Numpy 的核心是 ndarray 对象，包含了多维数组以及多维数组的操作；

一、ndarray

1、构建ndarray

np.array(object, dtype=None)object:转换的数据dtype:数据元素的数据类型（int、float等)

import numpy as np
#全部行都能输出
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

2、数据类型

2.1、查看数据类型

2.2、基本数据类型

2.3、向上转换规则

NumPy 数组必须包含同一类型的数据。如果类型不匹配，NumPy 将会向上转换（如果可行）。

确保数据完整性：整数->小数->字符串

2.4、指定类型创建

字符型转化为数值型，将报错；

2.5、类型转换

第一种方式： ndarray.astype("数据类型名")
第二种方式： ndarray.astype(np.数据类型名)

3、Numpy 的矢量化（向量化）功能

二、常用数组

1、全0数组

np.zeros(shape,dtype)/np.zeros_like(a)

2、全1数组

np.ones(shape, dtype)/np.ones_like(a)

3、全n数组

np.full(shape, full_value)/np.full_like(a, full_value))

4、单位数组

np.eye(n,m,k)

n行数，m列数，k偏移量

返回一个二维数组，其中对角线为1，零点为零的二维数组

5、空值和无群大

np.nan、np.inf 都是浮点类型；

数组中如何有一个数据是空值,那么所有的数据都只能是浮点型；

6、随机数组

6.1、随机整数数组

6.2、随机小数数组

返回在区间[0,1)范围中的随机浮点数

6.3、正态分布

a、标准正态分布：

b、正态分布：

np.random.normal(loc,scale,size)
loc为均值，scale为标准差，size为数组形状
如果平均值和标准差为0和1，或者不写这两个参数，就等同于np.random.randn()

7、随机种子

np.random.seed(Num)可以设置一组种子值，确保每次程序执行都可以生成同样的随机数组。

8、线性序列

8.1、np.arange()

创建一个线性序列数组，给定间隔内返回均匀间隔的值，可以设置开始位置,终止位置和步长。

8.2、np.linspace()

创建一个线性序列数组，给定间隔内返回均匀间隔的值，设置开始位置和终止位置以及产生数量。

三、nddaray常用属性

查看数组形状：a.shape
查看维度：a.nidm
查看数组元素个数：a.size
查看元素字节大小：a.itemsize

四、数组的切片和索引

4.1、多维数组的索引

4.2、修改某一个元素的值

ndarry的形状无法修改，个数固定了,所以长度必须对应；
列表也可以通过索引来修改数据，但是长度不用固定；

五、深拷贝&浅拷贝

1、浅拷贝

浅拷贝：指向同一块内存，修改其中任何一个数组，都修改了原内存；

1.1、直接赋值

1.2、切片情况

1.3、使用view创建一个视图（浅复制）

2、深拷贝

深拷贝：创建新的内存，与原内存可单独修改；

方法：a.copy()

六、数组的操作

1、数组的变形

1.1、reshape

元素个数不变，返回新数组，不会对原数组做改变；

1.2、resize

元素个数可变，在原数组基础上做改变；

1.3、ravel

返回新数组；

1.4、转置

返回新数组

2、数组的拼接

concatenate（(a1, a2, ...), axis）
axis指定沿着哪个轴进行拼接，默认0轴
0轴拼接保列数相同（行拼接），1轴拼接保行数相同（列拼接）

3、数组的拆分

np.split(arr,indices_or_sections,axis)

indices_or_sections：int或1-D数组。
如果indices_or_sections是一个整数N，则数组将被分割沿着'轴'进入N个相等的数组。
如果indices_or_sections是排序整数的1-D数组，则为条目指示数组被分割的“轴”的位置。
如果索引超过沿“轴”的数组维度，相应地返回一个空的子数组。

七、广播机制

规则1：如果两个数组形状中，只有其中一个维度相同，另一个维度不一致，但是其中一个数组有维度为1，则可以补齐
规则2：如果两个数组的形状在任何一个维度都不匹配，但两个数组都有其中以维度为1，则数组的形状会沿着维度为1的维度扩展，以匹配另外一个数组形状。
规则3：如果两个数组的形状在任何一个维度上都不匹配,并且没有任何一个维度等于1，会广播错误。

八、numpy的运算

Numpy 中数组上的算术运算符使用元素级别。最后的结果使用新的一个数组来返回。

1、基本运算

如果需要修改现有数组，而不是创建新数组，应该使用等号进行赋值。

2、常用函数

3、规约函数

4、Numpy的快速排序

4.1、np.sort()

4.2、np.argsort()

返回将对此数组进行排序的索引。

数据清洗：Numpy相关推荐

Python 数据分析之 Numpy (二)
作者:小蜗牛爱学习来源:https://blog.csdn.net/qq_42755939/article/details/107032142 一.Numpy读取文件 loadtxt()方法 num ...
数据工程师需要掌握的 18 个 Python 库
作者 | 刘早起早起责编 | 屠敏本文对Python中在数据分析中需要掌握的库进行了整理,一起来看看吧! 目录数据获取 Selenium Scrapy Beautiful Soup 数据清洗 S ...
数据工程师需要掌握的18个python库
本文对python中在数据分析中需要掌握的库进行了整理,一起来看看吧! 目录数据获取 Selenium Scrapy Beautiful Soup 数据清洗 Spacy NumPy Pandas 数 ...
大数据清洗1（numpy之Ndarray对象）
numpy之Ndarray对象一.了解数据清洗二.了解numpy库 1. 发展: 2. 安装: 3. 特性三.NumPy-Ndarray对象三.数组的属性 1.了解 2.数组的属性四.Num ...
数据清洗常用工具之Numpy
数据清洗常用工具之Numpy 目前在 Python 中,numpy 和 pandas 是最主流的工具 Numpy 中的向量化运算使得数据处理变得高效 Pandas 提供了大量数据清洗的高效方法在Py ...
python数据清洗工具、方法、过程整理归纳（一、数据清洗之常用工具——numpy，pandas）
文章目录 1 背景 2 常用工具 2.1 numpy 2.2 pandas 1 背景数据清洗是整个数据分析过程的第一步,也是整个数据分析项目中最耗费时间的一步: 数据分析的过程决定了数据分析的准确性 ...
【Python数据清洗】numpy.take()用法
numpy.take()用法学了Python很长时间了但是一直没有去研究take的使用方法今天周末加班研究一下写一个简单的笔记,基本上都是借鉴别人的其旨在根据提供的索引值将元素形成数组输出,如 ...
数据科学必备Pandas、NumPy进行数据清洗方法详解
作为征战多年数据科学领域的小伙伴都很清楚,获取和清理数据的初始步骤会占据工作的 80%,花费大量时间来清理数据集并归结为可以使用的形式. 因此如果是刚刚踏入这个领域或计划踏入这个领域,重要的是能够处理 ...
Python数据挖掘：数据探索，数据清洗，异常值处理
来源:天善智能韦玮老师课堂笔记作者:Dust 探索性数据分析Exploratory Data Analysis,EDA 数据探索的核心是︰ 1.数据质量分析(跟数据清洗密切联系) 2.数据特征分析 ...

数据清洗：Numpy