亲宝软件园·资讯

展开

Python 数据分析 Python数据分析之Numpy库的使用详解

Paranoid☆ 人气:0
想了解Python数据分析之Numpy库的使用详解的相关内容吗,Paranoid☆在本文为您仔细讲解Python 数据分析的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:Python,数据分析,Python,Numpy,下面大家一起来学习吧。

前言

由于自己并不以Python语言为主,这里只是简单介绍一下Numpy库的使用

提示:以下是本篇文章正文内容

🧡Numpy库介绍

numpy 库处理的最基础数据类型是由同种元素构成的多维数组(ndarray), 简称" 数组”,数组中所有元素的类型必须相同, 数组中元素可以用整数索引, 序号从0开始。 ndarray类型的维度(dimensions)叫做轴(axes), 轴的个数叫做秩(rank)。 一维数组的秩为1, 二维数组的秩为2, 二维数组 相当于由两个一维数组构成

numpy 库概述:
由于numpy 库中函数较多且命名容易与常用命名混淆,建议采用如下方式引用numpy 库:

import numpy as np

其中, as保留字与import一起使用能够改变后续代码中库的命名空间, 有助于提高代码可读性。 简单说, 在程序的后续部分中, np代替numpy。

💙ndarray 类常用属性

创建一个简单的数组后, 可以查看ndarray类型有一些基本属性

1.ndarray.ndim
数组轴的个数,在python的世界中,轴的个数被称作秩

2.ndarray.shape
数组的维度。这是一个指示数组在每个维度上大小的整数元组。例如一个n排m列的矩阵,它的shape属性将是(2,3),这个元组的长度显然是秩,即维度或者ndim属性

3.ndarray.size
数组元素的总个数,等于shape属性中元组元素的乘积。

4.ndarray.dtype
一个用来描述数组中元素类型的对象,可以通过创造或指定dtype使用标准Python类型。另外NumPy提供它自己的数据类型。

5.ndarray.itemsize
数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(=64/8),又如,一个元素类型为complex32的数组item属性为4(=32/8).

6.ndarray.data
包含实际数组元素的缓冲区,通常我们不需要使用这个属性,因为我们总是通过索引来使用数组中的元素。

import numpy as np #引入numpy模块
a = np.ones((4,5))
print(a)
print('数据轴个数: ',a.ndim)
print('每个维度的数据个数: ',a.shape)
print('数据类型',a.dtype)

# 结果
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
数据轴个数:  2
每个维度的数据个数:  (4, 5)
数据类型 float64

小结:

在这里插入图片描述

💚Numpy常用函数

🍓array函数

函数原型:

np.array([x,y,x],dtype=int)  # 从列表和元组中创建数组

功能:array函数将列表转矩阵

import numpy as np #引入numpy模块
array=np.array([[1,2,3], #列表转矩阵
[4,5,6]])
print(array)
print('number of dim',array.ndim) #输出矩阵数据轴数
print('size',array.size) #输出矩阵总元素个数

# 结果
[[1 2 3]
[4 5 6]]
number of dim 2
size 6

🥝arange()函数和linspace()函数

函数原型:

np.arange(x,y,i)   # 创建一个由x到y,以i为步长的数组
np.linspace(x,y,n)  # 创建一个由x到y,等分为n个元素的数组
import numpy as np #引入numpy模块
a=np.arange(1,12,2)# np.arange从1到12,间隔为2
print(a)
#从2到12,生成随机6个数,并控制为2行3列
b=np.linspace(2,12,6).reshape(2,3)
print(b)

# 结果:
[ 1 3 5 7 9 11]
[[ 2. 4. 6.]
[ 8. 10. 12.]]

🍎zeros(),empty和ones()

功能:创建都是初始值相同元素(0,1)的数组
函数原型:

np.ones((m,n),dtype)  # 创建一个m行n列的全为1的数组
np.zeros((m,n),dtype)  # 创建一个m行n列的全为0的数组
np.empty((m,n),dtype)  # 创建一个m行n列的全为0的数组
import numpy as np #引入numpy模块
a=np.zeros((5,8)) #元素都是0
b=np.ones((5,6)) #元素都是1
print(a)
print(b)

# 结果:
[[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]]
[[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]

🍒ndarray 类的索引和切片方法

和列表的索引差不多的

在这里插入图片描述

import numpy as np #引入numpy模块
a = np.random.rand(5,3)#生成随机5行3列数组
print(a)
print('获取第2行',a[2]) #获取第2行
print('切片',a[1:3]) #切片, 1到3行,不包括3
print('切片',a[-5:-2:2]) #切片,从后向前,步长为2

# 结果
[[0.53469047 0.47559129 0.65865181]
[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]
[0.95744499 0.94814163 0.2155053 ]
[0.95179242 0.61544664 0.40876683]]
获取第2行 [0.11989817 0.06055933 0.56880058]
切片 [[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]]
切片 [[0.53469047 0.47559129 0.65865181]
[0.11989817 0.06055933 0.56880058]]

🍇numpy 库运算函数

在这里插入图片描述

总结

提示:这里对文章进行总结:

numpy 库还包括三角运算函数、 傅里叶变换、 随机和概率分布、 基本数值统计、 位运算、 矩阵运算等非常丰富的功能, 在使用时可以到官方网站查询

在这里插入图片描述

python基础查表

在这里插入图片描述

加载全部内容

相关教程
猜你喜欢
用户评论