python數據分析與展現（一）

NumPy庫學習

一.數據的維度

數據的維度是數據的組織形式。

• 一維數據：由對等關係的有序或無序數據構成，採用線性方式組織。例如列表和數組，這二者的區別是列表的數據類型能夠不一樣，數組的數據類型必須相同。
• 二維數據：由多個一維數據構成，是一維數據的組合形式。例如表格是典型的二位數據。
• 多維數據：由一維或二維數據在新維度上擴展造成
• 高維數據：僅利用最基本的二元關係展現數據間的複雜結構。例如json、yaml格式的數據。

二.數據維度的python表示

#一維數據：列表和集合類型
[1,2,3] #有序
{1,2,3} #無序

#二維數據：列表類型
[[1,2,3],
 [4,5,6]]

#多維數據
[[[1,2,3],
  [4,5,6]],
 [7,8,9],
 [4,4,4]]

#高維數據：字典類型或數據表示格式，例如JSON、XML、YAML
dict={
        'firstName':'Tian',
        'lastName':'Song',
    }

 三.NumPy的多維數組對象：ndarray

1.NumPy是一個開源的python科學計算基礎庫，包含：

• 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，傅里葉變換、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

2.NumPy的引用：

import numpy as np

#這是一種約定俗成的引用名稱，建議使用上述約定的別名

3.python已經有列表類型，爲何須要一個數組對象？

• 數組對象能夠去除元素運算所需的循環，使一維向量更像單個數據
• 設置專門的數組對象，通過優化，能夠提高這類應用的運算速度
• 數組對象採用相同的數據類型，有助於節省運算和存儲空間

例如如下事例：

#計算A^2+B^2，其中A和B是一維數組
import numpy as np
#使用列表的方式
def pySum():
    a=[0,1,2,3,4]
    b=[5,6,7,8,9]
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**2)
    return c
print("pySum-->",pySum())

#使用數組的方式
def npSum():
    a=np.array([0,1,2,3,4])
    b=np.array([5,6,7,8,9])
    c=a**2+b**2
    return c
print("npSum-->",npSum())

#運行結果
'''
pySum--> [25, 37, 53, 73, 97]
npSum--> [25 37 53 73 97]
'''
#可見若是採用數組的方式，numy把一維向量看成單個數據對待，這樣更有利於進行科學計算

4.ndarray對象的構成：

• 實際的數組
• 描述這些數據的元數據（數據維度、數據類型等）

ndarray數組通常要求全部元素類型相同（同質），數組下標從0開始

ndarry實例：

import numpy as np

#ndarray在程序中的別名是：array
#np.array()生成一個ndarray數組
a=np.array([[0,1,2,3,4],
            [5,6,7,8,9]])

print(a)    #np.array()輸出成[]形式，元素有空格分割

'''
[[0 1 2 3 4]
 [5 6 7 8 9]]
'''
#軸(axis)：保存數據的維度；秩(rank)：軸的數量

5.ndarray對象的屬性

• .ndim：秩，即軸的數量或維度的數量
• .shape：ndarray對象的尺度，對於矩陣的n行m列
• .size：ndarray對象元素的個數，至關於.shape中的n*m的值
• .dtype：ndarray對象的元素類型
• .itemsize：ndarray對象中每一個元素的大小，以字節爲單位

實例：

import numpy as np

a=np.array([[1,2,3,4],
            [5,6,7,8]])

print("維度：",a.ndim)
print("尺度：",a.shape)
print("元素個數：",a.size)
print("元素的類型:",a.dtype)
print("元素的大小：",a.itemsize)

'''
維度： 2
尺度： (2, 4)
元素個數： 8
元素的類型: int32
元素的大小： 4
'''

6.ndarray的元素類型

ndarrya爲何要支持這麼多種元素類型？

• 科學計算涉及數據較多，對存儲和性能都有較高要求
• 對元素類型精肯定義，有助於NumPy合理使用存儲空間並優化性能
• 對元素類型精肯定義，有助於程序員對程序規模有合理評估

7.非同質的ndarray對象

非同質的ndarray元素爲對象類型，沒法有效發揮NumPy優點，儘可能避免使用

import numpy as np

a=np.array([[1,2,3,4],
            [5,6,7]])

print("尺度：",a.shape)
print("元素個數：",a.size)
print("元素的類型:",a.dtype)
print("元素的大小：",a.itemsize)

'''
尺度： (2,)
元素個數： 2
元素的類型: object
元素的大小： 8
'''
#此時每一個一維向量被當成一個對象（元素）

8.ndarray數組的建立

(1)從python中的列表、元組等類型建立ndarray數組

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

#當np.array()不指定dtype時，NumPy將根據狀況關聯一個dtype類型

例子：

(2)使用NumPy中函數建立ndarray數組，如：arrange，ones，zeros

#######

注：使用np.arange()方法建立的數組默認是int32類型，另外幾種方法默認是float類型

例子：

 

例子：

例子：

9.ndarray數組的變換

(1)ndarray數組的維度變換

例子：

(2)ndarray數組的類型變換

new_a = a.astype(new_type)

#astype()方法必定會建立新的數組()原始數組的一個拷貝，即便兩個類型一致

例子：

(3)ndarray數組向列表的轉換

ls=a.tolist()

例子：

10.ndarray數組的操做

(1)ndarray數組的索引和切片

一維數組的索引和切片：與python的列表相似

多維數組的索引：

多維數組的切片：

(2)ndarray數組的運算

數組與標量之間的運算做用於數組的每個元素

(3)NumPy一元函數

例子：

(4)NumPy二元函數

 

例子：