python数据分析基础003 -numpy的使用（详解)
Posted 苏凉.py
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数据分析基础003 -numpy的使用（详解)相关的知识，希望对你有一定的参考价值。
文章目录
🐚作者简介： 苏凉（在python路上）
🐳博客主页： 苏凉.py的博客
👑名言警句： 海阔凭鱼跃，天高任鸟飞。
📰要是觉得博主文章写的不错的话，还望大家三连支持一下呀！！！
👉关注✨点赞👍收藏📂
🍇前言
numpy通常可以和matplotlib一起使用。两者相结合可以更有效的帮助我们进行数据的分析。
接下来我们一起进入python的科学计算基础库numpy的学习吧。
前期回顾：matplotlib绘制数据可视化图形
🎈（一）numpy基础介绍
🎆1.什么是numpy
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
🎇2.为什么要学习numpy
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
1.一个强大的N维数组对象 ndarray
2.广播功能函数
3.整合 C/C++/Fortran 代码的工具
4.线性代数、傅里叶变换、随机数生成等功能
✨3.numpy的应用
NumPy 通常与 SciPy（Scientific Python）Matplotlib（绘图库）一起使用， 这种组合广泛用于替代MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
🎉4.numpy的安装
pip install numpy -i https://www.pypi.douban.com/simple
🎊5.numpy库的导入
import numpy as np
🎃（二）numpy创建数组（矩阵）
注：Python 没有内置对数组的支持，但可以使用 Python 列表代替。
🎄1.创建数组（array）
使用array的三种方法创建数组，返回的数组类名为numpy.ndarray类
a = np.array([5,6,7,8,9])
b = np.array(range(5,10))
c = np.arange(5,10)
print(a,type(a))
print(b,type(b))
print(c,type(c))
# 结果：[5 6 7 8 9] <class 'numpy.ndarray'>
🎋2.数据类型（dtype）
使用dtype方法可以返回数据类型
print(a.dtype,b.dtype,c.dtype)
# 结果：int32 int32 int32
附：numpy中常见的数据类型：
🎍3.数据类型的操作
🎎3.1 定义数据类型
使用dtype参数指定数据类型
x1 = np.array(range(5,10),dtype = 'float')
print(x1,x1.dtype)
# 结果： [5. 6. 7. 8. 9.] float64
bool类型返回true和false
x2 = np.array([0,1,1,0,1,0,1],dtype=bool)
print(x2,x2.dtype)
# 结果：[False True True False True False True] bool
🎐3.2 调整数据类型
调整数据类型用到astype方法，可以将原数据类型调整到我们想要的数据类型
x3 = np.array(range(5,10),dtype = 'int8')
x4 = x3.astype('int32')
print(x3.dtype,x4.dtype)
# 结果：int8 int32
🎑3.3 保留n位小数
在numpy中保留n位小数用到的是round方法
例：保留3位随机小数
x5 = random.random()
x6 = np.round(x5,3)
print(x6)
# 结果：0.313
🎀（三）数组的计算
数组分为一维数组，二维数组和多维数组。接下来就让我们一起看看在numpy中如何对数组进行操作的吧！！
🎁1.查看数组形状
shape()方法查看数组形状可以判断出这是几维数组
🎗1.1 创建一维数组
a = np.array(range(13))
print(a,a.shape)
结果：
🎠1.2 创建二维数组
a1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a1)
print(a1.shape)
结果：
🎡1.3 创建三维数组
a2 = np.array([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]])
print(a2)
print(a2.shape)
结果：
可以看出shape方法返回的值中有多少个该数组就是几维数组。
🎢2. 修改数组形状
在numpy中用reshape()方法修改数组的形状可以将n维数组修改到m维数组。
🎪2.1 将1维数组变为3维数组
a3= np.array(range(24))
print(a3.shape) #原a3为1维数组
a4 = a3.reshape(2,3,4)
print(a4)
print(a4.shape)
结果：
🎭2.2 将3维数组变到1维数组
a5 = a4.reshape(24,)
print(a5)
print(a5.shape)
结果：
在numpy中将多维数组变到1维数组还有一种方法，那就是flatten()方法，这种方法适用于我们不知道有多少个数组元素时使用。
a5 = a4.flatten()
print(a5)
print(a5.shape)
结果和上面相同。
🎨3.数组的计算
🎰3.1 数组与数字的计算
🛒3.1.1 加法
数组内的每个元素都加上这个数。
import numpy as np
a = np.array(range(24))
b = a.reshape(4,6)
print(b)
print(b+1)
结果：
🧣3.1.2 减法
数组内的每个元素都减去这个数。
import numpy as np
a = np.array(range(24))
b = a.reshape(4,6)
print(b)
print(b-1)
结果：
🧤3.1.3 乘法
数组内的每个元素都乘以这个数。
import numpy as np
a = np.array(range(24))
b = a.reshape(4,6)
print(b)
print(b*2)
结果：
🧥3.1.4 除法
数组内的每个元素都除以这个数。
import numpy as np
a = np.array(range(24))
b = a.reshape(4,6)
print(b)
print(b/2)
结果：
特殊情况：当数组的元素除以0时，0/0返回的值时nan，而非0元素/0时返回的值为inf。
🧥3.2 数组与数组的计算
前提：两数组的元素应该相同（当多维与一维计算时，应保证一维数组与多维数组的行或列相同）
💎3.2.1 广播原则
如果两个数组的后缘维度(trailing dimension，即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或)长度为1的维度上进行。
通俗的来说就是当两数组的shape的值从末尾开始，若两数组的值相同或其中有一个的值为1，则这两个数组可以进行计算（加减乘除）。
⚽3.2.2 加法
俩数组内的每个元素对应相加。
import numpy as np
a = np.array(range(24))
a1 = np.array(range(40,64))
b = a.reshape(4,6)
b1 =a1.reshape(4,6)
print(b)
print(b1)
print(b+b1)
结果：
🏀3.2.2 减法
俩数组内的每个元素对应相减。
import numpy as np
a = np.array(range(24))
a1 = np.array(range(40,64))
b = a.reshape(4,6)
b1 =a1.reshape(4,6)
print(b)
print(b1)
print(b1-b)
结果：
🏅3.2.2 乘法
俩数组内的每个元素对应相乘。
import numpy as np
a = np.array(range(24))
a1 = np.array(range(40,64))
b = a.reshape(4,6)
b1 =a1.reshape(4,6)
print(b)
print(b1)
print(b1*b)
结果：
💉3.2.2 除法
俩数组内的每个元素对应相除。
import numpy as np
a = np.array(range(24))
a1 = np.array(range(40,64))
b = a.reshape(4,6)
b1 =a1.reshape(4,6)
print(b)
print(b1)
print(b1/b)
结果：
总结：数组的计算可根据数学中矩阵运算法则来理解
⚒结语
好啦，今天的内容就是这样，希望看到这篇文章的小伙伴们能有所收获。最后，如果你觉得这篇文章可以的话，三连支持一下吧，我是苏凉，咱们下期再见！！
以上是关于python数据分析基础003 -numpy的使用（详解)的主要内容，如果未能解决你的问题，请参考以下文章