python 數據分析----numpy

時間 2019-11-19

標籤 python 數據分析 numpy 欄目 Python 简体版

原文原文鏈接

NumPy是高性能科學計算和數據分析的基礎包。它是pandas等其餘各類工具的基礎.數組

NumPy的主要功能：dom

ndarray，一個多維數組結構，高效且節省空間
無需循環對整組數據進行快速運算的數學函數
*讀寫磁盤數據的工具以及用於操做內存映射文件的工具
*線性代數、隨機數生成和傅里葉變換功能
*用於集成C、C++等代碼的工具

安裝方法：pip install numpyide

引用方式：import numpy as np函數

NumPy的主要對象是同質多維數組。它是一張表，全部元素（一般是數字）的類型都相同，並經過正整數元組索引.NumPy的數組的類稱爲ndarray。別名爲array。工具

建立ndarray：性能

array() 將列表轉換爲數組，可選擇顯式指定dtype

In [17]: import numpy as np

In [18]: a = np.array([2,3,4])

In [19]: a
Out[19]: array([2, 3, 4])

arange() range的numpy版，支持浮點數

In [21]: a = np.arange(10,30,5)
##(10 ,30 是指定範圍，5步長，步長支持小數)
In [22]: a
Out[22]: array([10, 15, 20, 25])


In [23]: a = np.arange(10,30,0.5)

In [24]: a
Out[24]: 
array([ 10. ,  10.5,  11. ,  11.5,  12. ,  12.5,  13. ,  13.5,  14. ,
        14.5,  15. ,  15.5,  16. ,  16.5,  17. ,  17.5,  18. ,  18.5,
        19. ,  19.5,  20. ,  20.5,  21. ,  21.5,  22. ,  22.5,  23. ,
        23.5,  24. ,  24.5,  25. ,  25.5,  26. ,  26.5,  27. ,  27.5,
        28. ,  28.5,  29. ,  29.5])

linspace() 相似arange()，第三個參數爲數組長度

In [25]: a = np.linspace(0,2,9)

## 將【0，2】分紅九份

In [26]: a
Out[26]: array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])

zeros() 根據指定形狀和dtype建立全0數組

In [28]: a = np.zeros((3,2),dtype=np.int64)
#第一個參數是元祖，代表建立個幾行幾列的數據 
# dtype 表示數據類型

In [29]: a
Out[29]: 
array([[0, 0],
       [0, 0],
       [0, 0]])

ones() 根據指定形狀和dtype建立全1數組
empty() 根據指定形狀和dtype建立空數組（隨機值）(函數empty內容是隨機的而且取決於存儲器的狀態。默認狀況下，建立的數組的dtype爲float64。)
eye() 根據指定邊長和dtype建立單位矩陣

ndarray基本屬性：spa

　　ndarray.ndim: 　　數組的軸（維度）的個數。在Python世界中，維度的數量被稱爲rank。
　　ndarray.shape: 　　數組的維度。這是一個整數的元組，表示每一個維度中數組的大小。對於具備n行和m列的矩陣，shape　　　　將是(n,m)。所以，shape元組的長度就是rank或維度的個數ndim。
　　ndarray.size: 　　數組元素的總數。這等於shape的元素的乘積。
　　ndarray.dtype: 　　描述數組中元素類型的對象。可使用標準Python類型建立或指定dtype。另外NumPy提供了本身的類型。例如numpy.int3二、numpy.int16和numpy.float64。
　　ndarray.itemsize: 　　數組中每一個元素的字節大小。例如，元素爲float64類型的數組的itemsize爲8（=64/8），而complex32類型的數組的comitemsize爲4（=32/8）。它等於ndarray.dtype.itemsize。
　　ndarray.data: 　　該緩衝區包含數組的實際元素。一般，咱們不須要使用此屬性，由於咱們將使用索引訪問數組中的元素。

基本操做

加減：

數組和標量之間的運算code

　　a+1 a*3 1//a a**0.5orm

一樣大小數組之間的運算對象

In [30]: a = np.array([20,30,40,50])

In [31]: b = np.arange(4)

In [32]: a
Out[32]: array([20, 30, 40, 50])

In [33]: b
Out[33]: array([0, 1, 2, 3])

In [34]: c = a - b

In [35]: c
Out[35]: array([20, 29, 38, 47])

乘法運算符*的運算在NumPy數組中是元素級別的。

可使用dot函數或方法執行矩陣乘積：

In [36]: a
Out[36]: array([20, 30, 40, 50])

In [37]: b
Out[37]: array([0, 1, 2, 3])

In [38]: a*b
Out[38]: array([  0,  30,  80, 150])

In [39]: a.dot(b)

Out[39]: 260

###矩陣乘法複習：

默認狀況下，這些操做適用於數組，就像它是一個數字列表，而無論其形狀。可是，經過指定axis參數，你能夠沿着數組的指定軸應用操做：

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>
>>> b.sum(axis=0)                            # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1)                            # min of each row
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1)                         # cumulative sum along each row（每一個數和這個數以前全部數的和）
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]])

通用函數：能同時對數組中全部元素進行運算的函數

常見通用函數：

一元函數：abs（絕對值）, sqrt（平方）, exp, log, ceil, floor, rint, trunc, modf, isnan（判斷是不是nan）, isinf(判斷是不是inf), cos, sin, tan
二元函數：add, substract, multiply, divide, power, mod, maximum, mininum,

索引、切片和迭代：

一維數組索引：(和列表幾乎差很少)

In [49]: a
Out[49]: array([20, 30, 40, 50])

In [50]: a[1]
Out[50]: 30

二維／多維數組索引

In [51]: b
Out[51]: 
array([[ 1,  2,  3,  4],
       [10, 11, 12, 13]])

In [52]: b[1][2]
Out[52]: 12

In [53]: b[1,2]. #推薦這種
Out[53]: 12

布爾型索引：將一樣大小的布爾數組傳進索引，會返回一個由全部True對應位置的元素的數組

In [59]: b
Out[59]: 
array([[ 1,  2,  3,  4],
       [10, 11, 12, 13]])

In [60]: b<5
Out[60]: 
array([[ True,  True,  True,  True],
       [False, False, False, False]], dtype=bool)

In [61]: b[b<5]
Out[61]: array([1, 2, 3, 4])

花式索引：（索引的值也是索引）

例：對一個二維數組，選出其第一列和第三列，組成新的二維數組。

In [64]: b
Out[64]: 
array([[ 1,  2,  3,  4],
       [10, 11, 12, 13]])

In [65]: c = b[:,[1,3]] ##(裏面的【1，3】指的是第1和3列)

In [66]: c
Out[66]: 
array([[ 2,  4],
       [11, 13]])

切片：

In [67]: a
Out[67]: array([20, 30, 40, 50])

In [68]: a[1:3]
Out[68]: array([30, 40])


In [71]: b = np.arange(20).reshape(4,5)

In [72]: b
Out[72]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

In [73]: b[1:3]
Out[73]: 
array([[ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

與列表不一樣，數組切片時並不會自動複製，在切片數組上的修改會影響原數組。【解決方法：copy()】

In [74]: a
Out[74]: array([20, 30, 40, 50])

In [75]: c = a[1:3]

In [76]: c
Out[76]: array([30, 40])

In [77]: c[0] = 11

In [78]: c
Out[78]: array([11, 40])

In [79]: a
Out[79]: array([20, 11, 40, 50])

In [80]: c = a[1:3].copy()

In [82]: c
Out[82]: array([11, 40])

In [83]: c[0] = 99

In [84]: c
Out[84]: array([99, 40])

In [85]: a
Out[85]: array([20, 11, 40, 50])