2 数据分析之Numpy模块(1)
Numpy
Numpy(Numerical Python的简称)是高性能科学计算和数据分析的基础包。它是我们课程所介绍的其他高级工具的构建基础。
其部分功能如下:
- ndarray, 一个具有复杂广播能力的快速且节省空间的多维数组。
- 对于整组数据进行快速的运算,无需编写循环。
- 用于读写磁盘数据的工具以及用于操作内容映射文件的工具。
- 用于集成由C, C++等语言编写的代码的工具。
Numpy本身并没有提供那么多高级的数据分析功能,理解Numpy数组以及面向数组的计算将有助于我们更加高效的使用pandas之类的工具。
创建数组 ndarray概述
Numpy最重要的一个特点就是其N纬数组对象(即ndarray),该对象是一个快速而灵活的大数据集容器。你可以利用这种数组对整块的数据执行一些数学运算。
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(表示各维度大小的元组)和一个dtype(表示数组数据类型的对象):
我们将会介绍Numpy数组的基本用法,虽然说大多数数据分析工作不需要深入理解Numpy,但精通面向数组的编程和思维方式是成为Python科学计算牛人的一大关键步骤。
注意: 我们将依照标准的Numpy约定,即总是使用import numpy as np. 当然你也可以为了不写np,而直接在代码中使用from numpy import *, 但是建议你最好还是不要养成这样的坏习惯。
在界面上的命令行操作
esc切换到命令模式,
输入dd 删除当前单元格
a在当前单元格前面增加一个单元格
b在当前单元格后面增加一个单元格
创建ndarray
创建数组最简单的方法就是使用array函数。它接收一切序列型的对象(包括其他数组),然后产生一个新的含有传入数据的Numpy数组。
array函数创建数组
import numpy as np
创建一维数组
ndarray1 = np.array([1, 2, 3, 4, 5])ndarray1
查看数组的类型
ndarray1.dtype
查看数组的shape(看维数和数组的长度,一维的只显示数组的长度)
ndarray1.shape
创建二维数组
这里要用一个大列表,把里面的数组包起来
ndarray2 = np.array([[1, 2, 3, 4], [2, 4, 6, 8]]) ndarray2
查看数组的shape
查看数组的类型
ndarray2.dtype
创建一个字符数组
ndarray3 = np.array(list('abcdefg'))
ndarray3
查看数组的类型
ndarray3.dtype
查看数组的shape
ndarray3.shape
zeros和zeros_like创建数组
它的类型是Float
用于创建数组,数组元素默认值是0. 注意:zeros_linke函数只是根据传入的ndarray数组的shape来创建所有元素为0的数组,并不是拷贝源数组中的数据.
ndarray3 = np.zeros(5)
ndarray3
查看类型
ndarray3.dtype
zeros_like
ndarray4 = np.zeros((2, 2))ndarray4[0][0] = 100ndarray4
like版本的函数表示按照参数的shape创建数组
ndarray5 = np.zeros_like(ndarray4)
ndarray5
值并不和 ndarray4 的值一样,只是和它的维度和长度有关
ones和ones_like创建数组
用于创建所有元素都为1的数组.ones_like用法同zeros_like用法.
ndarray6 = np.ones([3, 3])
np.ones_like(ndarray6)
empty和empty_like创建数组
用于创建空数组,空数据中的值并不为0,而是未初始化的随机值(垃圾值)
ndarray6 = np.ones([3, 3])
ndarray6
empty_like的用法同上
ndarray7 =np.empty_like(ndarray6)
ndarray7
eys创建对角矩阵数组
该函数用于创建一个N*N的矩阵,对角线为1,其余为0.
np.eye(5)
arange创建数组
arange函数是python内置函数range函数的数组版本.
#产生0-9共10个元素
ndarray8 = np.arange(10)
ndarray8
# 产生10 12 14 16 18, 2为step ndarray9 = np.arange(10, 20, 2) ndarray9
2.2 数据类型
我们可以通过ndarray的dtype来打印数组中元素的类型. ndarray常见的数据类型如下:
ul 表示无符号正数,没有负数
类型 | 类型代码 | 说明 |
---|---|---|
int8、uint8 | i1、u1 | 有符号和无符号的8位(1个字节长度)整型 |
int16、uint16 | i2、u2 | 有符号和无符号的16位(2个字节长度)整型 |
int32、uint32 | i4、u4 | 有符号和无符号的32位(4个字节长度)整型 |
float16 | f2 | 半精度浮点数 |
float32 | f4或f | 标准单精度浮点数 |
float64 | f8或d | 双精度浮点数 |
bool | ? | 布尔类型 |
object | O | Python对象类型 |
unicode_ | U | 固定长度的unicode类型,跟字符串定义方式一样 |
import numpy as npndarray1 = np.array([1, 2, 3, 4])
ndarray2 = np.array(list('abcdefg'))
ndarray3 = np.array([True, False, False, True])
class Person(object):pass
ndarray4 = np.array([Person(), Person(), Person()])
依次查看类型
ndarray1.dtype
使用astype函数转换数组类型
ndarray5 = np.array([1, 2, 3, 4, 5])
# 类型转换完毕返回新的数组
ndarray6 = ndarray5.astype(np.float32)
ndarray6.dtype
ndarray7 = np.array([1.1, 2.2, 3.3, 4.4])
# 如果浮点数转换为整数,则小数部分将会被截断
ndarray8 = ndarray7.astype(np.int32)ndarray8
ndarray9 = np.array(['10', '20', '30', '40'])
# 如果某些字符串数组表示的全是数字,也可以用astype将其转换为数值类型
ndarray10 = ndarray9.astype(np.int32)
ndarray10
数组运算
快速切换到Markdown的快捷键 Esc +M
不需要循环即可对数据进行批量运算,叫做矢量化运算. 不同形状的数组之间的算数运算,叫做广播.
reshape()函数可以重新设置数组的shape
ndarray2= np.arange(9).reshape((3,3))
ndarray2
数组和数字之间的运算(广播的形式挨个遍历)
ndarray3 = np.arange(10)
ndarray3+100
ndarray3 * 10
ndarray2+100
数组还可以进行布尔运算
ndarray1 = np.arange(10)
ndarray1>2
1 np.random.randint(0, 10, 5) 随机产生5个0-10的元素
np.random.randint(0, 10, 5)
2 np.random.randint(0, 10, (3, 4)) 随机产生3行4列的元素
np.random.randint(0, 10, (3, 4))
数组和数组运算
ndarray4 = np.random.randint(0, 10, 5)
ndarray4
ndarray5 = np.random.randint(0, 10, 5)
ndarray5
ndarray4 + ndarray5
ndarray6 = np.random.randint(0, 10, (3, 4))
ndarray6
ndarray7 = np.random.randint(0, 10, (3, 4))
ndarray7
ndarray6+ndarray7
ndarray8 = np.random.randint(0, 10, 4)
ndarray8
ndarray6 + ndarray8
一维数组和多维数组进行想加是每一行,每一行进行广播想加
数组索引和切片
Numpy数组的索引是一个内容丰富的主题,因为选取数据子集或单个元素的方式有很多。一维数组很简单。从表面上看,它们和Python列表的功能差不多。
数组索引和切片基本用法
ndarray1 = np.arange(25).reshape((5, 5))
ndarray1
获取二维数组的第一个元素(数组)
ndarray1[0]
获取二维数组第一个元素的第二个元素
ndarray1[0][1]
获取二维数组的前三个元素(数组)
ndarray1[:3]
获取二维数组的前三个元素的前两个元素
ndarray1[:3][:2]
获取二维数组的前三个元素,每个元素从2开始切片
ndarray1[:3,2:]
注意:
- 当把一个数字值赋值给一个切片时,该值会自动传播到整个选区。跟列表的区别在于,数组切片是原始数组的视图,这意味着数据不会被赋值,视图上的任何修改都会直接反应到源数组上.
- 大家可能对此感到不解,由于Numpy被设计的目的是处理大数据,如果Numpy将数据复制来复制去的话会产生何等的性能和内存问题.
- 如果要得到一个切片副本的话,必须显式进行复制操作.
数组花式索引
ndarray2 = np.empty((8,8))for val in range(8):ndarray2[val]= np.arange(val,val+8)ndarray2
获取指定下标元素的集合
ndarray2[[1,3,5]]
获取筛选后的1,2元素
ndarray2[[1,3,5]][[1,2]]
获取筛选后每个元素的第0个元素
ndarray2[[1,3,5],0]
获取筛选后每个元素,从下标0开始切片到2
ndarray2[[1,3,5],:2]
获取每个元素的指定的元素
ndarray2[[1,3,5],[0,1,2]]
布尔型索引
# 获取一个随机3行4列的数组
country_data = np.random.randint(1000,10000,(4,3))
country_data
添加行索引
country_index = np.array(['中国','美国','德国','法国'])
country_index
country_index == '美国'
# 也就是一个数组里面又嵌套了一个数组
country_data[country_index == '美国']
添加列索引
country_col=np.array(['经济','军事','人口'])
# 先计算军事这个元素在数组中第几个位置
np.argwhere(country_col == '军事')
取出这个位置
np.argwhere(country_col == '军事')[0][0]
获取法国的人口
country_data[country_index == '法国'][0][np.argwhere(country_col == '人口')[0][0]]
查看元素在数组中的第几个位置
np.argwhere(条件)
np.argwhere(country_data == 8377)
布尔类型数组跟切片、整数混合使用
names = np.array(['aaa', 'bbb', 'ccc', 'ddd', 'eee', 'fff', 'ggg'])
data = np.arange(35).reshape((7, 5))data
ret1 = data[names == 'ccc']
ret1
布尔类型数组和整数混合使用
ret2= data[names == 'ccc', 2]
ret2
布尔类型数组和切片混合使用
ret3= data[names == 'ccc', 1:]
ret3
使用不等于!=,使用(~)对条件否定
ret1 = data[names != 'ccc']
ret1
ret2 = data[~(names == 'ccc')]
ret2
ret3 = data[~(names > 'ccc')]
ret3
使用&(和)、|(或)组合多个布尔条件
ret1 = data[(names == 'aaa') | (names == 'ccc')]
ret1
ret2 = data[(names > 'ddd') | (names == 'aaa')]
ret2
ret3 = data[(names < 'eee') & (names > 'bbb') ]
ret3
使用布尔类型数组设置值是一种经常用到的手段
ndarray1 = np.arange(5)
ndarray2 = np.arange(16).reshape((4, 4))
names = np.array(['aaa', 'bbb', 'ccc', 'ddd'])
将数组ndarray1中所有大于2的元素设置成666
ndarray1[ndarray1 > 2] = 666
ndarray1
将ndarray2的aaa这一行所有的元素设置为0
ndarray2[names == 'aaa'] = 0
ndarray2
将ndarray2的bbb这一行2位置往后所有的元素设置为1
ndarray2[names == 'bbb', 2:] = 1
ndarray2
将ndarray2的ccc ddd这2行所有的元素设置为2
ndarray2[(names == 'ccc') | (names == 'ddd')] = 2
ndarray2
zip 函数的使用
zip([列表1],[列表2])用法,拿列表中1的值,在拿列表2中的值,进行一一对应
for a,b in zip([ True, True, False, True, True, True, True],data):print(a,b)
# 只取为真的值
for a,b in zip([ True, True, False, True, True, True, True],data):if a:print(a,b)
np.where用法
np.where()函数的使用-----------> np.where(条件,满足条件是什么值,不满足条件是什么值)
ndarray1 = np.random.randint(-10, 10, (5, 5))
ndarray1
把数组中小于0的值改为100
np.where(ndarray1<0,100,ndarray1)
将数组中大于-3小于3的值改为100
np.where(ndarray1>-3,np.where(ndarray1<3,100,ndarray1),ndarray1)
转载于:https://www.cnblogs.com/crazymagic/p/8094307.html
2 数据分析之Numpy模块(1)相关推荐
- arcgis的numpy模块_数据分析之numpy模块
Numpy Numpy是Numerical Python的简写,主要可以用来做Python数值计算.它提供了多种数据结构.算法以及大部分涉及Python数值计算所需的接口. 快速.高效的多维数组对象n ...
- python 数据分析模块_Python数据分析之Numpy模块
import Numpy as np ar=np.array([[1,3,5,7,9],[2,4,6,8,10]]) # Numpy.array中必须是数组 print(ar,type(ar)) # ...
- 数据分析:Numpy模块(一)
Numpy数值计算基础 一.创建数组对象 1.数组属性: 属性 说明 ndim 返回int,表示数组的维度,即数组的秩 shape 返回 tuple.表示数组的尺寸,对于 n 行 m 列的矩阵,形状为 ...
- 数据分析:numpy模块(二)
Numpy创建矩阵 矩阵的创建 1.使用 mat 函数创建矩阵: matr1 = np.mat("1 2 3; 4 5 6; 7 8 9") 2.使用 matrix 函数创建矩阵: ...
- python数据分析numpy_Python数据分析之numpy学习
Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...
- python np fft_Python的武器库05:numpy模块(下)
说到编程语言python,有一个著名的格言"余生太短,只用python".如果要分析为什么会存在这么一句格言?python的语法并不简单,有复杂难懂的部分,之所以又这样一句格言,是 ...
- [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数据分析numpy_(转)Python数据分析之numpy学习
Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...
- python nan判断_Python数据分析:Numpy基本操作
NumPy:数组计算 NumPy是高性能科学计算和数据分析的基础包.它是Pandas等其他各种工具的基础 NumPy的主要功能: ndarray,一个多维数据结构,高校且节省空间 无需循环即可对整组数 ...
最新文章
- Linux设置开机启动
- linux怎么配置mysql数据库服务器_linux下指定mysql数据库服务器主从同步的配置实例...
- bert模型中的[CLS]、[UNK]、[SEP]
- 10.27 noip模拟试题
- 封装的ADO.NET对数据库操作经典类
- C语言如何设计随机数
- Python解释器【转载】
- 小米wifi 苹果驱动安装教程macOS Mojave 10.14,Sierra 10.12测试通过
- Android四大组件(activity task stack)
- C++银行管理系统源代码
- 共享打印机提示服务器没有运行,winXP共享打印机提示“工作站服务没有启动”|没有启动服务器Workstation服务...
- 机器人抓取中物体3D定位算法介绍
- 常见For 循环优化方式总结——提高效率小妙招
- jQuery小游戏之锅打灰太郎
- [JMeter]java.net.URISyntaxException: Malformed escape pair at index 83
- linux双系统启动引导,linux windows 双系统并存与启动引导
- 【Luat-air105】8.2 fatfs及照片存储
- 报错 expect ‘:‘ at 0, actual = com.alibaba.fastjson.JSONException: expect ‘:‘ at 0, actual =
- 365天挑战LeetCode1000题——Day 117 数位DP II
- 为什么你的抖音号涨粉慢,粉丝上不去的关键原因
热门文章
- 电路中 电容的作用【大全】!
- 可视化实例(三)Tableau基础绘图介绍——横向条形图、双轴折线图、直方图
- xp计算机管理员账户无法更改,XP系统administrator账户无法显示怎么办
- vc克罗斯方块c语言代码,克罗斯两射一传,德国4:0白俄罗斯晋级欧洲杯正赛
- 数据挖掘冰山立方体的构建:BUC算法的实现
- JAMA发表备受期待的22nd Century SPECTRUM(R)极低尼古丁含量香烟III期研究结果
- 列出两个日期间的所有日期(使用oracle的rownum实现在sql中使用循环)
- python历史波动率_历史波动率计算问题?
- 为什么你吃了六味地黄丸耳鸣没有好?
- 深度学习之昆虫种类识别