python數據分析NumPy入門
維度:一組數據的組織形式
一維數據:由對等關系的有序或無序數列構成,采用線性方式組織 (列表,集合) (數組)
列表和數組
二維數據:由多個一維數據構成,是一維數據的組合形式 (表格)(列表) 多維數據:由一維或二維數據在新維度上擴展形成(多維列表) 高維數據僅利用最基本的二元關系展示數據間的復雜結構 (字典)
Numpy Numpy 是一個開源的python科學計算基礎庫 一個強大的N維數組對象 ndarray 廣播功能函數 整合C/C++/Fortran代碼的工具 線性代數、傅裏葉變換、隨機數生成等功能 Numpy是SciPy、Pandas等數據處理或科學計算庫的基礎
Numpy的引用 import numpy as np 引入模塊的別名 ps: 盡管別名可以省略或更改,建議使用上述約定的別名
例子 計算A^2+B^3,其中A和B是一維數組
import numpy as np
def npSum(): a = np.array([0,1,2,3,4]) b = np.array([9,8,7,6,5]) c = a2 + b3 return c
print(npSum )
N維數組對象:ndarray 數組對象可以去掉元素間運算所需的循環,使一維向量更像單個數據 設置專門的數組對象,經過優化,可以提升這類應用的運算速度
N維數組對象:Ndarray
ndarray是一個多維數組對象,由兩部分構成:
實際的數據
描述這些數據的元數據(數據維度、數據類型等)
ndarray 數組一般要求所有元素的類型相同(同質) 數組下標從0開始
ndarray 實例 np.array()可以生成一個ndarray數組 np.array()輸出形式為[],元素由空格分割 軸:保存數組的維度 秩:軸的數量
ndarray對象的屬性
.ndim 秩,即軸對象的數量或維度的數量
.shape ndarray對象的尺度,對於矩陣,n行m列
.size ndarray對象元素的個數,相當於.shape 中 n*m的值
.dtype ndarray對象中每個元素的類型
ndarray 的元素類型
對比python 對比:python語法僅支持整數、浮點數和復數3種類型
科學計算設計數據較多,對於存儲和性能都有較高要求
對元素類型精細定義,有助於Numpy合理使用存儲空間並優化性能。
有助於程序員對程序規模有合理評估
ndarray數組的創建方法
1.從Python中的列表、元祖等類型創建ndarray數組 x = np.array(list/tuple) x = np.array(list/tuple,dtype = np.float32) 當np.array()不指定dtype時,NumPy將根據數據情況關聯一個dtype類型。
2.使用Numpy中函數創建ndarray數組,如:arange、ones、zeros等。 np.arange(n):類似range()函數,返回一個ndarray類型,元素從0-n-1 np.ones(shape):根據shape生成一個全是1的數組,shape是元祖類型。 np.zeros(shape):根據shape生成一個全是0的數組,shape是元祖類型。 np.full(shape,val):根據shape生成一個數組,每個元素的值都是val。 np.eye(n):創建一個正方的n*n單位矩陣,對角線為1,其余為0。 np.empty(shape):隨機創建一個數組,根據內存狀態。
np.ones_like(a):根據數組a的形狀生成一個全1數組
np.zeros_like(a):根據數組a的形狀生成一個全0數組
np.full_like(a,val):根據數組a的形狀生成一個數組,每個元素都是val
?
np.linspace():根據起止數據等間距地填充數據,形成數組。
np.concatenate():將兩個或多個數組合並成一個新的數組
ndarray數組的維度變換 .reshape(shape):不改變數組元素,返回一個shape形狀的數組,原數組不變 .resize(shape):與.reshape()功能一致,但修改原數組 .swapaxes(ax1,ax2):將數組n個維度中兩個維度進行調換 .flatten():對數組進行降維,返回折疊後的一維數組,原數組不變 ndarray數組的類型變換 .astype(new_type)方法一定會創建新的數組(原始數據的一個拷貝),即使兩個類型一致。 .tolist()數組向列表的轉換 3.從字節流(raw bytes) 中創建ndarray 數組。
4.從文件中讀取特定格式,創建ndarray 數組
數組的索引與切片 一維數組: a = np.array([9,8,7,6,5]) a[2] #7 索引 a[1:4:2] #array([8,6]) 起始編號:終止編號(不包含):步長
多維數組:
a = np.arange(24).reshape((2,3,4))
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],a
?
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
#索引
a[1,2,3] #23
a[0,1,2] #6
a[-1,-2,-3] #17
#數組的索引都是從0開始,每個維度用,分割
#切片
a[:,1,-3]
#array([5,17])
?
所有維度下的索引1的內容的-3
a[:,1:3,:] ? #array([[[4,5,6,7], ? [8,9,10,11]], ?
[[16,17,18,19],
[20,21,22,23]]])
?
#所有維度下的所有1-3 即4-11 和16-17
a[:,:,::2]
#array([[[0,2],
[4,6],
[8,10]],
?
[[12,14],
[16,18],
[20,22]]])
?
所有維度下的所有值的所有元素 步長為2
ps: 選取一個維度用‘ : ‘ 每個維度切片方法與一維數組相同 每個維度可以使用步長跳躍切片
ndarray數組的運算
數組與標量之間的運算作用於數組的每一個元素
a.mean()平均值
NumPy一元函數
對ndarray中的數據執行元素級運算的函數
?
np.abs(x) np.fabs(x) 計算數組各元素的絕對值
np.sqrt(x) 計算數組各元素的平方根
np.square(x) 計算數組各元素的平方
np.log(x) np.log10(x) 計算數組各元素的自然對數
np.log2(x) 10底對數和2底對數
np.ceil(x) np.floor(x) 計算數組各元素的ceiling的值或floor值
ps:
ceiling:不超過元素的整數值
floor:小於這個元素的最大整數值
np.rint(x) 計算數組各元素的四舍五入值 np.modf(x) 計算數組各元素的小數和整數部分以兩個獨立數組形式返回 np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) 計算數組各元素的普通型和雙曲型三角函數 np.tan(x) np.tanh(x) np.exp(x) 計算數組各元素的指數值 np.sign(x) 計算數組各元素的符號值,1(+),0,-1(-)
矩陣拼接
#這裏介紹一下矩陣拼接 In [1]: import numpy as np In [2]: a = np.floor(10*np.random.random((2,2))) In [3]: b = np.floor(10*np.random.random((2,2))) In [4]: a Out[4]: array([[5., 1.], [5., 9.]]) In [5]: b Out[5]: array([[9., 1.], [2., 7.]]) In [6]: np.hstack((a,b))#調用 ndarray中的hstack方法進行行拼接 Out[6]: array([[5., 1., 9., 1.], [5., 9., 2., 7.]]) In [7]: np.vstack((a,b))#調用 ndarray中的hstack方法進行列拼接 Out[7]: array([[5., 1.], [5., 9.], [9., 1.], [2., 7.]])
#這裏介紹矩陣的拆分 In [9]: import numpy as np In [10]: a = np.floor(10*np.random.random((2,12))) In [11]: a Out[11]: array([[6., 6., 8., 7., 2., 9., 6., 2., 6., 7., 7., 5.], [7., 5., 1., 0., 4., 0., 2., 0., 9., 8., 1., 0.]]) In [12]: np.hsplit(a,3)#平均拆分為3個數組 Out[12]: [array([[6., 6., 8., 7.], [7., 5., 1., 0.]]), array([[2., 9., 6., 2.], [4., 0., 2., 0.]]), array([[6., 7., 7., 5.], [9., 8., 1., 0.]])] In [13]: np.hsplit(a,(3,4))#從3,4開始拆分 分成三個數組 這裏3,4自成一個數組 Out[13]: [array([[6., 6., 8.], [7., 5., 1.]]), array([[7.], [0.]]), array([[2., 9., 6., 2., 6., 7., 7., 5.], [4., 0., 2., 0., 9., 8., 1., 0.]])] In [14]: a = np.floor(10*np.random.random((2,12))) #縱向拆分 In [16]: a = np.floor(10*np.random.random((12,2))) In [17]: a Out[17]: array([[1., 1.], [3., 4.], [5., 5.], [7., 4.], [3., 8.], [7., 5.], [4., 7.], [2., 4.], [6., 7.], [6., 6.], [6., 3.], [6., 1.]]) In [18]: np.vsplit(a,3) Out[18]: [array([[1., 1.], [3., 4.], [5., 5.], [7., 4.]]), array([[3., 8.], [7., 5.], [4., 7.], [2., 4.]]), array([[6., 7.], [6., 6.], [6., 3.], [6., 1.]])] In [19]: np.vsplit(a,(3,4)) Out[19]: [array([[1., 1.], [3., 4.], [5., 5.]]), array([[7., 4.]]), array([[3., 8.], [7., 5.], [4., 7.], [2., 4.], [6., 7.], [6., 6.], [6., 3.], [6., 1.]])]
python數據分析NumPy入門