numpy和pandas教程

numpy和pandas是在数据分析经常用到的两个工具，由于是使用c++写的，同时他是直接是使用了矩阵的运算，基于上述的原因，相比于python，他俩的特点就是快

numpy：

import numpy as np

一、属性

1、列表转矩阵：array= np.array([[1,2,3],[4,5,6]])

2、矩阵的维数：array.ndim

3、矩阵的形状：array.shape

4、元素的数目：array.size

二、矩阵的创建

1、使用数据类型：array= np.array([4,5,6]，dtype=np.int32) # 除此之外，还有np.int64 np.float

2、元素全为零的矩阵：np.zeros([1,2,3])

3、元素全为1的矩阵：np.ones([2,4])

4、元素为空，实际上接近为零：np.empty([2,4])

5、生成从零到11的3行4列矩阵：np.arrage(12).reshape((3,4))

6、生成20个点的线：np.linspace(1,10,20) 3行4列：np.linspace(1,10,20).reshape((3,4))

7、生成随机3行4列的0~1的矩阵：np.random.random((3,4))

三、矩阵的运算

a = arange(4) ## a = [0 1 2 3]

1、各个元素的sin值：np.sin(a) ##

2、打印小于某个值的矩阵： print(a < 3) ## [True, True, True, False]

3、两个矩阵对应元素相乘：c = a*b

4、内积/点积/数量积： np.dot(a, b) 或者 a.dot(b)

5、求矩阵每一行的元素的和：np.sum(a, axis = 0); 求每一行的最大值：np.max(a, axis = 0) ；求每一行的最小值：np.min(a, axis = 0)

6、求平均值：np.mean(a); np.average(a)

7、求中位数：np.median(a)

8、前n个元素累加：np.cumsum(a) ## a = [1 2 3 5] b = np.cumsum(a) #[1 3 6 11]

9、相邻的累查：np.diff(a) ## a = [1 2 3 5] b = np.diff(a) #[1 1 2]

10、逐行排序(行内的元素排序)：np.sort(a)

11、矩阵的转置： np.transpose(a) 或者a.T

12、矩阵的截断：np.clip(a, 5, 9) #小于5的，截断为5，大于9的，截断为9

13、求矩阵的索引：（1）最小值索引 np.argmin(a) ; （2）np.argmax(a)

四、矩阵的索引

1、矩阵的索引：a[1][2]、a[1,2]、a[:,1]、a[1,:]

2、展开矩阵为1行：a.flat 或者 a.flatten()

五、矩阵的合并

1、上下合并：np.vstack((a,b))

2、左右合并：np.hstack((a,b))

3、增加一个维度：（1）行增加一个维度：a[np.newaxis,:] （2）列增加一个维度：a[:, np.newaxis]

4、矩阵按行合并： np.concatenate((a,b,b,a),axis = 0)

六、矩阵的分隔

1、将np.arange(12).reshape((3,4))一个矩阵按照左右分隔为两部分：np.split(a, 2, axis = 1) #垂直分隔np.split(a, 2, axis = 0)

2、不等分隔：np.array_split(a, 2, axis = 0)

3、垂直分隔成3块：np.vsplit(a, 3) 横向分隔为3块：np.hsplit(a, 3)

七、复制

1、b = a[:] 或者 b = a.copy()

2、指向同一个地址的复制： b = a # a的值改变，b的值也会改变，反过来亦然

八、Numpy矩阵和数组的区别

1、mat()可将数据转化成矩阵： randmat= mat(random.rand(4, 4))

2、矩阵使用.I操作符可以求矩阵的逆： invRanMat = randMat.I

3、单位矩阵：myEye = randmat* invRanMat 可以直接用eye表示n阶单位矩阵：eye(4)

九、根据概率随机生成序列

np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0]) array([3, 3, 0])

十、logical_and()，logical_or(), logical_not(), logical_xor()

numpy.logical_and(x1, x2)

输入数组。 x1和x2必须具有相同的形状。
y：ndarray或bool
布尔结果，与x1和x2的相应元素上的逻辑AND运算，结果和x1和x2形状相同。如果x1和x2都是标量，则也返回标量。

A = [True, False]
B = [False, False]
C = logical_and(A, B)
print(C)  # [False False]A = arange(5)
print(A)  # [0 1 2 3 4]
B = logical_and(A > 1, A < 4)
print(B)  # [False False  True  True False]

十一、数据可将元素转化成bool值

n = np.array(range(5))
print(n>1)
[False False  True  True  True]

十二、范数的计算：

from numpy import linalg as la
import numpy as np
a = np.array([1,2,3])
b = np.array([2,3,4])
# a 和 b 之间的欧式距离
la.norm(a-b) # 默认为2范数

十三、SVD奇异值分解

from numpy import linalg as laU, sigma, VT = la.svd(dataMat)

numpy和pandas教程相关推荐

【莫烦Python】Pandas教程
目录前言 1.Pandas vs Numpy 2.基本介绍 3.选择数据 4.设置值 5.处理丢失的数据 6.pandas导入导出 7.pandas合并concat 8.pandas合并merge ...
python使用教程pandas-python学习教程之Numpy和Pandas的使用
前言本文主要给大家介绍了关于python中Numpy和Pandas使用的相关资料,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍吧. 它们是什么? NumPy是Python语言的一个扩 ...
数据基础---numpy、pandas使用教程
数组对象 Numpy库 Numpy最重要的一个特点是就是其N维数组对象,即ndarray,ndarray是一个通用的同构数据多维容器,其中的所有元素必须是相同类型的.每个数组都有一个shape(一个表 ...
Numpy和Pandas的区别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 Numpy和Pandas的区别 Numpy是数值计算的扩展包,能够 ...
NumPy库入门教程：基础知识总结
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 numpy可以说是Python运用于人工智能和科学计算的一个重要基 ...
numpy 创建加一行_Python数据分析快速入门--NumPy amp; Pandas
之前为大家分享了python的基本语法,有疑问的小伙伴可以参考下文- 土豆爱数学:零基础如何快速入门pythonzhuanlan.zhihu.com 对python基本语法了解后,就可以尝试用pyt ...
【Python基础】101道Numpy、Pandas练习题，提升你的Python水平
无论是数据分析还是机器学习,数据的预处理必不可少.其中最常用.最基础的Python库非numpy和pandas莫属,很多初学者可能看了很多教程,但是很快就把用法忘光了. 光看不练假把式,今天向大家推荐 ...
[Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
Python之Numpy入门实战教程（2）：进阶篇之线性代数
Numpy.Pandas.Matplotlib是Python的三个重要科学计算库,今天整理了Numpy的入门实战教程.NumPy是使用Python进行科学计算的基础库. NumPy以强大的N维数组对象 ...

numpy和pandas教程

numpy和pandas教程相关推荐

最新文章

热门文章