python数据分析之Numpy库

ゝ一纸荒年。 2023-02-26 02:22 26阅读 0赞

# Numpy库基础 #

## Numpy介绍 ##

Numpy是一个开源的python科学计算基础库。  
\*一个强大的数组对象**ndarray**  
\*广播功能函数  
\*整合c/c++/Fortran代码的工具  
\*线性代数，傅里叶变换，随机数生成等功能  
Numpy是Scipy，pandas等数据处理或科学计算库的基础

## 基本概念 ##

**一.数据的维度**  
1.一维数据

> \[1,2,3\]

2.二维数据(表格是典型的二维数据)

> \[\[1,2,3\],\[1,2,3\]\]

3.多维数据

4.高维数据(这里的高维数据是利用二元关系表表达复杂的多维数据)

## **一.Numpy库的数组对象ndarray 引用numpy的方法** ##

问题一：为什么python有了列表，而且可以表达多维数据，我们还要数组类型呢？

> import numpy as np

ndarray是一个数组类型的数据。  
**数组对象可以去掉元素运算所需要的循环，使一维向量更像单个数据**  
我们举个例子如下:

import numpy as np
    #未使用numpy的情况,计算A的平方+B的平方
    def pysum():
        a = [0,1,2,3,4]
        b = [9,8,7,6,5]
        c= []
        for i in range(len(a)):
            c.append(a[i]**2 + b[i]**2)
        return c
    print(pysum())
    #使用numpy计算A的平方+B的平方
    a = np.array([0,1,2,3,4])
    b = np.array([9,8,7,6,5])
    print(a**2 + b**2)

**设置专门的数组对象，经过优化，可以提升这类应用的运算速度。**（numpy的实现，底层使用C语言，甚至更底层的方法支持运算）

**数组对象采用相同的数据类型，有助于节省运算和存储空间。（科学计算中一个维度的所有数据往往相同）**

**ndarray是一个多维数组对象，由两部分组成：  
实际的数据  
描述这些数据的元数据（数据的维度，数据类型等**）  
ndarray的两个基本概念  
**axis（轴）：保存数据的维度  
rank（秩）：轴的数量**  
生成一个ndarray数组

a = np.array([1,2,3])

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>.ndim</td> 
   <td>秩，即轴的数量或者维度的数量</td> 
  </tr> 
  <tr> 
   <td>.shape</td> 
   <td>ndarray对象的尺度，对于矩阵，n行m列</td> 
  </tr> 
  <tr> 
   <td>.size</td> 
   <td>ndarray对象元素的个数，相当于.shape中的n*m的值</td> 
  </tr> 
  <tr> 
   <td>.dtype</td> 
   <td>ndarray对象的元素类型</td> 
  </tr> 
  <tr> 
   <td>.itemsize</td> 
   <td>ndarray对象中每个元素的大小，以字节为单位</td> 
  </tr> 
 </tbody> 
</table>

tip:shape\[1\] 表示第一维数据中分了多少层  
创建ndarray数组

x = np.array(list/tuple)
    x = np.array(list/tuple,dtype = np.float32)

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>函数</td> 
   <td>说明</td> 
  </tr> 
  <tr> 
   <td>np.arange(n)</td> 
   <td>类似range()函数，返回ndarray类型，元素从0到n-1</td> 
  </tr> 
  <tr> 
   <td>np.ones(shape)</td> 
   <td>根据shape生成一个全1数组,shape是元组类型</td> 
  </tr> 
  <tr> 
   <td>np.zeros(shape)</td> 
   <td>根据shape生成一个全0数组,shape是元组类型</td> 
  </tr> 
  <tr> 
   <td>np.full(shape,val)</td> 
   <td>根据shape生成一个数组，每个元素都是val</td> 
  </tr> 
  <tr> 
   <td>np.eye(n)</td> 
   <td>船舰一个正方的n*n单位矩阵，对角线为1，其余为0</td> 
  </tr> 
 </tbody> 
</table>

## 二 .数组的操作 ##

**引索和切片**  
一维数组的引索和切片

import numpy as np
    a = np.array([9,8,7,6,5])
    print(a[2]) #结果为7
    
    print(a[1:4:2])#1表示开始,,位置4表示结束,位置2表示步长
    #结果为[8,6]

多维数组的索引和切片

import numpy as np
    a = np.arange(24).reshape((2,3,4))#注意reshape的参数要是列表或者元组
    #结果输出如下:
    array([[[ 0,  1,  2,  3],
            [ 4,  5,  6,  7],
            [ 8,  9, 10, 11]],
    
           [[12, 13, 14, 15],
            [16, 17, 18, 19],
            [20, 21, 22, 23]]])
      
    a[1,2,3]#1表示第一个维度，2表示第二个维度，3表示第三个维度
    23
    a[0,1,2]
    6
    a[-1,-2,-3]
    17

多维数组的引索和切片

import numpy as np
    a = np.arange(24).reshape((2,3,4))
    array([[[ 0,  1,  2,  3],
            [ 4,  5,  6,  7],
            [ 8,  9, 10, 11]],
    
           [[12, 13, 14, 15],
            [16, 17, 18, 19],
            [20, 21, 22, 23]]])
    a[:,1:3,:]#表示不管第一维度和第三维度，选取第二维度从下标1到3的元素
    [[[4,5,6,7]
      [8,9,10,11]],
     [[16,17,18,19]
      [20,21,22,23]]]
    a[:,:,::2]#表示不管第一和第二维度，也不管第三个维度,但是以2为步长来选取元素
    [[[0,2]
    [4,6]
    [8,10]],
    [[12,14]
    [16,18]
    [20,22]]]

## csv文件的存取 ##

#一维数据
    np.savetxt("qq.csv",array，fmt,delimiter)#fmt格式,delimiter分割字符串
    np.savetxt('a.csv',a,fmt = '%d',delimiter = ',')
    
    np.load('a.csv',delimiter = ',')
    #多维数据
    np.save('a.csv',a)#存
    np.laod('a.csv')#读

**随机函数**

np.random.rand()
    np.random.randn()
    np.random.randint()
    np.random.seed(s)

统计函数

np.sum(a)
    np.mean(a,axis = 1)
    np.average(a,axis = 0,weights = [10,5,1])
    np.std(a)
    np.var(a)

梯度函数

c = np.random.randint(0,50,(3,5))
    np.gradient(c)
    #后一个元素减去上一个元素然后除以间隔数
    #边上元素用本身减去上个元素除1