数据分析之Numpy

Array数组：
- 相关程序运行如下：
索引与切片：与python大同小异，还是从0开始
- 相关程序运行如下：
数值运算--array数组
- 相关程序运行如下：
排序操作：
- 相关程序运行如下：
数组形状操作
- 相关程序运行如下：
数组的连接：
- 相关程序运行如下：
数组生成--构造出来一个数组
- 相关程序运行如下：
- *一切都在变好的路上*
- - 1、熬夜
  - 2、没有节制地书刷手机
  - 3、相对于刷短视频
  - 4、不断地缅怀过去
  - 5、反复拖延
  - 6、不懂得拒绝
  - 7、为了合群而合群
  - 8、尽量“解决”以上“问题”...
- 每日一言：
- - 持续更新中...

个人昵称：lxw-pro
个人主页：欢迎关注我的主页
个人感悟： “失败乃成功之母”，这是不变的道理，在失败中总结，在失败中成长，才能成为IT界的一代宗师。

Array数组：

# 对于ndarray结构老说，里面所有的 元素必须是同一类型的，如果不是的话，会自动的向下进行转换。
import numpy as nplxw = [1, 2, 3, 4, 5]
lxw2 = np.array([1, 2, 3, 4, 5])
print(lxw2)
print(type(lxw2))lxw3 = lxw2 + 1
print(lxw2)
print(lxw3)
print(lxw3+lxw2)print(lxw3[3])
print(lxw3.shape)lxw4 = np.array([[1, 3, 5],[2, 4, 6]
])
print(lxw4)# 类型
print(lxw4.dtype)print(lxw4.itemsize)# 数组个数
print(lxw4.size)# 维度
print(lxw4.ndim)# 以0填充
lxw4.fill(0)
print(lxw4)

索引与切片：与python大同小异，还是从0开始

lxw_array = np.array(lxw)
print(lxw_array[0])print(lxw_array[1:4])print(lxw_array[-3:])# 矩阵格式【即多维的形式】
lxw_array2 = np.array([[9, 8, 7],[6, 5, 4],[3, 2, 1]
])print(lxw_array2)# 几行几列
print(lxw_array2.shape)# 数组个数
print(lxw_array2.size)# 维度几维
print(lxw_array2.ndim)# 取矩阵行
print(lxw_array2[1])# 取矩阵列
print(lxw_array2[:, 1])# 取第二行的第一二个
print(lxw_array2[1, 0:2])# 修改矩阵最中间的数
lxw_array2[1, 1] = 20
print(lxw_array2)# 复制矩阵
lxw_array3 = lxw_array2.copy()
print(lxw_array3)# 修改复制矩阵最中间的数
lxw_array3[1, 1] = 52
print(lxw_array3)gs = np.arange(0, 100, 10)
print(gs)mask = np.array([0, 1, 1, 0, 0, 1, 0, 1, 0, 1], dtype=bool)
print(mask)print(gs[mask])ran_arr = np.random.rand(8)
print(ran_arr)mask = ran_arr > 0.5
print(mask)sz = np.array([12, 23, 34, 45, 56])
print(sz > 36)# 大于该数的为True，反之，则是False
print(np.where(sz > 36))# 字节个数
print(sz.nbytes)# 整数，小数，字符同时存在
sz2 = np.array([1, 23, 6.2, 'str'], dtype=np.object)
print(sz2)
print(sz2*2)# 转化为浮点型
sz3 = np.asarray(sz, dtype=np.float32)
print(sz3)# 法2（上）
sz3 = sz.astype(np.float32)
print(sz3)

数值运算–array数组

szjs = np.array([[5, 2, 0],[1, 3, 2]
])# 数组内全数相加
print(np.sum(szjs))# 指定要进行的操作是沿着什么轴（维度）
# 列加：
print(np.sum(szjs, axis=0))# 法二（同上）：
lj = szjs.sum(axis=0)
print(lj)# 行加：
print(np.sum(szjs, axis=1))# 法二（同上）：
hj = szjs.sum(axis=1)
print(hj)# 列乘：
lc = szjs.prod(axis=0)
print(lc)# 行乘：
hc = szjs.prod(axis=1)
print(hc)# szjs当中最小值：
zxz = szjs.min()
print(zxz)# 哪个位置的数最小
argx = szjs.argmin()
print(argx)# 列最小值：
lzxz = szjs.min(axis=0)
print(lzxz)# 行最小值：
hzxz = szjs.min(axis=1)
print(hzxz)# szjs当中最大值
zdz = szjs.max()
print(zdz)# 哪个位置的数最大
argd = szjs.argmax()
print(argd)# 列最大值：
lzdz = szjs.max(axis=0)
print(lzdz)# 行最大值：
hzdz = szjs.max(axis=1)
print(hzdz)largd = szjs.argmax(axis=0)
print(largd)hargd = szjs.argmax(axis=1)
print(hargd)largx = szjs.argmin(axis=0)
print(largx)largx = szjs.argmin(axis=1)
print(largx)# 均值：
jz = szjs.mean()
print(jz)# 列均值：
ljz = szjs.mean(axis=0)
print(ljz)# 行均值：
hjz = szjs.mean(axis=1)
print(hjz)# 标准差:
bzc = szjs.std()
print(bzc)# 列标准差：
lbzc = szjs.std(axis=0)
print(lbzc)# 行标准差：
hbzc = szjs.std(axis=1)
print(hbzc)# 方差：
fc = szjs.var()
print(fc)# 列方差
lfc = szjs.var(axis=0)
print(lfc)# 行方差
hfc = szjs.var(axis=1)
print(hfc)# 限制,大于该数的用指定最大数表示，反之也一样【在区间内的不用管】
xz = szjs.clip(0, 3)
print(xz)# 小数四舍五入成整数
xsz = np.array([2.6, 1.46, 8.41])
print(xsz.round())# 四舍五入中指定小数点
print(xsz.round(decimals=1))

排序操作：

pxsz = np.array([[3, 8, 2],[9, 4, 1],[3, 9, 1]
])
# 默认axis=1排序
print(np.sort(pxsz))print(np.sort(pxsz, axis=0))# 行逆转
print(np.sort(pxsz)[::-1])# 排序前的位置
wz = np.argsort(pxsz)
print(wz)# 插数
pxarr = np.linspace(0, 10, 8)
print(pxarr)xszz = np.array([5.2, 6.6, 8.9])
print(np.searchsorted(pxarr, xszz))

数组形状操作

larr = np.arange(10)
print(larr)print(larr.shape)larr.shape = 2, 5
print(larr)# 仔细感受其间的区别：
res = larr.reshape(1, 10)
print(res)
print(res.shape)res2 = res[np.newaxis, :]
print(res2)
print(res2.shape)res3 = res[:, np.newaxis]
print(res3)
print(res3.shape)res4 = res[:, np.newaxis, np.newaxis]
print(res4)
print(res4.shape)# 压缩：
res5 = res4.squeeze()
print(res5)# 转置列行：
print(larr.transpose())# 法二（同上）：
print(larr.T)

数组的连接：

lj1 = np.array([[213, 324, 543],[23, 65, 865]
])lj2 = np.array([[343, 654, 234],[54, 75, 54]
])# 列拼接：
llj = np.concatenate((lj1, lj2))
print(llj)llj2 = np.vstack((lj1, lj2))
print(llj2)# 行拼接：
hlj = np.concatenate((lj1, lj2), axis=1)
print(hlj)hlj2 = np.hstack((lj1, lj2))
print(hlj2)# 拉平：
lp = hlj.flatten()
print(lp)lp2 = llj.ravel()
print(lp2)

数组生成–构造出来一个数组

sz1 = np.array([5, 2, 0])
print(sz1)sz2 = np.arange(10)
print(sz2)sz3 = np.arange(2, 20, 2)
print(sz3)sz4 = np.arange(2, 20, 2, dtype=np.float32)
print(sz4)# 区间内构造n个数：
gzs = np.linspace(0, 8, 20)
print(gzs)# 默认是以10为底的
s = np.logspace(0, 1, 5)
print(s)x = np.linspace(-10, 10, 5)
print(x)y = np.linspace(-10, 10, 5)
print(y)# 构造网格：
x, y = np.meshgrid(x, y)
print(x)
print(y)hxl = np.r_[0:10:1]
print(hxl)lxl = np.c_[0:10:1]
print(lxl)# 更常用的zeros、ones
oo = np.zeros(3)
print(oo)oo0 = np.zeros((3, 3))
print(oo0)oo1 = np.ones((3, 3))
print(oo1)oo8 = np.ones((3, 3)) * 8
print(oo8)oo5 = np.ones((3, 3), dtype=np.float32)
print(oo5)k = np.empty(6)
print(k)k.fill(1)
print(k)o = np.ones_like(sz1)
print(o)# 构造矩阵：
print(np.identity(5))

一切都在变好的路上

1、熬夜

很多人以为熬夜只是影响作息，伤害身体。
事实上，它也在慢慢偷走你的时间。
为什么周末的时间过得这么快，
这是因为你昨晚熬夜，导致起床晚，错过了美好的早晨。
【醒来的时候都快中午了】

2、没有节制地书刷手机

现代人已经离不开手机了。路上、候车、吃饭，无论男女老少，每个人都随处可见地刷着手机。
短视频真的很精彩，在你欲罢不能时，已有大把时间从你手中溜走了。

3、相对于刷短视频

沉迷于游戏更可怕。
因为丢掉的不止是时间，
它可能已经同时影响到了你的工作或学习。

4、不断地缅怀过去

纠结过去的某件错事，
在脑海中一遍遍地批判自己。
时间长了，思想负担。
像滚雪球一样越滚越大。
要尝试放过自己，
别用现在的标准来要求以前的自己，
过去的就让它过去吧，
每一天都是崭新的，
做人就应该要往前看。

5、反复拖延

今天的事推明天，明天的推到后天。
72小时定律告诉我们，
当你决定做一件事，
如果72小时内没有做，
那你做这件事的几率趋近于零。
拖延症是破坏我们计划的最大敌人，
但实际上它又是一场与自己的博弈。
所以我们需要培养自己的执行力，
每一次果断，每一次行动，
都是打败那个在干扰你的敌人。

6、不懂得拒绝

这类人有一个明显得特征，
不知道自己时间的宝贵，
对别人有求必应。
平时帮别人做一些小事，
结果往往不但没有落得好名声，
还费力不讨好。

7、为了合群而合群

盲目地区融入不适合自己的圈子。
看似成群结队，受人欢迎了，
其实是在浪费时间，
放弃提升自己的机会。
千万别等着别人过上理想生活时，
才后悔为什么没有早点努力！

8、尽量“解决”以上“问题”…

每日一言：

把寄予他人的希望收回来放在自己身上，倒也温馨。

持续更新中…

点赞，你的认可是我创作的动力！
收藏，你的青睐是我努力的方向！
评论，你的意见是我进步的财富！
关注，你的喜欢是我长久的坚持！

欢迎关注微信公众号【程序人生6】，一起探讨学习哦！！！

【数模之数据分析-1】相关推荐

【数模整理3】数据分析那些事儿——回归分析
回归分析是什么? 回归是一种数据分析方法,研究两个或多个变量之间的关系.不同于上一篇所讲的相关分析,回归分析能确定Y与X间的定量关系表达式(回归方程),因此,它可以揭示各个X对Y的影响程度大小帮助 ...
Python数模笔记-Sklearn（2）聚类分析
1.分类的分类分类的分类?没错,分类也有不同的种类,而且在数学建模.机器学习领域常常被混淆. 首先我们谈谈有监督学习(Supervised learning)和无监督学习(Unsupervised ...
Python数模笔记-StatsModels 统计回归（2）线性回归
1.背景知识 1.1 插值.拟合.回归和预测插值.拟合.回归和预测,都是数学建模中经常提到的概念,而且经常会被混为一谈. 插值,是在离散数据的基础上补插连续函数,使得这条连续曲线通过全部给定的离散数 ...
Python小白的数学建模课-A3. 12个新冠疫情数模竞赛赛题与点评
新冠疫情深刻和全面地影响着社会和生活,已经成为数学建模竞赛的背景帝. 收集了与新冠疫情相关的的数学建模竞赛赛题,关注收藏本文或者在评论区留下邮箱,送你赛题分析点评及优秀论文. 『Python小白的数学 ...
科研资料｜论文数模真的好难？那是你还不会Matlab!
岛主在读书搞科研的过程中,经常听闻这么一句话:"Matlab除了不会生孩子,什么都会!" Matlab究竟有着怎样的神奇魅力,让无数学子竞折腰!如果你是定量研究领域的科研er,那一 ...
【清风数模】相关系数（理论知识+代码实操保姆级笔记)
相关系数前言我们将学习两种给最为常用的相关系数:pearson相关系数和spearman等级相关系数.它们可用来衡量两个变量之间的相关性的大小,根据数据满足的不同条件,我们要选择不同的相关系数进行 ...
列车matlab模型,【国家级精品课程】-中南大学-数学建模-lingo-matlab-优化建模-数模培训-全国赛论文-京沪线列车调度模型（B题）...
[国家级精品课程]-中南大学-数学建模-lingo-matlab-优化建模-数模培训-全国赛论文-京沪线列车调度模型(B题) 答卷编号: 答卷编号: 论文题目: 京沪线列车调度模型(B题) 参赛队员: ...
CT 系统参数标定及反投影重建成像-2017数模国赛论文A298编程分析
CT 系统参数标定及反投影重建成像-2017数模国赛论文A298编程分析之前的同学已经讲解清楚了这篇论文建模的主要思路,我主要讲解代码对建模思路的实现. 本文提到的论文下载地址:http://dxs ...
Python数模笔记-Sklearn（3）主成分分析
主成分分析(Principal Components Analysis,PCA)是一种数据降维技术,通过正交变换将一组相关性高的变量转换为较少的彼此独立.互不相关的变量,从而减少数据的维数. 1.数据 ...
2022华为杯研究生数学建模竞赛DS数模选题建议
2022华为杯研究生数学建模竞赛DS数模选题建议开放性:F>E>A=D>B=C. 难度:A=D>B=C>E=F (仅C君个人看法) A题移动场景超分辨定位问题此题是 ...

【数模之数据分析-1】

数据分析之Numpy

Array数组：

相关程序运行如下：

索引与切片：与python大同小异，还是从0开始

相关程序运行如下：

数值运算–array数组

相关程序运行如下：

排序操作：

相关程序运行如下：

数组形状操作

相关程序运行如下：

数组的连接：

相关程序运行如下：

数组生成–构造出来一个数组

相关程序运行如下：

一切都在变好的路上

1、熬夜

2、没有节制地书刷手机

3、相对于刷短视频

4、不断地缅怀过去

5、反复拖延

6、不懂得拒绝

7、为了合群而合群

8、尽量“解决”以上“问题”…

每日一言：

持续更新中…

【数模之数据分析-1】相关推荐

最新文章

热门文章