数据分析：单元1 NumPy库入门
其实在此之前，我是想学机器学习来着，无奈我的那点数据分析知识支撑不起，尤其是在看了李宏毅老师的课，我决定先来做这个专栏吧，本专栏是我根据北理工嵩天老师的慕课，二度总结的内容，你可以收藏把它当作一个遗忘时查询的文档，当然如果你初次接触，它也是一份相当不错的学习资料。很重要的建议就是在pc端查看，效果更好！！
内容导论
- 数据的维度：一维、二维、多维、高维。
- ndarry类型属性、创建和变换
| 属性 | 创建 | 变换 |
| .ndim | np.arange(n) | .reshape(shape) |
| .shape | np.ones(shape) | .resize(shape) |
| .size | np.zeros(shape) | .swapaxes(ax1,ax2) |
| .dtype | np.full(shape,val) | .flatten() |
| .itemsize | np.eye(n) | |
| np.ones_like(a) | ||
| np.zeros_like(a) | ||
| np.full_like(a,val) |
- 数组的索引和切片
- 数组的运算：一元函数、二元函数
数据的维度
从一个数据到一组数据
比如：3.14是一个数据表达一个含义；3.1404、3.1413、3.1398、3.1401、3.1378、3.1352是一组数据表达一个或多个含义
维度：一组数据的组织形式
接着上面的数据 3.1404、3.1413、3.1398、3.1401、3.1378、3.1352
它有以下组织形式：
"""
1、3.1404，3.1413，3.1398，3.1401，3.1378，3.1352
或是
2、3.1404，3.1413，3.13983.1401，3.1378，3.1352
"""一维数据
一维数据由对等关系的有序或无序数据构成，采用线性方式组织。
3.1404，3.1413，3.1398，3.1401，3.1378，3.1352
对应列表、数组和集合等概念。
列表和数组
一组数据的有序结构
区别
数组：数据类型相同
3.1413, 3.1398, 3.1404, 3.1401, 3.1349, 3.1376列表：数据类型可以不同
3.1413, 'pi', 3.1404, [3.1401, 3.1349], '3.1376'二维数据
二维数据由多个一维数据构成，是一维数据的组合形式。
表格是典型的二维数据，其中，表头是二维数据的一部分。
多维数据
多维数据由一维或二维数据在新维度上扩展形成
如图，原本的表它看的是二维，但结合不同年度的表格共同看在一起又添加了一个时间维度，所以它是三维的。
高维数据
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，如此键值对的方式。
{ “firstName” : “Tian” ,“lastName” : “Song” , “address” : { “streetAddr” : “中关村南大街5号” , “city” : “北京市” , “zipcode” : “100081” } , “prof” : [ “Computer System” , “Security” ] }数据维度的python表示
一维数据：列表和集合类型
[3.1398, 3.1349, 3.1376] 有序
{3.1398, 3.1349, 3.1376} 无序
二维数据：列表类型
多维数据：列表类型
[ [3.1398, 3.1349, 3.1376], [3.1413, 3.1404, 3.1401] ]
高维数据：字典类型或数据表示格式JSON、XML和YAML格式
dict = { “firstName” : “Tian”, “lastName” : “Song” }
NumPy的数组对象：ndarray
#####NumPy介绍######
它是一个开源的Python科学计算基础库，包含：
- 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。
我们知道Python已有列表类型，为什么需要一个数组对象(类型)？
在最开始时我也有这样的疑问，其实列表还是很好用的，但它仅仅适合于内容较少的编程。我们来看看这两段代码：
def npSum():a = [0, 1, 2, 3, 4]b = [9, 8, 7, 6, 5]c=[]for i in range(len(a)):c.append(a[i] ** 2 + b[i] ** 3)return cprint(npSum())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
import numpy as npdef npSum():a=np.array([0,1,2,3,4])b=np.array([9,8,7,6,5])c = a**2 + b**2return c
print(npSum())它们都会得到：[729, 513, 347, 225, 141]
- 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；
- 在科学计算中，一个维度所有数据的类型往往相同；
- 数组对象采用相同的数据类型，有助于节省运算和存储空间；
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类型相同，数组下标从0开始。
接下来，我们进入正题：
ndarray的运用
In [14]:a=np.array([[0,1,2,3,4],... [5,6,7,8,9]])
In [15]: a
Out[15]:
array([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])
In [16]:print(a)
Out[15]:
[[0 1 2 3 4][5 6 7 8 9]]np.array()输出成[]形式，元素由空格分割，轴(axis): 保存数据的维度；秩(rank)：轴的数量。
ndarray对象的属性
| 属性 | 说明 |
|---|---|
| .ndim | 秩，即轴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对象的元素类型 |
| .itemsize | ndarray对象中每个元素的大小，以字节为单位 |
In [19]:a=np.array([[0,1,2,3,4],... [5,6,7,8,9]])
In [20]:a.ndim
Out[20]: 2In [21]:a.shape
Out[21]: (2, 5)In [22]:a.size
Out[22]: 10In [23]:a.dtype
Out[23]: dtype('int32')In [24]:a.itemsize
Out[24]: 4ndarray数组的元素类型
| 数据类型 | 说明(1) |
|---|---|
| bool | 布尔类型，True或False |
| intc | 与C语言中的int类型一致，一般是int32或int64 |
| intp | 用于索引的整数，与C语言中ssize_t一致，int32或int64 |
| int8 | 字节长度的整数，取值：[‐128, 127] |
| int16 | 16位长度的整数，取值：[‐32768, 32767] |
| int32 | 32位长度的整数，取值：[‐2**31, 2**31‐1] |
| int64 | 64位长度的整数，取值：[‐2**63, 2**63‐1] |
| 数据类型 | 说明(2) |
|---|---|
| uint8 | 8位无符号整数，取值：[0, 255] |
| uint16 | 16位无符号整数，取值：[0, 65535] |
| uint32 | 32位无符号整数，取值：[0, 2**32‐1] |
| uint64 | 64位无符号整数，取值：[0, 2**64‐1] |
| float16 | 16位半精度浮点数：1位符号位，5位指数，10位尾数 |
| float32 | 32位半精度浮点数：1位符号位，8位指数，23位尾数 |
| float64 | 64位半精度浮点数：1位符号位，11位指数，52位尾数 |
| 数据类型 | 说明(3) |
|---|---|
| complex64 | 复数类型，实部和虚部都是32位浮点数 |
| complex128 | 复数类型，实部和虚部都是64位浮点数 |
如上，ndarray有很多的数据类型。
与Python语法相比，其仅支持整数、浮点数和复数3种类型
- 科学计算涉及数据较多，对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；
- 对元素类型精细定义，有助于程序员对程序规模有合理评估；
在这里，我们需要提到非同质的ndarray对象，它无法有效发挥NumPy优势，应当尽量避免使用。
In [27]: x=np.array([[0,1,2,3,4],...: [5,6,7,8]])...:
In [28]: x.shape
Out[28]: (2,)In [29]: x.dtype
Out[29]: dtype('O')In [30]: x
Out[30]: array([list([0, 1, 2, 3, 4]), list([5, 6, 7, 8])], dtype=object)In [31]: x.itemsize
Out[31]: 8In [32]: x.size
Out[32]: 2ndarray数组的创建
创建方法：
- 从Python中的列表、元组等类型创建ndarray数组
- 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
- 从字节流（raw bytes）中创建ndarray数组
- 从文件中读取特定格式，创建ndarray数组
(1) 从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/tuple)
#或是
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
| 函数 | 说明 |
|---|---|
| np.arange(n) | 类似range()函数，返回ndarray类型，元素从0到n‐1 |
| np.ones(shape) | 根据shape生成一个全1数组，shape是元组类型 |
| np.zeros(shape) | 根据shape生成一个全0数组，shape是元组类型 |
| np.full(shape,val) | 根据shape生成一个数组，每个元素值都是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.ones_like(a) | 根据数组a的形状生成一个全1数组 |
| np.zeros_like(b) | 根据数组b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，每个元素值都是val |
(3) 使用NumPy中其他函数创建ndarray数组
| 函数 | 说明 |
|---|---|
| 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 |
在这里，endpoint=False指的是最后一个数10不可取。
ndarray数组的变换
对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换。
(1) ndarray数组的维度变换
| 方法 | 说明 |
|---|---|
| .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 |
(2) ndarray数组的类型变换
astype()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。
除此之外，还可以通过ls = a.tolist()方法将ndarray数组向列表的转换。
ndarray数组的操作
数组的索引和切片
索引：获取数组中特定位置元素的过程
切片：获取数组元素子集的过程
- 一维数组的索引和切片：与Python的列表类似
- 多维数组的索引：
- 多维数组的切片：
有 “:” 时，我们就把他当作不考虑这个维度。
ndarray数组的运算
数组与标量之间的运算
数组与标量之间的运算作用于数组的每一个元素
一元函数
| 函数 | 说明 |
|---|---|
| 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) np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
| np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值或floor值 |
| np.rint(x) | 计算数组各元素的四舍五入值 |
| np.modf(x) | 将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.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) np.exp(x) | 计算数组各元素的普通型和双曲型三角函数 |
| 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(‐) |
二元函数
| 函数 | 说明 |
|---|---|
| + ‐* / ** | 两个数组各元素进行对应运算 |
|
np.maximum(x,y) np.fmax() np.minimum(x,y) np.fmin() |
元素级的最大值/最小值计算 |
| np.mod(x,y) | 元素级的模运算 |
| np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
| > < >= <= == != | 算术比较，产生布尔型数组 |
对ndarray中的数据执行元素级运算的函数。
数据分析：单元1 NumPy库入门相关推荐
- python数据展示库_数据分析与展示——Matplotlib库入门
Matplotlib库入门 Matplotlib库介绍 Matliotlib库是Python优秀的数据可视化第三方库. Matliotlib库的效果见:http://matplotlib.org/ga ...
- $python数据分析基础——初识numpy库
numpy库是python的一个著名的科学计算库,本文是一个quickstart. 引入:计算BMI BMI = 体重(kg)/身高(m)^2 假如有如下几组体重和身高数据,让求每组数据的BMI值: ...
- python数据分析基础之Numpy库详解（一）
Numpy库基础 安装numpy库 numpy介绍 Numpy数组对象 创建多维数组 获取数组中的元素 Numpy数据类型 数据类型对象 Numpy字符编码 自定义数据类型 dtype类的属性 创建自 ...
- Python数据分析与展示 第一章 Numpy库入门
数据的维度 维度:一组数据的组织形式 一维数据 一维数据由对等关系的有序或无序数据构成,采用线性方式组织 3.1413, 3.1398, 3.1404, 3.1401, 3.1349, 3.1376 ...
- 第三周 数据分析之概要 Pandas库入门
Pandas库介绍: Pandas库引用:Pandas是Python第三方库,提供高性能易用数据类型和分析工具 import pandas as pd Pandas基于NumPy实现,常与NumPy和 ...
- NumPy库入门教程：基础知识总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 numpy可以说是Python运用于人工智能和科学计算的一个重要基 ...
- 第二周 数据分析之展示 Matplotlib库入门
Matplotlib库介绍:优秀的数据可视化第三方库 使用:Matplotlib库由各种可视化类构成,内部结构复杂,受Matlab启发,matplotlib.pyplot是绘制各类可视化图形的命令子库 ...
- python数据分析与展示--Pandas库入门
一.Pandas库的引用 Pandas是python第三方库,通过了高性能易用的数据类型和分析工具;Pandas库包含了Series,DataFrame两个数据类型,基于这两个数据类型可以实现基本,运 ...
- [转载] [转载] python中的Numpy库入门
参考链接: Python中的numpy.ones_like 参考链接: Python中的numpy.full_like 目录 N维数组对象: ndarray引例ndarray对象的属性ndarray数 ...
最新文章
- software engineering interview domain
- Java菜鸟教程math类_Java Number Math 类
- 关于真正免费的嵌入式GUI
- C#设计模式之12-代理模式
- MyBatis框架 注解
- 在文件编辑器中添加dock菜单项_将应用程序添加到Mac 的Dock的简便方法
- 世界服务器系统竞赛,他们为何对ASC世界大学生超算竞赛情有独钟？
- 俞昆20155335《网络对抗》MSF基础应用
- C语言_【学习笔记】二元一次方程的虚根
- php 判断百度蜘蛛抓取,判断百度蜘蛛偷偷进行转移权重301，给新站提权
- 如何通过一根网线连接两台电脑,实现数据的传输?
- RHEL5配置Samba服务器实现文件共享
- 教你如何提取Window系统蓝屏日志
- [转载]JS和AS交互 作者：ludanlove
- python中面向对象的思想汇报_python试卷
- SNTP获取时间源统一时间
- 微信什么时候支持鸿蒙,若微信只支持鸿蒙抛弃安卓，结果如何？别傻了，腾讯不会“作死”...
- 从几何角度全新理解线性代数
- Java坚挺 PHP要完？TIOBE最新榜单公布
- 远程桌面连接时打不开计算机等,远程桌面打不开。怎么办？