python数据处理：NumPy基础

Posted 2020-09-28

本文资料来自：Python for Data Analysis， Chapter 4

 

1. NumPy简介

NumPy，Numerical Python简称，是科学计算和数据分析所用的基础包。对于数据分析师，主要关注以下几点：

　　a: Fast vectorized arrya operations for data munging and cleaning(数据分析和清洗), subsetting and filtering(和过滤), transformation and any other kind of computations.

　　b: Coomn array algortihsm like sorting, unique, and set operations

　　c: Efficient descriptive statistics and aggregating/summarizing data

　　d: Data alignment(数据调整) and relational data manipulations for merging(合并) and joining together heterogeneous data sets(异构数据集)

　　e: Expressing conditional logic as arry expressions instead of loops with if-elif-else branches 存取ndarray会更快速

　　f: Group-wise(分组) data manipulations

其中NumPy最常用的功能是a和e，主要作为传递数据的容器，对于比较关系型数据的或者图表类数据集，最常用的还是pandas。

2. NumPy数组：NumPy ndarray

2.1

ndarray：N-dimensional array。NumPy数组是一个多维数组对象(array object)，主要包含实际的数据和描述这些数据的元数据(tuple)。 

通常通过调用这些元组来获得实际数据

要记住记下两点：

　　同一个NumPy的多维数组的元素是同类型的。

　　通过一个正整数元组(tuple)索引的元素表格(通常是元素是数字)。

在NumPy中维度(dimensions)叫做轴(axes)，比如三维矩阵，每一个维度都是一个轴。

轴的个数，即数组的维数叫做秩(rank)。比如三维矩阵，秩为3，二维矩阵，秩为2。

维度以一个整数元组来表示，比如二维的一般为(2,3)，表示2排3列的一个矩阵，秩为元组的长度：2，第一个维度长度为2，第二个维度长度为3。

2.2 

首先：import numpy as ynp

　　2.2.1: creating ndarray：array function

　　　　 

          　

　　　　Numpy提供一个arrange函数，返回一个array数组而不是list

　　

　　　np.arrange(32).reshape((8,4))生成0-31的8*4矩阵

　　 2.2.2: 基本索引(indexing)和slicing

　　

　　arr[n:m]：截取从第n为到底m-1位的数值

　　要注意的是，array slice是原始数据的一个映射，对此进行的任何操作都会反映到原始数据上。可以说用copy()函数保留原始数值。

　　

　　 2.2.2: 常用indexing　

　　

　　np.ix_函数：可以将两个一维整数型数组转换成一个索引组合，调取这个矩阵组合里面所有的数值

　　

　　上述就是调取了(1,0),(1,3),(1,1),(5,0),(5,3),(5,1),(7,0),(7,3),(7,1)共9个值

2.3 常用函数

　　2.3.1: 数学类

　　包括sqrt，exp，abs，add，subtract等

　　np.mean()

　　np.sum()

　　axis参数：axis=1表示按照行，axis=0表示按照列

　　2.3.2: sorting排列，unique

　　函数：sort()

　　numpy中最常用的一个组合逻辑(set logic)运算就是unique()，这个函数可以去掉数列中多次重复出现的值，返回形式为arra

 

　　2.3.3: 生成随机数

　　np.random.normal(size=(4,4))生成按照正态分布排列的4*4矩阵

　　np.random.randn(5,4)生成5*4矩阵，按照正态分布排列，均值为0，标准差为1.

 

 

注：虽然这算是一个基础的总结，但不能保证理解全部准确无误。随着对不同函数的多次使用，如果有新的体会，我会及时回来更新。