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]])
print(type(a)) #<class ‘numpy.ndarray‘>
print(a)
print(a.ndim)#轴数
print(a.shape) #(2,4)2行4列
print(a.size) #总元素数
print(a.itemsize) #元素大小
print(a.dtype) #int32,元素类型

print(np.arange(10))
print(np.ones((3,3),dtype=np.float32)) #生成三行三列都是1的矩阵
print(np.ones([4,3],dtype=np.int32)) #同上4行3列,列表类型参数也行
print(np.zeros((2,3))) #两行三列0
print(np.full((3,3),6)) #3行3列都是6
print(np.eye(6)) #对角线是1,6行6列方形矩阵
#生成多维数组
print(np.ones((2,3,4),dtype=np.int32)) 

#模仿列表形状生成都为0的矩阵
print(np.zeros_like([[2,3,4,5],[3,4,5,6],[0,0,0,0]]))
#模仿列表形状生成都为1的矩阵
print(np.ones_like([[2,3,4,5],[3,4,5,6],[0,0,0,0]]))
#模仿列表形状生成都为10的矩阵
print(np.full_like([[2,3,4,5],[3,4,5,6],[0,0,0,0]],10))
#生成四个元素起点1终点10,平均分成三块
print(np.linspace(1,10,4))
#不包含10的四个元素,就需要将蛋糕分成四块
print(np.linspace(1,10,4,endpoint=False))
#将两个数组合并
a = np.linspace(1,10,4)
b = np.linspace(1,10,4,endpoint=False)
c = np.concatenate((a,b))
print(c) #[ 1.    4.    7.   10.    1.    3.25  5.5   7.75]
#reshape
a = np.ones((2,3,4),dtype=np.int32)
print(a)
c = a.reshape((3,8)) #不改变原数组
print(c)
print(a)
a.resize((3,8)) #改变原数组a
print(a)
#fatten降维数组
a.flatten()
print(a) #没改变
d = a.flatten() #在新数组基础上修改的
print(d) 

#astype()数组元组类型转换
a = np.ones((2,3,4),dtype=np.int)
print(a)
b = a.astype(np.float) #复制新数据然后改变类型
print(b)

#数据向列表转换.tolist()
a = np.full((2,3,4),25,dtype = np.int32 )
print(a)
print(a.tolist()) #在新数组基础上改变
print(a)#原数组不变

#数组切片
a = np.array([1,2,3,4,5,6])
print(a[2])
print(a[1:4:2]) #起始编号都不包含

a = np.arange(24)
print(a)
a.resize((3,2,4))
print(a)
print(a[2,1,3]) #最外第3行,内部2行,里面第4个元素
print(a[-2,-1,-3])
print(a[:,1,-3])
print(a[:,1:2,:])
print(a[:,:,::2])

b = np.arange(48).reshape(3,4,4)
print(b)
#矩阵的平均值
print(a.mean())
print(np.arange(2).mean()) #0.5
#a除以平均值
a = a / a.mean()
print(a)

#一元函数,平方
a = np.arange(24).reshape(2,3,4)
print(a)
a = np.square(a)
print(a)

#平方根
a = np.arange(24).reshape(2,3,4)
a = np.sqrt(a)
print(a)
#整数和小数部分剥离
print(np.modf(a)) #两个矩阵,第一个矩阵是小数部分,第二个矩阵是整数部分

#二元函数实例,两个矩阵
a = np.arange(24).reshape(2,3,4)
b = np.sqrt(a)
print(a)
print(b)
print(np.maximum(a,b)) #两个矩阵数据类型不同,取浮点型
print(a>b)

原文地址:https://www.cnblogs.com/chxb/p/11517994.html

时间: 2024-11-06 11:18:25

python数据分析numpy库学习的相关文章

python之cmd库学习

一:cmd介绍 引用python的官方文档 The cmd class provides a simple framework for writing line-oriented command interpreters.  These are often useful for test harnesses, administrative tools, and prototypes that will later be wrapped in a more sophisticated interf

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 nd

python numpy库学习

1.numpy.floor(a) 返回大于元素的最小整数 a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0]) np.floor(a) array([-2., -2., -1., 0., 1., 1., 2.]) 2.np.linspace(0,20,100)返回0到20之间的100个点的数组 3.hist,bin_edges=np.histogram(a, bins)注意这个函数产生的不一定正好所有的hist相加的和为1,因为bins的组距不

python,numpy库学习ndarray,narray

我将所有的常用numpy操作都写在ipython notebook中, 方便大家参考

Python数据分析之pandas学习

Python中的pandas模块进行数据分析. 接下来pandas介绍中将学习到如下8块内容:1.数据结构简介:DataFrame和Series2.数据索引index3.利用pandas查询数据4.利用pandas的DataFrames进行统计分析5.利用pandas实现SQL操作6.利用pandas进行缺失值的处理7.利用pandas实现Excel的数据透视表功能8.多层索引的使用 一.数据结构介绍 在pandas中有两类非常重要的数据结构,即序列Series和数据框DataFrame.Ser

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 html.parser库学习小结

分类路径:/Datazen/DataMining/Crawler/ 前段时间,一朋友让我做个小脚本,抓一下某C2C商城上竞争对手的销售/价格数据,好让他可以实时调整自己的营销策略.自己之前也有过写爬虫抓某宝数据的经历,实现的问题不大,于是就答应了.初步想法是利用pyhton中的urllib.request和re两个lib(本文示例用的是Pyhton 3.4 ,2.x的请自行切换),外加上其他的统计分析功能的话,最多两个晚上(白天要工作)可以搞定.实际上做的过程中,遇到了两个主要困难: (1)电商

python之numpy库

一.numpy概述 numpy(Numerical Python)提供了python对多维数组对象的支持:ndarray,具有矢量运算能力,快速.节省空间.numpy支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库. 二.创建ndarray数组 ndarray:N维数组对象(矩阵),所有元素必须是相同类型. ndarray属性:ndim属性,表示维度个数:shape属性,表示各维度大小:dtype属性,表示数据类型. 创建ndarray数组函数: 三.指定ndarray数

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