针对python3多维数组NumPyndarray简介和python中多维数组这两个问题，本篇文章进行了详细的解答，同时本文还将给你拓展AttributeError-'numpy.ndarray'对象

针对python3 多维数组 NumPy ndarray 简介和python中多维数组这两个问题，本篇文章进行了详细的解答，同时本文还将给你拓展AttributeError-'numpy.ndarray'对象没有属性'drop'、AttributeError：''numpy.ndarray'对象没有属性'rolling''仅在过滤CSV数据后出现、AttributeError：“ numpy.ndarray”对象没有属性“ set_aspect”、AttributeError：类型对象“ numpy.ndarray”没有属性“ __array_function__”等相关知识，希望可以帮助到你。

• python3 多维数组 NumPy ndarray 简介（python中多维数组）
• AttributeError-'numpy.ndarray'对象没有属性'drop'
• AttributeError：''numpy.ndarray'对象没有属性'rolling''仅在过滤CSV数据后出现
• AttributeError：“ numpy.ndarray”对象没有属性“ set_aspect”
• AttributeError：类型对象“ numpy.ndarray”没有属性“ __array_function__”

python3 多维数组 NumPy ndarray 简介（python中多维数组）

目录

基础

重要属性

创建

Converting Python array_like Objects to NumPy Arrays

多维数组

一维

通用数学函数

基础

NumPy 的主要对象是齐次多维数组。它是一个元素表（通常是元素是数字），其中所有元素类型都相同，元素以正整数元组索引。在 NumPy 维度（dimension）被称为轴（axis）。
ps. 有几个轴就是几维数组，符合平时生活中有 x,y 两个坐标轴就是二维空间，再加上 z 轴就是三维空间的概念

例如三维空间空一个点的坐标 [1,2,1] 有一个轴。这个轴有 3 个元素，即该轴的长度是 3。下面代码区中的数组有两个轴。第一个轴长度是 2，第二个长度是 3.

[[ 1.,0.,0.],[ 0.,1.,2.]]

Numpy 的数组类称做 ndarry，别名是 array。注意 numpy.array 和 Python 标准库的类 array.array 不同，标准库的类只处理一维数组（one-dimensional arrays）。

重要属性

• ndarray.ndim
  the number of axes (dimensions) of the array.
• ndarray.shape
  数组的维度（the dimensions of the array）。 以一个整型元组的方式表示数组中每个维度的大小。比如对一个有 n 行 m 列的矩阵来说，其 shape 属性为 (n,m)。The length of the shape tuple is therefore the number of axes,ndim.
• ndarray.size
  数组元素总数。相当于 shape 中每个元素的乘积。
• ndarray.dtype
  一个用来描述数组中元素类型的对象。我们可以使用 Python 标准类型来创建指定该对象，NumPy 也提供了自己的类型，如 numpy.int32,numpy.int16,and numpy.float641 等

• ndarray.itemsize
  数组中每个元素的字节大小。 For example,an array of elements of type float64 has itemsize 8 (=64/8),while one of type complex32 has itemsize 4 (=32/8). It is equivalent to ndarray.dtype.itemsize.

创建

对于创建 numpy.ndarray，官网上给出了五种创建方式2，这里介绍更为常见的两种：

1. 从 python 其他数据结构中转化而来，比如 list,tuple 等
2. 固有的 NumPy ndarray 创建方式，比如 np.arange(),np.ones(),np.zeros() 等

这里还会补充一种从文件中读入的方式。

Converting Python array_like Objects to NumPy Arrays

整体来说，我们可以使用 numpy.array() 函数将 Python 中任何以类似数组方式组织的数值数据转化成 numpy.ndarray。最显而易见的例子是 list 和 tuple3。

有一些对象支持 array-protocol，因此我们也可以使用 numpy.array() 函数将这些对象转换成 numpy.array。最简单判断对象是否支持这种转换方式的方法是自己动手转换试试。

>>> import numpy as np
>>> x = np.array([2,3,1,0]) # 列表方式
>>> x
array([2,0])
>>> type(x)
<class 'numpy.ndarray'>
>>> x.dtype
dtype('int32')

>>> x = np.array((1,3)) # 元组方式
>>> x
array([1,3])

>>> x = np.array([[ 1.+0.j,2.+0.j],[ 0.+0.j,0.+0.j],[ 1.+1.j,3.+0.j]])  # 不同类型的数据
>>> x
array([[1.+0.j,[0.+0.j,[1.+1.j,3.+0.j]])
>>> x.dtype
dtype('complex128')

>>> x = np.array([[1,2.0],[0,0],(1+1j,3.)]) # note mix of tuple and lists,and types
>>> x
array([[1.+0.j,3.+0.j]])
>>> x.dtype
dtype('complex128')

Intrinsic NumPy Array Creation

一般来说 array 的元素本身是不知道的，但是如果我们知道 array 的大小（size），我们就可以使用 NumPy 提供的一些方法来创建具有初始值的 array。

下面我列举了一些用于创建 numpy.ndarray 的内建函数，更多可以参考 Array creation routines：

1. numpy.zeros(shape,dtype=float,order=‘C’)
2. numpy.ones(shape,dtype=None,order=‘C’)
3. numpy.arange([start,]stop,[step,]dtype=None)
4. numpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
5. numpy.indices(dimensions,dtype=<class ‘int’>)

其中的 shape 参数指定你想创建数组的维度以及每维的大小。比如 (2,4) 就是创建 234 的三维数组。

其中函数 zero() 创建一个全为 0 的 array，函数 ones() 创建一个全为 1 的 array，函数 empty() 创建一个根据内存状态随机初始化值的 array。

numpy.zeros(shape,order=‘C’)

从函数本身我们就可以知道这个是创建一个全为 0 的 ndarray。其中 shape 指定创建 ndarray 的形状，如是 2行3列的，还是 4行5列的。

>>> np.zeros((2,3))
array([[ 0.,0.]])

numpy.arange([start,]dtype=None)

arange() 会创建有规律递增的数值的 ndarray，个人感觉类似 range() 函数

>>> np.arange(10)
array([0,4,5,6,7,8,9])

>>> np.arange(2,10,dtype=float)
array([ 2.,3.,4.,5.,6.,7.,8.,9.])

>>> np.arange(2,0.1)
array([ 2.,2.1,2.2,2.3,2.4,2.5,2.6,2.7,2.8,2.9])

numpy.linspace(start,dtype=None)

当我们给 arange() 函数传入附点类型参数的时候，我们通常不能预测我们创建 array 里元素的个数，这时候我们可以使用 linspace() 函数。

linspace() 会根据 num 参数创建指定数量的等差数据，数据的范围在 start 和 stop 之间，默认包含 stop。

>>> np.linspace(1.,6)
array([ 1.,1.6,3.4,4. ])

从文件中读入

使用 numpy.genfromtxt，这里以读入 CSV 文件为例

import numpy as np
myFile = np.genfromtxt('filepath',delimiter=',')

如果想读入以 TAB 为分隔符的文件，将 delimiter 换成 \t

多维数组

array() 函数将序列的序列转化成二维数组，将序列的序列的序列转化成三维数组，这样依次下去。

>>> b = np.array([(1.5,3),(4,6)])
>>> b
array([[ 1.5,2.,3. ],[ 4.,6. ]])

在创建的时候我们也可以指明元素的类型

>>> c = np.array( [ [1,2],[3,4] ],dtype=complex )
>>> c
array([[ 1.+0.j,[ 3.+0.j,4.+0.j]])

注意事项

NumPy 的 ndarray 基本和 C++/Java 创建时要注意的差不多，创建的时候我们最好对我们需求的大小有个估计，然后再创建一个略多一点的就可以了。 ndarry 并没有 Python 的 list 那么灵活，可以随时更改数组大小（不过你要想增加一行或一列的话，也有一些方法），要更改大小的话一般得重新创建数组，效率不是很高4。

增加行

https://stackoverflow.com/questions/3881453/numpy-add-row-to-array
使用函数 vstack

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

>>> row = np.ones((1,a.shape[1]))
>>> row

array([[1.,1.]])
>>> np.vstack((a,row))
array([[0.,[1.,1.]])

增加列

https://stackoverflow.com/questions/15815854/how-to-add-column-to-numpy-array
用 hstack

>>> col = np.ones((a.shape[0],2))
>>> col
array([[1.,1.],1.]])
>>> np.hstack((a,col))
array([[0.,1.]])

索引，切片，迭代（Indexing,Slicing and Iterating）

一维

一维数组像 Python list 一样被索引、切片和迭代。

>>> a = np.arange(10)**3  # 创建数组
>>> a
array([  0,27,64,125,216,343,512,729])
>>> a[2]  # 索引
8
>>> a[2:5]  # 切片
array([ 8,64])
>>> a[:6:2] = -1000    # equivalent to a[0:6:2] = -1000; from start to position 6,exclusive,set every 2nd element to -1000
>>> a
array([-1000,-1000,729])
>>> a[ : :-1]   # reversed a
array([  729,-1000])
>>> for i in a:  # 迭代
...     print(i**(1/3.))
...
nan
1.0
nan
3.0
nan
5.0
6.0
7.0
8.0
9.0

多维

多维数组每个轴可以有一个索引，这些索引以逗号分隔的元组给出：

索引

参考 arrays indexing

索引单个元素

>>> b = np.arange(12).reshape(4,3)  # 将一维数组改成 4*3 的二维数组
>>> b
array([[ 0,[ 3,5],[ 6,8],[ 9,11]])
>>> b[0,2]  # 注意这里不能越界了。其实和 C++/Java 二维数组访问差不多。
2

索引行

索引第 1 行

>>> b[1,:]
array([3,5])

索引 0 3 行

>>> b[[0,3],:]
array([[ 0,11]])

索引列

索引第 0 列

>>> b[:,0]
array([0,9])

切片

>>> b
array([[ 0,11]])
>>> b[0:4,1]              # each row in the second column of b
array([ 1,10])
>>> b[0:5,1]              # 这里可以越界
array([ 1,10])
>>> b[ :,1]               # equivalent to the prevIoUs example
array([ 1,10])
>>> b[1:3,: ]             # each column in the second and third row of b
array([[3,[6,8]])

当提供的索引少于轴的数量时，缺失的索引被认为是完整的切片

>>> b[-1]       # the last row. Equivalent to b[-1,:]
array([ 9,11])

迭代

对多维数组进行迭代是针对第一个轴完成的

>>> b
array([[ 0,11]])
>>> for row in b:
	print(row)

[0 1 2]
[3 4 5]
[6 7 8]
[ 9 10 11]

如果你想对数组中的每个元素进行操作的话，你可以使用 flat 属性完成对每个元素的迭代。

>>> for element in b.flat:
	print(element)

0
... # 为了节省地方，我这里认为删去了很多行。把 0~11 竖起来就是结果
11

基本运算

当涉及到算术运算的时候，数组中的每个元素都会参与，运算最后会创建一个新数组并填充结果。

>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0,3])
>>> c = a-b  # 减
>>> c
array([20,29,38,47])
>>> a + 10  # 加
array([30,50,60])
>>> b**2  # 幂运算
array([0,9])
>>> a<35 # 比较运算
array([ True,True,False,False])

在 NumPy 数组中 * 是按对应元素进行计算的。想要进行 矩阵运算5 我们需要使用操作符 @ 或者 dot() 方法

>>> A = np.array( [[1,1],...                [0,1]] )
>>> B = np.array( [[2,...                [3,4]] )
>>> A * B           # elementwise product
array([[2,4]])
>>> A @ B           # matrix product
array([[5,4],4]])
>>> A.dot(B)        # another matrix product
array([[5,4]])

一些运算如，*= 和 += 并不会新创建数组，而是在原有数组上进行修改。

通用数学函数

NumPy 提供一系列数学函数，例如sin，cos和exp。在 NumPy 中，这些被称为“通用函数”（ufunc）。在 NumPy 中，这些函数都产生一个数组作为输出
由于比较多，我把它放到了脚注6
因为其中的很多函数都涉及到 axis 这个参数，这里就来简单介绍一下这个参数怎么指定，我们不妨以 np.sum() 来探究。

numpy.sum(a,axis=None,out=None,keepdims=,initial=)
给指定轴上的元素求和：
参数说明（这里只介绍这里要谈的参数）：

• a: array_like
• axis: None or int or tuple of ints,可选
  指定要求和的轴。默认 axis=None 会对输入数组的所有元素求和，指定负数的话是从最后一个轴开始往前统计（其实和数组负数索引是一个道理）。

对一个轴上的元素求和是一个减少操作，指定的轴会在运算完后消失。比如对一个一维数组上的元素求和，最后我们会得到是一个数。7

想要理解这个东西，我们首先要对每个轴上有哪些元素有个清楚的认识。
比如下图： axis=0 轴的大小是 8，其上的元素是 [100]\begin{bmatrix} 1 &amp; 0 &amp; 0 \end{bmatrix}[1​0​0​]、 [010]\begin{bmatrix} 0 &amp; 1 &amp; 0 \end{bmatrix}[0​1​0​]、 [001]\begin{bmatrix} 0 &amp; 0 &amp; 1 \end{bmatrix}[0​0​1​] … [010]\begin{bmatrix} 0 &amp; 1 &amp; 0 \end{bmatrix}[0​1​0​].

而 axis=1 轴的大小是 3，其上的元素是 ⎡⎣⎢⎢⎢⎢⎢⎢1001...⎤⎦⎥⎥⎥⎥⎥⎥\begin{bmatrix} 1 \\ 0 \\ 0 \\ 1 \\ ... \end{bmatrix}⎣⎢⎢⎢⎢⎡​1001...​⎦⎥⎥⎥⎥⎤​ 、⎡⎣⎢⎢⎢⎢⎢⎢0100...⎤⎦⎥⎥⎥⎥⎥⎥\begin{bmatrix} 0 \\ 1 \\ 0 \\ 0 \\ ... \end{bmatrix}⎣⎢⎢⎢⎢⎡​0100...​⎦⎥⎥⎥⎥⎤​ 和 ⎡⎣⎢⎢⎢⎢⎢⎢0010...⎤⎦⎥⎥⎥⎥⎥⎥\begin{bmatrix} 0 \\ 0 \\ 1 \\ 0 \\ ... \end{bmatrix}⎣⎢⎢⎢⎢⎡​0010...​⎦⎥⎥⎥⎥⎤​。

对 axis=0 求和就是把其上的所有元素相加 [100]+[010]+[001]+...+[010]\begin{bmatrix} 1 &amp; 0 &amp; 0 \end{bmatrix}+\begin{bmatrix} 0 &amp; 1 &amp; 0 \end{bmatrix}+\begin{bmatrix} 0 &amp; 0 &amp; 1 \end{bmatrix}+ ... +\begin{bmatrix} 0 &amp; 1 &amp; 0 \end{bmatrix}[1​0​0​]+[0​1​0​]+[0​0​1​]+...+[0​1​0​]，因此这个这从图上我们可以直观的看出来 axis=0 这个轴被压缩了，也就是消失了。

universal-function 上面一小节程序里的注释的，因此应该不会出错。

要是没搞懂的话，可以再来看看下面这个三维的例子。

>>> a = np.ones((2,4))  # 创建一个三维的数组
>>> a
array([[[1.,1.]],[[1.,1.]]])
>>> a.shape # 第一个轴大小为2，第二个轴大小为3，第三个轴大小为4
(2,4)
>>> a.ndim  # 一共有三个轴
3
>>> a.sum() # 计算所有元素的总和
24

>>> a.sum(axis=0)
array([[2.,2.],[2.,2.]])
>>> a.sum(axis=0).shape
(3,4)

>>> a.sum(axis=1)
array([[3.,3.],[3.,3.]])
>>> a.sum(axis=1).shape
(2,4)

>>> a.sum(axis=2)
array([[4.,4.],[4.,4.]])
>>> a.sum(axis=2).shape
(2,3)

参数指定为负数

>>> a.sum(axis=-1)  # 等价于 a.sum(axis=2)
array([[4.,4.]])
>>> a.sum(axis=-2)  # 等价于 a.sum(axis=1)
array([[3.,3.]])
>>> a.sum(axis=-3)  # 等价于 a.sum(axis=0)
array([[2.,2.]])

参数指定为元组

>>> a.shape
(2,4)
>>> a.sum(axis=(0,1))
array([6.,6.])
>>> a.sum(axis=(0,1)).shape
(4,)

输出

当我们输出数组时，NumPy 以与嵌套列表类似的方式显示它，但具有以下布局：

• the last axis is printed from left to right,
• the second-to-last is printed from top to bottom,
• the rest are also printed from top to bottom,with each slice separated from the next by an empty line.

然后将一维数组打印为行，将二维数组打印为矩阵，将三维数组打印为矩阵列表。

>>> a = np.arange(6)                         # 1d array
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4,3)           # 2d array
>>> print(b)
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
>>>
>>> c = np.arange(24).reshape(2,4)         # 3d array
>>> print(c)
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]
 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

当数组太大的时候，会省略显示一部分内容

>>> print(np.arange(10000))
[   0    1    2 ...,9997 9998 9999]

我们可以通过以下方式强制显示全：

>>> np.set_printoptions(threshold=np.nan)

AttributeError-'numpy.ndarray'对象没有属性'drop'

Germany = pd.read_csv(''./Germany_filtered.csv'',index_col=0)
Germany = Germany.fillna("")
Germany = pd.to_numeric(Germany.columns.str,errors=''coerce'')
Germany.head()

X = Germany.drop(''Status'',axis=''columns'')
y = Germany[''Status'']

In [167]: df = pd.DataFrame(np.arange(12).reshape(3,4),columns=[''a'',''b'',''c'',''d''])

In [168]: df.drop(''c'',axis=''columns'')
Out[168]: 
   a  b   d
0  0  1   3
1  4  5   7
2  8  9  11

In [169]: x = pd.to_numeric(df.columns.str,errors=''coerce'')
In [170]: x
Out[170]: 
array(<pandas.core.strings.StringMethods object at 0x7fef602862b0>,dtype=object)
In [171]: type(x)
Out[171]: numpy.ndarray

In [172]: x.head()
Traceback (most recent call last):
  File "<ipython-input-172-830ed5e65d76>",line 1,in <module>
    x.head()
AttributeError: ''numpy.ndarray'' object has no attribute ''head''

In [173]: x.drop()
Traceback (most recent call last):
  File "<ipython-input-173-6d3a33341569>",in <module>
    x.drop()
AttributeError: ''numpy.ndarray'' object has no attribute ''drop''

In [176]: x = pd.to_numeric(df,errors=''coerce'')
Traceback (most recent call last):
  File "<ipython-input-176-d095b0166b8f>",in <module>
    x = pd.to_numeric(df,errors=''coerce'')
  File "/usr/local/lib/python3.6/dist-packages/pandas/core/tools/numeric.py",line 139,in to_numeric
    raise TypeError("arg must be a list,tuple,1-d array,or Series")
TypeError: arg must be a list,or Series

In [177]: x = pd.to_numeric(df[''a''],errors=''coerce'')
In [178]: x
Out[178]: 
0    0
1    4
2    8
Name: a,dtype: int64

In [179]: df[''a''] = x
In [180]: df
Out[180]: 
   a  b   c   d
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11

In [195]: df[''a''] = [''00'',''04'',''LS'']
In [196]: df
Out[196]: 
    a  b   c   d
0  00  1   2   3
1  04  5   6   7
2  LS  9  10  11

In [197]: pd.to_numeric(df.columns.str,errors=''coerce'')
Out[197]: 
array(<pandas.core.strings.StringMethods object at 0x7fef602862b0>,dtype=object)

In [198]: pd.to_numeric(df[''a''],errors=''coerce'')
Out[198]: 
0    0.0
1    4.0
2    NaN
Name: a,dtype: float64

data = pd.read_csv("abc.csv")
avg = data[''A''].rolling(3).mean() 
print(avg)

dff=[]
dff1=[]
dff1=abs(data[''A''])

b,a = scipy.signal.butter(2,0.05,''highpass'')
dff = scipy.signal.filtfilt(b,a,dff1) 

avg = dff.rolling(3).mean() 
print(avg)

dff = pd.Dataframe(dff)

for i in iaq:

fig,ax = plt.subplots(8,5,figsize=(8,5))
df_g2[df_g2[''aq_date''] == i].plot(column=''zone_id'',cmap=''Greens'',ax=ax,legend=True)
ax.set_title(''Analysis :''+ str(i))
plt.show()

AttributeError: ''numpy.ndarray'' object has no attribute ''set_aspect''

pip uninstall numpy

pip3 uninstall numpy

pip install numpy