python数据分析NumPy入门

numpy库入门

维度:一组数据的组织形式

一维数据:由对等关系的有序或无序数列构成,采用线性方式组织 (列表,集合) (数组)

列表和数组 都是一组数据的有序结构 不同点 列表:数据类型可以不同 数组:数据类型相同

二维数据:由多个一维数据构成,是一维数据的组合形式 (表格)(列表) 多维数据:由一维或二维数据在新维度上扩展形成(多维列表) 高维数据仅利用最基本的二元关系展示数据间的复杂结构 (字典)

Numpy Numpy 是一个开源的python科学计算基础库 一个强大的N维数组对象 ndarray 广播功能函数 整合C/C++/Fortran代码的工具 线性代数、傅里叶变换、随机数生成等功能 Numpy是SciPy、Pandas等数据处理或科学计算库的基础

Numpy的引用 import numpy as np 引入模块的别名 ps: 尽管别名可以省略或更改,建议使用上述约定的别名

例子 计算A^2+B^3,其中A和B是一维数组

import numpy as np

def npSum(): a = np.array([0,1,2,3,4]) b = np.array([9,8,7,6,5]) c = a2 + b3 return c

print(npSum )

N维数组对象:ndarray 数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据 设置专门的数组对象,经过优化,可以提升这类应用的运算速度

N维数组对象:Ndarray

ndarray是一个多维数组对象,由两部分构成:

实际的数据

描述这些数据的元数据(数据维度、数据类型等)

ndarray 数组一般要求所有元素的类型相同(同质) 数组下标从0开始


ndarray 实例 np.array()可以生成一个ndarray数组 np.array()输出形式为[],元素由空格分割 轴:保存数组的维度 秩:轴的数量

ndarray对象的属性

.ndim 秩,即轴对象的数量或维度的数量

.shape ndarray对象的尺度,对于矩阵,n行m列

.size ndarray对象元素的个数,相当于.shape 中 n*m的值

.dtype ndarray对象中每个元素的类型

ndarray 的元素类型

对比python 对比:python语法仅支持整数、浮点数和复数3种类型

科学计算设计数据较多,对于存储和性能都有较高要求对元素类型精细定义,有助于Numpy合理使用存储空间并优化性能。有助于程序员对程序规模有合理评估

ndarray数组的创建方法

1.从Python中的列表、元祖等类型创建ndarray数组 x = np.array(list/tuple) x = np.array(list/tuple,dtype = np.float32) 当np.array()不指定dtype时,NumPy将根据数据情况关联一个dtype类型。

2.使用Numpy中函数创建ndarray数组,如:arange、ones、zeros等。 np.arange(n):类似range()函数,返回一个ndarray类型,元素从0-n-1 np.ones(shape):根据shape生成一个全是1的数组,shape是元祖类型。 np.zeros(shape):根据shape生成一个全是0的数组,shape是元祖类型。 np.full(shape,val):根据shape生成一个数组,每个元素的值都是val。 np.eye(n):创建一个正方的n*n单位矩阵,对角线为1,其余为0。 np.empty(shape):随机创建一个数组,根据内存状态。

np.ones_like(a):根据数组a的形状生成一个全1数组np.zeros_like(a):根据数组a的形状生成一个全0数组np.full_like(a,val):根据数组a的形状生成一个数组,每个元素都是val?np.linspace():根据起止数据等间距地填充数据,形成数组。np.concatenate():将两个或多个数组合并成一个新的数组

ndarray数组的维度变换 .reshape(shape):不改变数组元素,返回一个shape形状的数组,原数组不变 .resize(shape):与.reshape()功能一致,但修改原数组 .swapaxes(ax1,ax2):将数组n个维度中两个维度进行调换 .flatten():对数组进行降维,返回折叠后的一维数组,原数组不变 ndarray数组的类型变换 .astype(new_type)方法一定会创建新的数组(原始数据的一个拷贝),即使两个类型一致。 .tolist()数组向列表的转换 3.从字节流(raw bytes) 中创建ndarray 数组。

4.从文件中读取特定格式,创建ndarray 数组

数组的索引与切片 一维数组: a = np.array([9,8,7,6,5]) a[2] #7 索引 a[1:4:2] #array([8,6]) 起始编号:终止编号(不包含):步长

多维数组:a = np.arange(24).reshape((2,3,4))array([[[0,1,2,3],        [4,5,6,7],        [8,9,10,11]],a?      [[12,13,14,15],       [16,17,18,19],       [20,21,22,23]]])
#索引a[1,2,3]  #23a[0,1,2]  #6a[-1,-2,-3] #17#数组的索引都是从0开始,每个维度用,分割#切片a[:,1,-3] #array([5,17])?所有维度下的索引1的内容的-3

a[:,1:3,:] ? #array([[[4,5,6,7], ? [8,9,10,11]], ?

       [[16,17,18,19],       [20,21,22,23]]])?#所有维度下的所有1-3 即4-11 和16-17
a[:,:,::2]#array([[[0,2],         [4,6],         [8,10]],?        [[12,14],        [16,18],        [20,22]]])?所有维度下的所有值的所有元素 步长为2

ps: 选取一个维度用‘ : ‘ 每个维度切片方法与一维数组相同 每个维度可以使用步长跳跃切片

ndarray数组的运算

数组与标量之间的运算作用于数组的每一个元素a.mean()平均值
NumPy一元函数对ndarray中的数据执行元素级运算的函数?np.abs(x)  np.fabs(x)  计算数组各元素的绝对值np.sqrt(x)             计算数组各元素的平方根np.square(x)           计算数组各元素的平方np.log(x) np.log10(x)  计算数组各元素的自然对数np.log2(x)             10底对数和2底对数np.ceil(x) np.floor(x) 计算数组各元素的ceiling的值或floor值ps:    ceiling:不超过元素的整数值           floor:小于这个元素的最大整数值
np.rint(x)             计算数组各元素的四舍五入值
np.modf(x)			   计算数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x) np.cosh(x)
np.sin(x) np.sinh(x)    计算数组各元素的普通型和双曲型三角函数
np.tan(x) np.tanh(x)
np.exp(x)				 计算数组各元素的指数值
np.sign(x)               计算数组各元素的符号值,1(+),0,-1(-)

矩阵拼接

#这里介绍一下矩阵拼接
In [1]: import numpy as np

In [2]: a = np.floor(10*np.random.random((2,2)))

In [3]: b = np.floor(10*np.random.random((2,2)))

In [4]: a
Out[4]:
array([[5., 1.],
       [5., 9.]])

In [5]: b
Out[5]:
array([[9., 1.],
       [2., 7.]])

In [6]: np.hstack((a,b))#调用 ndarray中的hstack方法进行行拼接
Out[6]:
array([[5., 1., 9., 1.],
       [5., 9., 2., 7.]])
In [7]: np.vstack((a,b))#调用 ndarray中的hstack方法进行列拼接
Out[7]:
array([[5., 1.],
       [5., 9.],
       [9., 1.],
       [2., 7.]])
#这里介绍矩阵的拆分

In [9]: import numpy as np

In [10]: a = np.floor(10*np.random.random((2,12)))

In [11]: a
Out[11]:
array([[6., 6., 8., 7., 2., 9., 6., 2., 6., 7., 7., 5.],
       [7., 5., 1., 0., 4., 0., 2., 0., 9., 8., 1., 0.]])

In [12]: np.hsplit(a,3)#平均拆分为3个数组
Out[12]:
[array([[6., 6., 8., 7.],
        [7., 5., 1., 0.]]), array([[2., 9., 6., 2.],
        [4., 0., 2., 0.]]), array([[6., 7., 7., 5.],
        [9., 8., 1., 0.]])]

In [13]: np.hsplit(a,(3,4))#从3,4开始拆分 分成三个数组 这里3,4自成一个数组
Out[13]:
[array([[6., 6., 8.],
        [7., 5., 1.]]), array([[7.],
        [0.]]), array([[2., 9., 6., 2., 6., 7., 7., 5.],
        [4., 0., 2., 0., 9., 8., 1., 0.]])]

In [14]: a = np.floor(10*np.random.random((2,12)))

#纵向拆分
In [16]: a = np.floor(10*np.random.random((12,2)))

In [17]: a
Out[17]:
array([[1., 1.],
       [3., 4.],
       [5., 5.],
       [7., 4.],
       [3., 8.],
       [7., 5.],
       [4., 7.],
       [2., 4.],
       [6., 7.],
       [6., 6.],
       [6., 3.],
       [6., 1.]])

In [18]: np.vsplit(a,3)
Out[18]:
[array([[1., 1.],
        [3., 4.],
        [5., 5.],
        [7., 4.]]), array([[3., 8.],
        [7., 5.],
        [4., 7.],
        [2., 4.]]), array([[6., 7.],
        [6., 6.],
        [6., 3.],
        [6., 1.]])]

In [19]: np.vsplit(a,(3,4))
Out[19]:
[array([[1., 1.],
        [3., 4.],
        [5., 5.]]), array([[7., 4.]]), array([[3., 8.],
        [7., 5.],
        [4., 7.],
        [2., 4.],
        [6., 7.],
        [6., 6.],
        [6., 3.],
        [6., 1.]])]

原文地址:https://www.cnblogs.com/pythonyeyu/p/10665566.html

时间: 2024-10-18 23:31:25

python数据分析NumPy入门的相关文章

Python数据分析 从入门到精通 视频教程 教学视频

课程简介: ----------------------课程目录------------------------------ Python数据分析篇第一部分. Python基础第一课:Python的概览--Python的基本介绍.安装与基本语法.变量类型与运算符第二课:了解Python流程控制--条件.循环语句与其他语句第三课:常用函数--函数的定义与使用方法.主要内置函数的介绍第四课:NumPy基础--数组的创建.组合与分割 第二部分 数据分析的准备第五课:了解数据--数据加载.储存与文件格式

python数据分析Numpy(二)

Numpy (Numerical Python) 高性能科学计算和数据分析的基础包: ndarray,多维数组(矩阵),具有矢量运算能力,快速.节省空间: 矩阵运算,无需循环,可以完成类似Matlab中的矢量运算: 线性代数.随机送生成: ndarray ,N维数组对象(矩阵) 所有元素必须是相同类型 ndim属性,维度个数 shape属性,各维度大小 dtype属性,数据类型 代码示例: import numpy # 生成指定维度的随机多维数据(两行三列) data = numpy.rando

Python数据分析-Numpy数值计算

Numpy介绍: NumPy是高性能科学计算和数据分析的基础包.它是pandas等其他各种工具的基础. NumPy的主要功能: 1)ndarray,一个多维数组结构,高效且节省空间 2)无需循环对整组数据进行快速运算的数学函数 3)读写磁盘数据的工具以及用于操作内存映射文件的工具 4)线性代数.随机数生成和傅里叶变换功能 5)用于集成C.C++等代码的工具 pyhton里面安装.引入方式: 安装方法:pip install numpy 引用方式:import numpy as np 创建数组:

Python数据分析-Numpy

Numpy特点 Numpy作为使用Python进行科学计算的常用库,有着如下特点: 提供了N维数组(矩阵),快速高效,矢量数学运算: 高效的Index,不需要循环,因为底层实现采用了C语言开发. 常见的数组和矩阵的方法 数组和矩阵的创建与维度信息 numpy.array() ## 数组的创建 vector = numpy.array([1,2,3,4]) ## 矩阵的创建 matrix = numpy.array([ [1,2,3], [4,5,6], [7,8,9] ]) shape ## 打

python 数据分析 Numpy(Numerical Python Basic)

# 导入numpy 模块 1 import numpy as np 10 a = np.random.random((2,4)) 11 a 12 Out[5]: 13 array([[0.20974732, 0.73822026, 0.82760722, 0.050551 ], 14 [0.77337155, 0.06521922, 0.55524187, 0.59209907]]) # 求矩阵所有数据的和,最小值,最大值 22 np.sum(a) 23 Out[7]: 3.8120575132

python数据分析numpy库学习

import numpy as np def asum(a_list,b_list,n1=2,n2=3): a = np.array(a_list) b = np.array(b_list) c = pow(a,n1) + pow(b,n2) return c a_lst = [1,2,3,4] b_lst = [2,3,4,5] print(asum(a_lst,b_lst)) #np.array()生成数据对象ndarray a = np.array([[1,2,3,4],[1,2,3,4]

Python数据分析之Numpy入门

目录 1.什么是numpy 2.安装numpy 3.n维数组对象 4.数组创建 5.数组维度 6.数组元素个数 7.数组元素数据类型 8.改变数组形状 9.数组索引和切片操作 10.数组转换与元素迭代 11.数组级联操作 12.数组数值舍入 13.数组数值添加 14.数组元素去重 15.常用数学函数 16.常用统计函数 17.矩阵运算 1.什么是numpy NumPy(Numerical Python)是Python语言中做科学计算的基础库.重在于数值计算,也是大部分Python科学计算库的基础

python入门、python数据分析(numpy、matplotlib、sklearn等)tensflow、爬虫、机器学习、深度学习、自然语言处理、数据挖掘、机器学习项目实战、python全栈、PHP、java、java web、openCV、hadoop、matlab、android、数据结构算法和刷题等教学视频

扫描二维码加好友购买视频,绝对优惠,谢谢支持. python入门和进阶熟练教学视频 入门: 进阶: python数据分析教学视频 python数据分析晋级班 tensorflow教程及实战 python爬虫教学 机器学习课程 深度学习课程 机器学习项目班 自然语言处理教学视频 python全栈教学视频 数据挖掘视频 PHP教学视频 java java web openCV教学视频 Hadoop教学视频 matlab教学 andriod教学视频 数据结构算法班及面试班 原文地址:https://w

Python数据分析入门

Python数据分析入门 最近,Analysis with Programming加入了Planet Python.作为该网站的首批特约博客,我这里来分享一下如何通过Python来开始数据分析.具体内容如下: 数据导入 导入本地的或者web端的CSV文件: 数据变换: 数据统计描述: 假设检验 单样本t检验: 可视化: 创建自定义函数. 数据导入 这是很关键的一步,为了后续的分析我们首先需要导入数据.通常来说,数据是CSV格式,就算不是,至少也可以转换成CSV格式.在Python中,我们的操作如