Python数据分析numpy入门
Posted Geek_bao
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python数据分析numpy入门相关的知识，希望对你有一定的参考价值。
Python数据分析基础
一、numpy简介
-
Numpy是一个用python实现的科学计算的扩展程序库，包括：
1、一个强大的N维数组对象Array；
2、比较成熟的（广播）函数库；
3、用于整合C/C++和Fortran代码的工具包；
4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。 -
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
二、numpy基本操作
2.1 列表转为矩阵
import numpy as np
array = np.array([
[1, 3, 5],
[4, 6, 9]
])
print(array)
输出结果如下：
[[1 3 5]
[4 6 9]]
2.2 维度
print('number of dim:', array.ndim)
输出结果如下：
number of dim: 2
2.3 行数和列数
print('shape:', array.shape)
输出结果如下：
shape: (2, 3)
2.4元素个数
print('size:', array.size)
输出结果如下：
size: 6
三、numpy创建array
3.1 一维array创建
import numpy as np
a = np.array([2, 23, 4], dtype=np.int32) # np.int默认为int32
print(a)
print(a.dtype)
执行结果如下：
[ 2 23 4]
int32
3.2 多维array创建
import numpy as np
a = np.array([[2, 3, 4],
[3, 4, 5]])
print(a)
执行结果如下：
[[2 3 4]
[3 4 5]]
3.3 创建全零数组
import numpy as np
a = np.zeros((3, 4)) # 生成3行4列的全零矩阵
print(a)
执行结果如下：
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
3.4 创建全1数组
import numpy as np
# 创建全一数据，同时指定数据类型
a = np.ones((3, 4), dtype=np.int)
print(a)
执行结果如下：
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
3.5 创建全空数组
import numpy as np
# 创建全空数组，其实每个值都是接近于零的数
a = np.empty((3, 4))
print(a)
执行结果如下：
[[6.23042070e-307 8.90092016e-307 1.29060871e-306 1.33511290e-306]
[1.11261027e-306 1.11261502e-306 1.42410839e-306 7.56597770e-307]
[6.23059726e-307 1.42419530e-306 7.56602523e-307 1.29061821e-306]]
3.6 创建全连续数组
import numpy as np
# 创建连续数组
a = np.arange(10, 21, 2) # 10-21的数据，步长为2
print(a)
输出结果如下：
[10 12 14 16 18 20]
3.7 reshape操作
import numpy as np
# 创建连续数组
a = np.arange(10, 21, 2) # 10-21的数据，步长为2
b = a.reshape((2, 3))# 使用reshape改变上述数据的形状
print(b)
输出结果如下：
[[10 12 14]
[16 18 20]]
3.8 创建连续型数据
（1）创建线段型数据
import numpy as np
# 创建线段型数据
a = np.linspace(1, 10, 20) # 开始端1，结束端10，且分割成20个数据，生成线段
print(a)
输出结果如下：
[ 1. 1.47368421 1.94736842 2.42105263 2.89473684 3.36842105
3.84210526 4.31578947 4.78947368 5.26315789 5.73684211 6.21052632
6.68421053 7.15789474 7.63157895 8.10526316 8.57894737 9.05263158
9.52631579 10. ]
3.9 linspace的reshape操作
import numpy as np
# 创建线段型数据
a = np.linspace(1, 10, 20) # 开始端1，结束端10，且分割成20个数据，生成线段
b = a.reshape((5, 4))
print(b)
输出结果如下：
[[ 1. 1.47368421 1.94736842 2.42105263]
[ 2.89473684 3.36842105 3.84210526 4.31578947]
[ 4.78947368 5.26315789 5.73684211 6.21052632]
[ 6.68421053 7.15789474 7.63157895 8.10526316]
[ 8.57894737 9.05263158 9.52631579 10. ]]
Process finished with exit code 0
四、numpy基本运算
4.1 一维矩阵运算
import numpy as np
# 一维矩阵运算
a = np.array([10, 20, 30, 40])
b = np.arange(4)
print(a, b)
输出结果如下：
[10 20 30 40] [0 1 2 3]
Process finished with exit code 0
（1）减法：
c = a - b
print(c)
运行结果：
[10 19 28 37]
（2）乘法：
print(a*b)
运行结果：
[ 0 20 60 120]
（3）乘方：
c = b**2
print(c)
运行结果：
[0 1 4 9]
（4）数学函数工具：
c = np.sin(a)
print(c)
运行结果：
[-0.54402111 0.91294525 -0.98803162 0.74511316]
（5）判断全体数组数值大小比较：
print(b < 2)
运行结果：
[ True True False False]
（6）判断两个数组数值大小是否相等：
import numpy as np
a = np.array([1, 1, 4, 3])
b = np.arange(4)
print(a==b)
运行结果：
[False True False True]
Process finished with exit code 0
4.2 多维矩阵运算
import numpy as np
a = np.array([[1, 1], [0, 1]])
b = np.arange(4).reshape((2, 2))
print(a)
print(b)
运行结果：
[[1 1]
[0 1]]
[[0 1]
[2 3]]
（1）乘法运算一：
c = a.dot(b)
print(c)
运行结果：
[[2 4]
[2 3]]
（2）乘法运算二：
c = np.dot(a, b)
print(c)
运行结果：
[[2 4]
[2 3]]
（3）相关函数的运用：
import numpy as np
a = np.random.random((2, 4))# 表示生成2行4列的浮点数，都是从0-1中随机
print("a = ", a)
print(np.sum(a))
print(np.min(a))
print(np.max(a))
运行结果：
a = [[0.67284049 0.35394893 0.36732456 0.37686218]
[0.90342021 0.66481635 0.35398395 0.94859384]]
4.6417905148550584
0.35394893317390963
0.9485938445365465
Process finished with exit code 0
注意：如果你需要对行或者列进行查找运算，
就需要在上述代码中为 axis 进行赋值。
当axis的值为0的时候，将会以列作为查找单元，
当axis的值为1的时候，将会以行作为查找单元。
代码示例如下：
import numpy as np
a = np.random.random((2, 4))
print("a = ", a)
print("sum = ", np.sum(a, axis=1))
print("min = ", np.min(a, axis=0))
print("max = ", np.max(a, axis=1))
运行结果如下：
a = [[0.01635406 0.48279782 0.61989256 0.64724951]
[0.33328542 0.86281576 0.93707194 0.37464947]]
sum = [1.76629396 2.50782259]
min = [0.01635406 0.48279782 0.61989256 0.37464947]
max = [0.64724951 0.93707194]
Process finished with exit code 0
4.3 基本计算
import numpy as np
A = np.arange(2, 14).reshape((3, 4))
print(A)
运行结果如下：
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
（1）索引运算
# 最小元素索引
print(np.argmin(A))
# 最大元素索引
print(np.argmax(A))
运行结果如下：
0
11
（2）均值及中位数运算
# 求整个矩阵均值
print(np.mean(A))
print(np.average(A))
print(A.mean())
# 中位数
print(np.median(A))
运行结果如下：
7.5
7.5
7.5
7.5
（3）累加和累差
# 累加
print(np.cumsum(A)) # 每个位置的数=它前面位置的数求和+本身
# 累差运算
B = np.array([
[3, 5, 9],
[4, 8, 10]
])
print(np.diff(B))
运行结果如下：
[ 2 5 9 14 20 27 35 44 54 65 77 90]
[[2 4]
[4 2]]
（4）多维非零元素索引
B = np.array([
[3, 5, 9],
[4, 8, 10]
])
C = np.array([
[0, 5, 9],
[4, 0, 10]
])
print(np.nonzero(B))
print(np.nonzero(C))
运行结果如下：
(array([0, 0, 0, 1, 1, 1], dtype=int64), array([0, 1, 2, 0, 1, 2], dtype=int64))
(array([0, 0, 1, 1], dtype=int64), array([1, 2, 0, 2], dtype=int64))
结果表示为，行维度和列维度来描述非零元素位置，如B非零元素位置为（0,0）(0,1)(0,2)(1,0)(1,1)(1,2)。
（4）排序和矩阵转置
import numpy as np
A = np.arange(14, 2, -1).reshape((3, 4))
print(A)
# 排序
print(np.sort(A))
运行结果如下：
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
[[11 12 13 14]
[ 7 8 9 10]
[ 3 4 5 6]]
矩阵转置运算：
# 矩阵转置
print(np.transpose(A))
print(A.T)
print(A)
运行结果如下：
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
clip()函数，矩阵数值的上下限：clip(Array,Array_min,Array_max)；
将Array_min<X<Array_max X表示矩阵A中的数，如果满足上述关系，则原数不变。否则，如果X<Array_min，则将矩阵中X变为Array_min;
如果X>Array_max，则将矩阵中X变为Array_max.
print(np.clip(A, 5, 9))
运行结果如下：
[[9 9 9 9]
[9 9 8 7]
[6 5 5 5]]
4.4 numpy索引和切片
（1）一维索引切片
import numpy as np
A = np.arange(3, 15)
print(A)
print(A[3]) # 取索引值为3的元素
运行结果如下：
[ 3 4 5 6 7 8 9 10 11 12 13 14]
6
（2）多维索引切片
B = A以上是关于Python数据分析numpy入门的主要内容，如果未能解决你的问题，请参考以下文章