数据分析之numpy库

偏执的太偏执、 2023-02-27 12:29 22阅读 0赞

**numpy的基础语法**

## 1.索引和切片 ##

用方括号里逗号隔开

import numpy as np
    q = np.array([[1,2,3],[4,5,6],[7,8,9]])
    # 索引和切片
    print(q[1,2])
    #out:6

## 2.修改值 ##

索后直接赋值

# 修改值
    q[1,2] = 9
    print(q[1,2])
    #out:9
    
    #用条件判断来修改值，小于6则等于1否则等于0
    #注意修改后必须赋值
    qq = np.where(q < 6,1,0)
    print(qq)
    #结果为:
    [[1 1 1]
     [1 1 0]
     [0 0 0]]

## 3.cilip裁剪操作 ##

q = np.array([[1,2,3],[4,5,6],[7,8,9]])
    i = q.clip(6,7)#小于6的换成6，大于7的换成7.
    print(i)
    #结果为：
    [[6 6 6]
     [6 6 6]
     [7 7 7]]

## 4.nan和inf ##

> 当读取本地文件为float的时间如果有缺失，就会出现nan  
> 当做了一个不合适的计算的时候（比如无穷大(inf)减去无穷大）  
> inf表示正无穷，-inf表示负无穷。  
> 比如一个数除以0，python中会报错,在numpy中是一个inf或者-inf。  
> 它们都是浮点类型

#用np.nan = np.nan
    #结果为Flase
    np.count_nonzero(q!=q)#判断nan,如果是返回1
    np.isnan(q) #打印出布尔类型值,nan为True

**nan与任何数计算都得到nan**  
一般nan会替换成均值或者中值  
或者删除一行数据

#nan赋值为0
    q[np.isnan(q)] = 0

## 5.统计不为0数字的个数(nan也排除在外) ##

np.count\_nonzero()

import numpy as np
    q = np.array([[0,0,0],[4,5,6],[7,8,9]])
    a = np.count_nonzero(q)
    print(a)
    #结果为6

\*\*

## 6.求和方法 ##

\*\*

import numpy as np
    q = np.array([[9,0,0],[7,5,6],[7,8,9]])
    print(np.sum(q))#计算所有元素的和
    #结果为51
    print(np.sum(q,axis = 0))#计算q所有列的求和，axis为数据的维度
    #结果为[23 13 15]

## 7.常用统计函数 ##

np.median(q,axis = None)#求中值
    q.mean()#求均值
    q.sum()#求和
    q.max()#最大值
    q.min()#最小值
    np.ptp(q,axis = None)#极差，最大值和最小值的差
    q.std(axis = None)#标准差,展示平均值分散程度的，越大越不稳定，表示数据偏向平均值

## 8.读取本地文件 ##

np.laodtxt("文件路径",dtype = float,delimiter = ',')
    np.savetxt("文件名")