Python数据分析-numpy
2024-05-08 11:46:54
目录
一、创建数组
1.1 从列表传入：array()
1.2 生成全0数组：zeros()
1.3 生成全1数组：ones()
1.4 fill(x)函数将数组设定为x：
1.5 类型转换：astype()
1.6 生成整数序列：arange()
1.7 生成等差数列：linspace()
1.8 生成随机数：random.rand()，random.randn()，random.randint()
1.9 查看变量类型：type()
1.10 查看数据的类型：dtype()
1.11 查看变量的形状：shape,size,ndim
二、索引和切片
2.1 常规索引
2.2 省略参数
2.3 案例：计算一部电影的累计票房
三、多维数组及其属性
3.1 查看数组属性
3.2 多维数组索引：
3.3 多维数组切片：
四、花式索引
4.1 一维花式索引
4.2 二维花式索引
4.3 不完全索引
4.4 where语句
五、数组类型
六、数组操作（以豆瓣10部高分电影为例）
6.1 数组排序：
6.2 其他常见函数：
七、多维数组操作
7.1 数组形状，shape和reshape，reshape不会修改原有的数组，而会返回一个新的数组
7.2 转置
7.3 数组连接
7.4 numpy内置函数(部分函数)
Numpy 是Python 的⼀种开源的数值计算拓展，这种⼯具可⽤来存储和处理⼤型矩阵。
Numpy的⼀个重要特性是数组计算。
导入numpy包的几种方法：
import numpy
import numpy as np #导入numpy包并重命名为np
import numpy import * #导入numpy的所有函数，但若是大工程函数可能相同，会报错一、创建数组
1.1 从列表传入：array()
import numpy as np
# list = [1,2,3,4]
# a = np.ayyay(list)
a = np.array([1,2,3,4]) b = np.array([5,6,7,8])print(a)
print(a+1) # a里的所有元素+1
print(a*2) # a里的所有元素*2
print(a+b) # a里的元素和b里的元素一一对应相加[1 2 3 4] [2 3 4 5] [2 4 6 8] [ 6 8 10 12]
1.2 生成全0数组：zeros()
a = np.zeros(5) # 生成5个元素为0的数组(默认为浮点型)1.3 生成全1数组：ones()
a = np.ones(5) # 生成5个元素为1的数组
a = np.ones(5,dtype = 'bool') #类型改为布尔类型
a = np.ones(5,dtype = 'int') 1.4 fill(x)函数将数组设定为x：
a = np.ones(5) # 生成5个元素为1的数组
a.fill(5)
print(a)1.5 类型转换：astype()
a=np.ones(5,dtype = 'int')
print(a)a=a.astype('float') # 若不进行类型转换，当填充的值为小数时，最终结果会默认为整数（舍去小数）
print(a)a.fill(2.5)
print(a)1.6 生成整数序列：arange()
a = np.arange(1,10) # 左闭右开
print(a) # [1 2 3 4 5 6 7 8 9]a = np.arange(1,10，2)
print(a) # [1, 3, 5, 7, 9]1.7 生成等差数列：linspace()
# 生成范围为1-12，数量为12的等差数列
a = np.linspace(1,12,20)
print(a) '''
[ 1. 1.57894737 2.15789474 2.73684211 3.31578947 3.894736844.47368421 5.05263158 5.63157895 6.21052632 6.78947368 7.368421057.94736842 8.52631579 9.10526316 9.68421053 10.26315789 10.8421052611.42105263 12. ]
'''
1.8 生成随机数：random.rand()，random.randn()，random.randint()
#生成10个0-1（不包括1）的随机数
a = np.random.rand(10)
print(a)#生成10个服从标准正态分布的随机数
a = np.random.randn(10)
print(a) #生成10个范围在1-100间的随机数
a = np.random.randint(1,100,10)
print(a) 1.9 查看变量类型：type()
np.random.randint(1,100,10) #生成随机整数
print( type(a) ) # numpy.ndarray1.10 查看数据的类型：dtype()
a = np.random.randint(1,100,10) #生成随机整数
print(a.dtype) # dtype('int32')1.11 查看变量的形状：shape,size,ndim
a = np.random.randint(1,100,10) #生成随机整数
print(a)
print(a.shape) # (10,) 查看形状 行*列，该数据只有行没有列
print(a.size) # 10 查看元素的数目
print(a.ndim) # 1 查看维度二、索引和切片
2.1 常规索引
a=np.array([0,1,2,3])
print(a[0]) # 0a[0]=10 #修改第一个元素的值
print(a) # [10,1,2,3]a=np.array([11,12,13,14,15])
a[1:3] #取索引号1-2的数，左闭右开 [12,13] a[1:-2] #负索引，正数第一个到倒数第二个 [12,13]a[-4:3] #倒数第四个到正数第三个 [12,13]2.2 省略参数
print(a[-2:]) #倒数第二个到最后 [14,15]print(a[::2]) #间隔为2，取所有 [11,13,15]2.3 案例：计算一部电影的累计票房
ob=np.array([21000,21800,22100,23450])#计算每一天的票房
ob2=ob[1:]-ob[:-1]
print(ob2) # [ 800, 300, 1350]三、多维数组及其属性
3.1 查看数组属性
a=np.array([[0,1,2,3],[10,11,12,13]])
print(a) a.shape #查看形状 (2,4)a.size #查看数量 8a.ndim #查看维度 23.2 多维数组索引：
a=np.array([[0,1,2,3],[10,11,12,13]])
print(a[1,3]) #a[行，列]，第二行第四列 注意：索引是从0开始的 a[0,1]=15 #更改
print(a)print(a[0]) #索引第一行print(a[:,3]) #索引列，注意前面有冒号，所有行第四列13 [[ 0 15 2 3][10 11 12 13]] [ 0 15 2 3] [ 3 13]
3.3 多维数组切片：
a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],[30,31,32,33,34,35],[40,41,42,43,44,45]])
print(a)
print(a[0,3:5]) # 取第一行第四个和第五个元素，即[0,4][0,5]元素
print(a[-2:,-2:]) # 最后两行的最后两列
print(a[:,2]) # 得到第三列
print(a[2::2,::2])# 取第三行到最后一行，间隔一行的行数，所有列中间隔一列的列数[[ 0 1 2 3 4 5][10 11 12 13 14 15][20 21 22 23 24 25][30 31 32 33 34 35][40 41 42 43 44 45]] [3 4] [[34 35][44 45]] [ 2 12 22 32 42] [[20 22 24][40 42 44]]
切片在numpy数组中是引用，当引用的变量的元素改变时，被引用的变量中的元素也会变
a=np.array([0,1,2,3,4])
b=a[0:2] # b = [0,1]
b[0]=10
print(a) # [10 1 2 3 4]解决情况：copy()
a=np.array([0,1,2,3,4])
b=a[0:2].copy() # b = [0,1]
b[0]=10
print(a) 四、花式索引
4.1 一维花式索引
a=np.arange(0,100,10)
index=[1,2,-3]
y=a[index]
print(y) # [10 20 70]布尔数组索引：
a=np.arange(0,100,10)
#mask必须是布尔数组，长度必须和数组长度相同
mask=np.array([0,2,2,3,0,1,2,0,1,1],dtype=bool)
#在mask定义的位置上为true的进行索引。索引位置：1，2，3，5，6，8，9
print(a[mask]) # [10, 20, 30, 50, 60, 80, 90])
4.2 二维花式索引
a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],
[30,31,32,33,34,35],[40,41,42,43,44,45],[50,51,52,53,54,55]])
print(a)
# 返回第一列第一行，第二列第二行，第三列第三行，第四列第四行，第五列第五行的元素
print(a[(0,1,2,3,4),(0,1,2,3,4)])
# 返回第四行到最后一行，奇数列的元素
print(a[3:,::2])[[ 0 1 2 3 4 5][10 11 12 13 14 15][20 21 22 23 24 25][30 31 32 33 34 35][40 41 42 43 44 45][50 51 52 53 54 55]] [ 0 11 22 33 44] [[30 32 34][40 42 44][50 52 54]]
a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],
[30,31,32,33,34,35],[40,41,42,43,44,45],[50,51,52,53,54,55]])
print(a)
mask=np.array([1,0,1,0,0,1],dtype=bool)
print(a[mask,2]) #第一行，第三行，最后一行，第三列的元素 [ 2, 22, 52]
4.3 不完全索引
a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],
[30,31,32,33,34,35],[40,41,42,43,44,45],[50,51,52,53,54,55]])
print(a)y=a[:3] # 前三行所有列的元素
[[ 0 1 2 3 4 5][10 11 12 13 14 15][20 21 22 23 24 25]]
a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],
[30,31,32,33,34,35],[40,41,42,43,44,45],[50,51,52,53,54,55]])
print(a)con=np.array([0,1,1,0,1,0],dtype=bool)
print(a[con]) # #取2，3，5，行，所有列的元素
[[10 11 12 13 14 15][20 21 22 23 24 25][40 41 42 43 44 45]]
4.4 where语句
where函数会返回所有非零元素的索引
a=np.array([0,12,5,20])
print(a>10) # 返回元素里大于10的布尔值print(np.where(a>10)) # 返回>10的元素的索引的元组print(a[a>10]) # 返回>10的元素print(a[np.where(a>10)]) # a[a里>10的索引][False True False True] (array([1, 3], dtype=int64),) [12 20] [12 20]
五、数组类型
#类型转换
a=np.array([1,5,-3],dtype=float)
print(a)#asarray函数 (个人认为不如用上面那个)
a=np.array([1,2,3])
b = np.asarray(a,dtype=float)
print(a)
print(b)#astype
a=np.array([4,5,6])
b = a.astype(float)
print(a)
print(b)[ 1. 5. -3.] [1 2 3] [1. 2. 3.] [4 5 6] [4. 5. 6.]
六、数组操作（以豆瓣10部高分电影为例）
mv_name=['肖申克的救赎','控方证人','美丽人生','阿甘正传','霸王别姬','泰坦尼克号','辛德勒的名单','这个杀手不太冷','疯狂动物城','海豚湾']
#电影名称
mv_num=np.array([692795,42995,327855,580897,478523,157074,306904,662552,284652,159302])#评分人数
mv_score=np.array([9.6,9.5,9.5,9.4,9.4,9.4,9.4,9.3,9.3,9.3])#评分
mv_length=np.array([142,116,116,142,171,194,195,133,109,92])#电影时长（分钟）6.1 数组排序：
#sort函数
print(np.sort(mv_num)) #未改变原有数组
print(mv_num) #argsort函数,返回从小到大的排列数组中的索引位置
order=np.argsort(mv_num)
print(order)print(mv_name[order[0]]) #找到观影人数最少的电影的名字
print(mv_name[order[-1]]) #找到观影人数最多的电影的名字[ 42995 157074 159302 284652 306904 327855 478523 580897 662552 692795] [692795 42995 327855 580897 478523 157074 306904 662552 284652 159302] [1 5 9 8 6 2 4 3 7 0] 控方证人 肖申克的救赎
6.2 其他常见函数：
#评分人数求和
print(np.sum(mv_num)) #两个函数都行，下面是一样的
mv_num.sum()#时长最长
print(np.max(mv_length))
mv_length.max()#时长最短
print(np.min(mv_length))
mv_length.min()#得分平均值
print(np.mean(mv_score))
mv_score.mean()#得分标准差
print(np.std(mv_score))
mv_score.std()#得分和时长的协方差矩阵
print(np.cov(mv_score,mv_length))#得分和时长的相关系数
print(np.corrcoef(mv_score,mv_length))3693549 195 92 9.41 0.09433981132056571 [[9.88888889e-03 4.55555556e-01][4.55555556e-01 1.26288889e+03]] [[1. 0.12890953][0.12890953 1. ]]
七、多维数组操作
7.1 数组形状，shape和reshape，reshape不会修改原有的数组，而会返回一个新的数组
a=np.arange(6)
print(a)
a.shape=2,3 #转为2维3列
print(a.shape) #查看a的形状
print(a) #可以看出原来的数组已经被修改了[0 1 2 3 4 5] (2, 3) [[0 1 2][3 4 5]]
a=np.arange(6)
print(a)
a.reshape(2,3) #转为2维3列
print(a.shape) #查看a的形状
print(a) #可以看出还是原来的数组[0 1 2 3 4 5] (6,) [0 1 2 3 4 5]
注意：shape和reshape的格式不一样
7.2 转置
a=np.arange(6)
a=a.reshape(2,3)
print(a)
print(a.T )
print(a.transpose())[[0 1 2][3 4 5]] [[0 3][1 4][2 5]] [[0 3][1 4][2 5]]
7.3 数组连接
第一种方法：
x=np.array([[0,1,2],[10,11,12]])
y=np.array([[90,91,92],[100,101,102]])
print(x)
print(y)z=np.concatenate((x,y),axis=0) #按照列
print(z)m=np.concatenate((x,y),axis=1) #按照行
print(m)n=np.array((x,y))#生成三维数组
print(n)[[ 0 1 2][10 11 12]] [[ 90 91 92][100 101 102]] [[ 0 1 2][ 10 11 12][ 90 91 92][100 101 102]] [[ 0 1 2 90 91 92][ 10 11 12 100 101 102]] [[[ 0 1 2][ 10 11 12]][[ 90 91 92][100 101 102]]]
第二种方法：
x=np.array([[0,1,2],[10,11,12]])
y=np.array([[90,91,92],[100,101,102]])
print(x)
print(y)#vstack（按照行）
print( np.vstack((x,y)) )#hstack（按照列）
print( np.hstack((x,y)) )#dstack（生成三维数组）
print( np.dstack((x,y)) )7.4 numpy内置函数(部分函数)
a=np.array([-1,0,-10,5,7])print( np.abs(a) ) #计算绝对值
print( np.median(a) ) #计算中位数
print( np.exp(a) ) #求指数
print( np.cumsum(a) ) #累计和[ 1 0 10 5 7] 0.0 [3.67879441e-01 1.00000000e+00 4.53999298e-05 1.48413159e+021.09663316e+03] [ -1 -1 -11 -6 1]
Python数据分析-numpy相关推荐
- Python数据分析——NumPy数值计算基础（二）
Python数据分析--NumPy数值计算基础(二) 思维导图: 数据的csv文件存取 csv(Comma-Separated Value,逗号分隔值)文件:是一种常见的文件格式,用来存储批量数据. ...
- python数据分析 - numpy | ndarray数组 | numpy常用函数
文章目录 数据分析 numpy概述 numpy历史 numpy的核心:多维数组 numpy基础 ndarray数组 内存中的ndarray对象 ndarray数组对象的特点 ndarray数组对象的创 ...
- Python数据分析numpy入门（三）-------numpy100题练习
Python数据分析基础 二.numpy100题练习 二.numpy100题练习 1.Import the numpy package under the name np (★☆☆). 导入numpy ...
- python分析基金数据,[Python数据分析]numpy基金会,基础
数组属性 ndim与shape的区别 ndim 轴的数量,即从外到内的层数(axis=0为最外层) shape 每层数组的元素,返回一个元组,其长度即为ndim,比如(2,2,3)表示axis=0,有 ...
- Python数据分析 | Numpy基本属性介绍
Numpy基本属性介绍 目录 numpy介绍 常用基本属性 numpy介绍 NumPy(Numerical Python)是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比P ...
- Python 数据分析 —— Numpy
文章目录 小引 -- 为什么要学numpy? numpy 简介 numpy用法: 创建数组 -- numpy.array() 生成整数序列 -- numpy.arange() 生成等差数列 -- nu ...
- Python数据分析Numpy库方法简介(三)
补充: np.ceil()向上取整 3.1向上取整是4 np.floor()向下取整 数组名.resize((m,n)) 重置行列 基础操作 np.random.randn()符合正态分布(钟行/高斯 ...
- Python数据分析Numpy库方法简介(一)
Numpy功能简介: 1.官网:www.numpy.org 2.特点:(1)高效的多维矩阵/数组; (2);复杂的广播功能 (3):有大量的内置数学统计函数 矩阵(多维数组): 一维数组: ([ 值 ...
- Python数据分析-NumPy模块-选取数组元素
一维数组的元素选取 选取单个元素 from numpy import array a=array([1,2,5,48,62,9,4,7,2,3,6,9]) # 正序索引,其值是从0开始计数 print ...
最新文章
- GPT-3到来，程序员会被AI取代吗？
- R语言ggplot2可视化水平条形图的标题（title）、副标题(subtitle)和图片说明信息(caption)左对齐实战
- 阿里商业白皮书：每个企业都要变成一个数据公司
- python爬虫提取a标签_Python爬虫 Pyppeteer获取a标签的文本和链接
- 直播报名 | 基金业数字化运营指标体系建设
- MSSQL数据库C#操作类（SQLHELPER类的修改版）
- 如何处理VirtualBox启动错误消息：The vboxdrv kernel module is not loaded
- angular之性能优化
- angularjs1.x版本，父子组件之间的双向绑定
- 域名行业将带来高达98亿美元的巨大商机
- Mongoose源码分析之--简单的服务器搭建(C语言)
- 【QT】Qt多线程编程之高级函数
- 2022最新小额借贷系统程序源码+附教程文档
- linux优化ssd磁盘,Ubuntu下针对ssd硬盘优化
- Excel 合并居中后无法自动换行
- ht城市介绍人口数量Html,城市人口热力图 城市热力图查询
- 荣耀v40pro+参数配置 荣耀v40pro+价格
- bzoj4372. 烁烁的游戏【动态点分治】
- 计算机电路基础知识点,《计算机电路基础（1）》课教学经验点滴论文.doc
- 7种将字符串反转的 Java 方法