packages\ipykernel_launcher.py:6: RuntimeWarning: divide by zero encountered in log10 2.718281828459045 # ブロードキャス(自動拡張計算) arr = np.array([[1,2,3], [4,5,6]]) arr2 =np.array([10,10,10]) arr_sum = arr + arr2 # array([[11, 12, 13], # 2行ともに和算されている # [14, 15, 16]]) arr = np.array([[1,2,3], [4,5,6]]) arr2 =np.array([10,10,10]) arr_sub = arr - arr2 # array([[-9, -8, -7], # 2行ともに差算されている # [-6, -5, -4]]) arr = np.array([[1,2,3], [4,5,6]]) arr2 =np.array([10,100,1000]) arr_multi = arr * arr2 # array([[ 10, 200, 3000], # 2行ともに乗算されている # [ 40, 500, 6000]]) arr = np.array([1,2,3]) arr2 = np.array([[1], [2], [3]]) arr + arr2 # array([[2, 3, 4], # 3x3行列に和算される # [3, 4, 5], # [4, 5, 6]]) # 自分の平均からの距離をそれぞれ求める arr = np.array([[1,2,3], [4,5,6]]) arr2 = arr - np.mean(arr) # array([[-2.5, -1.5, -0.5], # [ 0.5, 1.5, 2.5]]) # スカラーを乗ずる arr = np.array([[1,2,3], [4,5,6]]) arr2 = arr * 10 # array([[10, 20, 30], # [40, 50, 60]]) # 3乗する arr = np.array([[1,2,3], [4,5,6]]) arr2 = arr ** 3 # array([[ 1, 8, 27], # [ 64, 125, 216]], dtype=int32) # ゼロを含んだ行列で除算をするときのテクニック arr = np.array([[1,2,3], [4,5,6]]) arr2 =np.array([0,10,100]) arr_div = arr / (arr2 + 1e-6) # array([[1.00000000e+06, 1.99999980e-01, 2.99999997e-02], # [4.00000000e+06, 4.99999950e-01, 5.99999994e-02]]) # ドット積 arr = np.array([[1,2,3], [4,5,6]]) arr2 = np.array([[10], [20], [30]]) np.dot(arr, arr2) # array([[140], # [320]]) """ arr @ arr2 でも良い """ array([[140], [320]]) # 判定 論理値 arr = np.array([[1,2,3], [4,5,6]]) arr > 3 # array([[False, False, False], # [ True, True, True]]) # ゼロでない要素数をカウントする np.count_nonzero(arr) # 6 # 論理式と共に使えば、条件にある要素数をカウントできる np.count_nonzero(arr > 3) # 3 # sum を使ってもできる (True=1なので) np.sum(arr > 3) # 3 # 全要素が条件に入るか np.all(arr > 0) # True np.all(arr > 1) # False # 条件に入る要素だけを取り出す arr_true = arr[arr > 2] arr_true # array([3, 4, 5, 6]) # 比較 arr = np.array([[1,2,3], [4,5,6]]) arr2 =np.array([1,2,3]) arr == arr2 # array([[ True, True, True], #ブロードキャストが有効になっている # [False, False, False]]) # 条件に合うものだけを抽出 arr = np.array([[1,2,3], [4,5,6]]) arr2 = np.array([1,2,3]) arr3 = np.array([1,10,100]) arr4 = arr[(arr == arr2) | (arr > 5)] # array([1, 2, 3, 6]) # 浮動小数点誤差を無視しながら行列が同等か調べる arr = np.array([[1,2,3], [4,5,6]]) arr2 = np.array([[1,2,3], [4,5,7]]) np.allclose(arr, arr2, atol=1) # True # arr2 の最後のみ誤差1を含んでいるが、atolの許容誤差以内なので # 同じ行列とみなされる True # 関数 と メソド どちらでもいい arr = np.array([1,2,3,4,5]) np.sum(arr) # 関数 15 arr.sum() # メソド # arrを定義した時点でarrはクラスのインスタンスに # なっているのでメソドが使用できる 15 |
The following two tabs change content below.
Keita N
最新記事 by Keita N (全て見る)
- 2024/1/13 ビットコインETFの取引開始:新たな時代の幕開け - 2024年1月13日
- 2024/1/5 日本ビジネスにおける変革の必要性とその方向性 - 2024年1月6日
- 2024/1/3 アメリカ債権ETFの見通しと最新動向 - 2024年1月3日