python数据分析与展示Numpy入门

Posted BkbK-

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数据分析与展示Numpy入门相关的知识，希望对你有一定的参考价值。

Numpy入门

文章目录

一、Numpy基础

1.1 NumPy简介

NumPy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

1.2 NumPy的引用及输出

NumPy的引用

import numpy as np

np.array()生成一个ndarray数组

a = np.array([[0,1,2,3,4],
              [9,8,7,6,5]])

np.array()输出成[]形式，元素由空格分割

print(a)

[[0 1 2 3 4]
[9 8 7 6 5]]

二、ndarray对象

2.1 ndarray对象的属性

属性说明
.ndim秩，即轴的数量或维度的数量
.shapendarray对象的尺度，对于矩阵，n行m列
.sizendarray对象元素的个数，相当于.shape中n*m的值
.dtypendarray对象的元素类型
.itemsizendarray对象中每个元素的大小，以字节为单位
a = np.array([[0,1,2,3,4],
              [9,8,7,6,5]])

2.2 ndarray数组的元素类型



  • 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

三、ndarray操作

3.1 ndarray数组的创建

从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple)

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

  • 从列表类型创建

    x = np.array([0,1,2,3])
print(x)

    [0 1 2 3]

  • 从元组类型创建

    x = np.array((0,1,2,3))
print(x)

    [0 1 2 3]

  • 从列表和元组混合类型创

    x = np.array([[1,2],[9,8],(0.1,0.2)])
print(x)

    [[1. 2. ]
    [9. 8. ]
    [0.1 0.2]]

使用NumPy中函数创建ndarray数组



  • arange生成一维顺序数组

    np.arange(1,10,2)

    array([1, 3, 5, 7, 9])

    np.arange(1,9,2)

    array([1, 3, 5, 7])

    np.arange(10)

    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

  • 特殊多维数组

    np.ones((3,6))

    array([[1., 1., 1., 1., 1., 1.],
    [1., 1., 1., 1., 1., 1.],
    [1., 1., 1., 1., 1., 1.]])

    np.zeros((3,6),dtype = np.int32)

    array([[0, 0, 0, 0, 0, 0],
    [0, 0, 0, 0, 0, 0],
    [0, 0, 0, 0, 0, 0]])

    np.eye(5)

    array([[1., 0., 0., 0., 0.],
    [0., 1., 0., 0., 0.],
    [0., 0., 1., 0., 0.],
    [0., 0., 0., 1., 0.],
    [0., 0., 0., 0., 1.]])

    x = np.ones((2,3,4))
print(x)
x.shape

    [[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]
(2, 3, 4)

  • 其他方法

    a = np.linspace(1,10,4)
print(a)

    [ 1. 4. 7. 10.]

    b = np.linspace(1,10,4,endpoint=False)
print(b)

    [1. 3.25 5.5 7.75]

    c = np.concatenate((a,b))
print(c)

    [ 1. 4. 7. 10. 1. 3.25 5.5 7.75]

3.2 ndarray数组的变换

数组维度的变换

元素类型的变换

new_a = a.astype(new_type)

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

数组向列表的转换

ls = a.tolist()

3.3 ndarray数组的索引和切片

a = np.arange(24).reshape((2,3,4))
print(a)

[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]

索引

每个维度一个索引值，逗号分割

a[1,2,3]

a[1,2,3]

切片
选取一个维度用

a[:,1,-3]

array([ 5, 17])

每个维度切片方法与一维数组相同

a[:,1:3,:]

array([[[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[16, 17, 18, 19],
[20, 21, 22, 23]]])

每个维度可以使用步长跳跃切片

a[:,:,::2]

array([[[ 0, 2],
[ 4, 6],
[ 8, 10]],
[[12, 14],
[16, 18],
[20, 22]]])

3.4 ndarray数组的运算

NumPy一元函数

NumPy二元函数

四、Numpy的数据存取

4.1 csv文件存取

CSV (Comma‐Separated Value, 逗号分隔值),CSV是一种常见的文件格式，用来存储批量数据.

一维和二维数组的存取

CSV只能有效存储一维和二维数组 np.savetxt() np.loadtxt()只能有效存取一维和二维数组

np.savetxt(frame, array, fmt='%.18e', delimiter=None)
  • frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
  • array : 存入文件的数组
  • fmt : 写入文件的格式，例如：%d %.2f %.18e
  • delimiter : 分割字符串，默认是任何空格


np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)
  • frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
  • dtype : 数据类型，可选
  • delimiter : 分割字符串，默认是任何空格
  • unpack : 如果True，读入属性将分别写入不同变量


任意维度数组的存取

a.tofile(frame, sep='', format='%s')
  • frame : 文件、字符串
  • sep : 数据分割字符串，如果是空串，写入文件为二进制
  • format : 写入数据的格式


np.fromfile(frame, dtype=float, count=‐1, sep='')
  • frame : 文件、字符串
  • dtype : 读取的数据类型
  • count : 读入元素个数，‐1表示读入整个文件
  • sep : 数据分割字符串，如果是空串，写入文件为二进制

4.2 便捷文件存取

np.save(fname, array)

或

np.savez(fname, array)
  • fname : 文件名，以.npy为扩展名，压缩扩展名为.npz
  • array : 数组变量
np.load(fname)
  • fname : 文件名，以.npy为扩展名，压缩扩展名为.npz

五、Numpy的函数

5.1 Numpy的随机函数



5.2 Numpy的统计函数


5.3 Numpy的梯度函数

以上是关于python数据分析与展示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

Python数据分析入门与实践

python中的numpy运算

python数据分析NumPy入门

数据分析与展示——NumPy数据存取与函数

Python数据分析与展示-数据分析之表示-NumPy数据存取与函数

pyhton数据分析与展示