Python数据分析-Numpy数值计算

Numpy介绍：

NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础。

NumPy的主要功能：
　　1）ndarray，一个多维数组结构，高效且节省空间
　　2）无需循环对整组数据进行快速运算的数学函数
　　3）读写磁盘数据的工具以及用于操作内存映射文件的工具
　　4）线性代数、随机数生成和傅里叶变换功能
　　5）用于集成C、C++等代码的工具

pyhton里面安装、引入方式：
　　安装方法：pip install numpy
　　引用方式：import numpy as np

 创建数组：

a=[1,2,3,4]
b=np.array(a)
 
print(b,type(b))  #[1 2 3 4] <class 'numpy.ndarray'>

数组属性：

#数组个数
print(b.size)       #
#数组形状
print(b.shape)      #(4,)
#每个元素占用你的字节数
print(b.itemsize)   #
#维数
print(b.ndim)       #

arange定义一个数组，限定步长：

np.arange() 参数为初始值、结束值（不包含）、步长
array_arange=np.arange(10,30,5)
print(array_arange)  #[10 15 20 25]

linspace定义一个数组，限定数组元素的个数：

np.linspace() 数为初始值、结束值（包含）、元素的个数,
array_linspace=np.linspace(0,2,9)    #结果第一位是0   中间数值平均分配  结束为2
print(array_linspace)  #[0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]

快速创建N维数组：

ones,创建10行10列的数值为浮点1的矩阵

array_one=np.ones((5,5),dtype=int)  #dtype=int 可以设置类型
print(array_one)

zeros,创建10行10列的数值为浮点0的矩阵

array_zero=np.zeros((2,5,5))        #array_zero=np.zeros((2,5,5)) 2：表示创建2个5行5列的数组
print(array_zero)

创建自定义数值的数组：

full,创建3*3 数值为5的数组

full_array=np.full((3,3),5)
print(full_array)

eye,用来构造单位矩阵(默认情况下输出的是对角线全“1”，其余全“0”的方阵

eye_array=np.eye(3)
print(eye_array)
 
'''结果
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
 
'''

empty,生成未初始化的随机值

empty_array=np.empty((2,4))
print(empty_array)
 
'''结果为
[[6.23042183e-307 1.42417221e-306 1.37961641e-306 6.23039015e-307]
 [6.23053954e-307 1.78020169e-306 1.78021527e-306 3.91786943e-317]]
 
''' 

random生成随机数组\数值

random.rand(),2*2 (范围是0-1)

array_random=np.random.rand(2,2)
print(array_random)

random.uniform(),随机生成指定范围内的一个数（小数）

array_uniform=np.random.uniform(0,5)
print(array_uniform)  #0.6259318369377503

random.randint(),随机生成指定范围内的一个数(整数不包含2)

array_randint=np.random.randint(0,2)
print(array_randint) #

正太分布
给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))

#正态生成4行5列的二维数组
arr=np.random.normal(1.75,0.1,(4,5))
print(arr)
 
#截取第1至2行的第2至3列(从第0行算起)
after_arr=arr[1:3,2:4]   #【参数1，参数2】 参数1取的行   参数2取的是范围
print(after_arr)  #
 
'''结果
[[1.7121083  1.79442264 1.88480996 1.74680449 1.94296451]
 [1.75145398 1.84717094 1.61700579 1.79300659 1.65306822]
 [1.84915626 1.82844994 1.42992838 1.74578747 1.81638628]
 [1.78611223 1.79935389 1.71098421 1.7065452  1.93011894]]
 
[[1.61700579 1.79300659]
 [1.42992838 1.74578747]]
'''

reshape,改变数组形状（注意：要求前后元素个数匹配）

one_20 = np.ones([20])
print("-->1行20列<--")
print(one_20)
 
#将上面的一维数组变为下面的二维
 
one_4_5 = one_20.reshape([4,5])
print("将形状分为-->4行5列<--")
print(one_4_5)

where，条件运算

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print(stus_score)
#比较并替换运算
res=np.where(stus_score<80,0,90)  #（如果数值小于80，替换为0，如果大于80，替换为90）
print(res)

统计运算

指定轴最大值amax(求每一行和列的最大值）

# 指定轴最大值amax(求每一行和列的最大值)
stus_score=np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print(stus_score)
 
result_amax=np.amax(stus_score,axis=0)  #axis=0/1; 0表示列 1表示行
print('每一列的最大值：',result_amax)  #[86 88]
 
result_amax2=np.amax(stus_score,axis=1)
print('每一行的最大值：',result_amax2)   #[88 82 84 86 81]

指定轴最小值amin(求每一行和列的最小值)

#指定轴最小值amin(求每一行和列的最小值)
stus_score=np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print(stus_score)
result_amin=np.amin(stus_score,axis=0)
print('每一列的最小值：',result_amin)
 
result_amin2=np.amin(stus_score,axis=1)   #[75 75]
print('每一列的最小值：',result_amin2)   #[80 81 75 83 75]

mean，求平均值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
 
# 求每一行的平均值(0表示列)
print("每一列的平均值:")
result = np.mean(stus_score, axis=0)
print(result)  #[81.4 81.6]
 
# 求每一行的平均值(1表示行)
print("每一行的平均值:")
result = np.mean(stus_score, axis=1)
print(result)  #[84.  81.5 79.5 84.5 78. ]

std，求方差

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
 
# 求每一行的方差(0表示列)
print("每一列的方差:")
result = np.std(stus_score, axis=0)
print(result)
 
# 求每一行的方差(1表示行)
print("每一行的方差:")
result = np.std(stus_score, axis=1)
print(result)

数组运算

数组与数的运算

加法运算

#数组与数的运算（加法）
stus_score=np.array(([80, 88], [82, 81], [84, 75], [86, 83], [75, 81]))
print(stus_score)
print(stus_score[:,0])  #[80 82 84 86 75] 打印第一列的值
#实现行和列的值都加5
stus_score[:,0] = stus_score[:,0]+5 #每一列值加5
stus_score[:,1] = stus_score[:,1]+5 #每一行值加5
print(stus_score)

乘法运算

#数组与数的运算（乘法）
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print("减半前:")
print(stus_score)
#实现行和列的值都减一半
stus_score[:, 0] = stus_score[:, 0]*0.5 #每一列乘0.5
stus_score[:, 0] = stus_score[:, 1]*0.5 #每一行乘0.5
print("减半后:")
print(stus_score)

数组与数组之间运算加减乘除运算（基本用的不多）

a=np.array([1,2,3])
b=np.array([10,20,30])
 
c=a+b
d=a-b
e=a*b
f=a/b
print(c)   #[11 22 33]
print(d)    #[ -9 -18 -27]
print(e)    #[10 40 90]
print(f)    #[0.1 0.1 0.1]

矩阵运算

场景：假设下面每个列表代表每个学生成绩，例如，张三 平时成绩80、期末成绩88，计算每个人总成绩是多少？
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
 
#根据，平时成绩占40% 期末成绩占60%, 计算结果
q=np.array([[0.4],[0.6]])
result=np.dot(stus_score,q)
print(result)
 
'''结果
E:\python36\python3.exe C:/Python数据分析/numpy模块.py
[[84.8]
 [81.4]
 [78.6]
 [84.2]
 [78.6]]
'''

vstack矩阵垂直拼接

#vstack矩阵垂直拼接
v1=[[0,1,2,3,4,5,],
    [6,7,8,9,10,11]]
 
v2=[[12, 13, 14, 15, 16, 17],
    [18, 19, 20, 21, 22, 23]]
 
result=np.vstack((v1,v2))
print('v1与v2垂直拼接结果为：',result)
'''结果
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]
 
'''

hstack矩阵水平拼接

#hstack矩阵水平拼接
v1=[[0,1,2,3,4,5,],
    [6,7,8,9,10,11]]
 
v2=[[12, 13, 14, 15, 16, 17],
    [18, 19, 20, 21, 22, 23]]
result=np.hstack((v1,v2))
print('v1与v2水平拼接结果为：',result)
'''结果
[[ 0  1  2  3  4  5 12 13 14 15 16 17]
 [ 6  7  8  9 10 11 18 19 20 21 22 23]]

练习题目：

题目1：对一个二维数组，选出其第一列和第二列，组成新的二维数组。

res=np.array(([1,2,3],[4,5,6],[7,8,9]))
print(res)
print(res[:,[1,2]])  #思路第一个参数时表示去所有行，近一步然后取第1,2列
'''结果为
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[2 3]
 [5 6]
 [8 9]]
 
'''

题目2：对于一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。

res=np.array([1,2,3,4,5,6,7,8,9])
print(res[[1,3,4,6,7]])