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
- 创建自定义数据类型

安装numpy库

直接安装：

pip install numpy

换源安装

pip install numpy -i https://pypi.douban.com/simple

或者使用python集成环境anaconda进行安装

numpy介绍

NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能

Numpy数组对象

numpy中主要操作的对象就是多维数组(ndarray)，该数组由两部分组成：

实际的数据
描述这些数据的元数据

而大部分的数组操作仅仅修改元数据部分，而不是修改底层的实际数据

NumPy中的数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有元素类型必须是一致的。这样有一个好处：如果我们知道数组中的元素均为同一类型，该数组所需的存储空间就很容易确定下来

与Python中一样，NumPy数组的下标也是从0开始的。数组元素的数据类型用专门的对象表示
我们使用numpy中的arange函数创建数组，并获取其数据类型

import numpy as np
one_arr=np.arange(5)
one_arr.dtype

数组one_arr的数据类型为int32（在我的机器上是这样），当然如果你使用64位的Python，得到的结果可能是int64。不论是哪种情形，该数组的数据类型都是整数（64位或32位）。除了数据类型，数组的维度也是重要的属性

上述例子演示了怎样创建一个向量（即一维的NumPy数组）。向量在数学中很常用，但
大部分情况下，我们需要更高维的对象。先来确定一下刚刚所创建向量的维度：

one_arr.shape

上图所示：这是一个包含5个元素的向量，取值分别为0~4的整数。数组的shape属性返回一个元组（tuple），元组中的元素即为NumPy数组每一个维度上的大小。上面例子中的数组是一维的，因此元组中只有一个元素

创建多维数组

我们已经知道如何创建向量，现在可以试着创建多维的NumPy数组，并查看其维度

创建多维数组

two_arr=np.array([np.arange(2),np.arange(2)])
two_arr

查看其维度

two_arr.shape

在上面，我们将arange函数创建的数组作为列表元素，把这个列表作为参数传给array函数，从而创建了一个2×2的数组，而且没有出现任何报错信息
array函数可以依据给定的对象生成数组。给定的对象应是类数组，如Python中的列表。在上面的例子中，我们传给array函数的对象是一个NumPy数组的列表。像这样的类数组对象是array函数的唯一必要参数，其余的诸多参数均为有默认值的可选参数

获取数组中的元素

在这里我们就使用上面创建的two_arr二维数组进行演示
在创建这个多维数组时，我们给array函数传递的对象是一个嵌套的列表。现在来依次选取该数组中的元素。记住，数组的下标是从0开始的

a=two_arr[0,0]
a

上述就是从数组中或取元素。对于数组two_arr来说，只需要用two_arr[m,n]选取各数组元素，其中m和n为元素下标，对应的位置如下表所示:

Numpy数据类型

Python支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此NumPy添加了很多其他的数据类型。在实际应用中，我们需要不同精度的数据类型，它们占用的内存空间也是不同的。在NumPy中，大部分数据类型名是以数字结尾的，这个数字表示其在内存中占用的位数
如下图所示

类型	描述
bool	用一位存储的布尔类型（值为TRUE或FALSE）
inti	由所在平台决定其精度的整数（一般为int32或int64）
int8	整数，范围为-128至127
int46	整数，范围为-32768至32767
int32	整数，范围为-2³¹至2³¹-1
int64	整数，范围为-2⁶³至2⁶³-1
uint8	无符号整数，范围为0至255
uint16	无符号整数，范围为0至65535
uint32	无符号整数，范围为0至2³²-1
uint64	无符号整数，范围为0至2⁶⁴-1
float16	半精度浮点数（16位）：其中用1位表示正负号，5位表示指数，10位表示尾数
float32	半精度浮点数（32位）：其中用1位表示正负号，8位表示指数，23位表示尾数
float64或float	半精度浮点数（64位）：其中用1位表示正负号，11位表示指数，52位表示尾数
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex128或complex64	复数，分别用两个64位浮点数表示实部和虚部

每一个数据类型均有对应的类型转换函数：
上述即为一部分numpy的数据类型转换函数
在NumPy中，许多函数的参数中是可以指定数据类型，通常这个参数是可选的：

arr=np.arange(7,dtype=np.uint16)

需要注意的是，复数是不能转换为整数的，这将触发TypeError错误：
同样，复数也不能转换为浮点数。不过，浮点数却可以转换为复数，注意，有j的部分为复数的虚部

数据类型对象

数据类型对象是numpy.dtype类的实例。如上所述，NumPy数组是有数据类型的，更确切地说，NumPy数组中的每一个元素均为相同的数据类型。数据类型对象可以给出单个数组元素在内存中占用的字节数，即dtype类的itemsize属性：

two_arr.dtype.itemsize
two_arr.dtype

Numpy字符编码

NumPy可以使用字符编码来表示数据类型，这是为了兼容NumPy的前身Numeric。不推荐使用字符编码，但有时会用到，因此在下面还是列出了字符编码的对应表。我们在使用Numpy时应该优先使用dtype对象来表示数据类型，而不是这些字符编码

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
unicode字符串	U
void （空）	V

下面使用字符编码出创建numpy数组：
创建一个单精度浮点数数组：

a=np.arange(7,dtype='f')

也可创建一个复数数组

a=np.arange(7,dtype='D')

自定义数据类型

有很多种自定义数据类型的方法，以浮点型为例：

可以使用Python中的浮点数类型：

np.dtype(float)

可以使用字符编码来指定单精度浮点数类型:

np.dtype('f')

可以使用字符编码来指定双精度浮点数类型：

np.dtype('d')

还可以将两个字符作为参数传给数据类型的构造函数。此时，第一个字符表示数据类型，第二个字符表示该类型在内存中占用的字节数（2、4、8分别代表精度为16、32、64位的浮点数）：

np.dtype('f8')

完整的Numpy数据类型列表可以在sctypeDict.keys()中找到：

np.sctypeDict.keys()

dtype类的属性

dtype类有很多有用的属性。例如，我们可以获取数据类型的字符编码：

a=np.dtype('f8')
a.char

type属性对应于数组元素的数据类型：

a.type

str属性可以给出数据类型的字符串表示，该字符串的首个字符表示字节（endianness），后面如果还有字符的话，将是一个字符编码，接着一个数字表示每个数组元素存储所需的字节数。这里，字节序是指位长为32或64的字（word）存储的顺序，包括大端（bigendian）和小端序（little-endian）。大端序是将最高位字节存储在最低的内存地址处，用>表示；与之相反，小端序是将最低位字节存储在最低的内存地址处，用<表示：

a.str

创建自定义数据类型

自定义数据类型是一种异构数据类型，可以当做用来记录电子表格或数据库中一行数据的结构。作为示例，我们将创建一个学生信息的数据类型。其中，我们用一个长度40个字符的字符串来记录学生名称，用一个32位的整数来记录学生的年龄，最后用个32位的单精度浮点数来记录学生的身高。下面是具体的步骤：
创建数据类型：

t = np.dtype([('name', np.str_, 40), ('age', np.int32), ('height',np.float32)])
t

查看数据类型（也可以查看某一字段的数据类型） :

t['age']

在用array函数创建数组时，如果没有在参数中指定数据类型，将默认为浮点数类型。而现在，我们想要创建自定义数据类型的数组，就必须在参数中指定数据类型，否则将触发TypeError错误：

student=np.array([('ycx',18,165.6),('fbl',22,188.8)],dtype=t)
student[1]

python数据分析基础之Numpy库详解（一）相关推荐

$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数据分析常用函数及参数详解，可以留着以备不时之需
利用Python进行数据分析最核心的库就是Pandas,可以说,掌握了Pandas库,Python数据分析就属于中阶水平了. 在<一次简单.完整的全流程数据分析,让我们不再害怕Python &g ...
PySpark 数据分析基础：PySpark 原理详解
一.基础原理我们知道 spark 是用 scala 开发的,而 scala 又是基于 Java 语言开发的,那么 spark 的底层架构就是 Java 语言开发的.如果要使用 python 来进行与 ...
java基础_题库详解
删除线格式 # 1 JDK和JRE有什么区别? JRE:Java Runtime Environment( java 运行时环境).即java程序的运行时环境,包含了 java 虚拟机,java基础类 ...
python数据分析基础教程 numpy 2pdf_Python数据分析基础教程：NumPy学习指南（第2版）...
领取成功您已领取成功! 您可以进入Android/iOS/Kindle平台的多看阅读客户端,刷新个人中心的已购列表,即可下载图书,享受精品阅读时光啦! - | 回复不要太快哦~ 回复内容不能为空哦 ...
python怎样快速下载库_Python如何急速下载第三方库详解
前言 pip 是一个现代的,通用的 Python 包管理工具 ,是一个安装第三方库必备的工具,提供了对Python 包的查找.下载.安装.卸载的功能.但是在国内使用有很多因素的限制,一个3.4M的库 ...
Python机器学习基础之Matplotlib库的使用
声明:代码的运行环境为Python3.Python3与Python2在一些细节上会有所不同,希望广大读者注意.本博客以代码为主,代码中会有详细的注释.相关文章将会发布在我的个人博客专栏<Pyth ...
python gpu加速库比matlab快吗_Python之Unittest和Requests库详解
1.按类来执行 import unittest class f1(unittest.TestCase): def setUp(self): pass def tearDown(self): pass ...
Python 数据分析三剑客之 NumPy（六）：矩阵 / 线性代数库与 IO 操作
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...