Python数据分析与展示第0&1周学习笔记（北理工嵩天）

一前奏

1..Python语言开发工具选择

IDLE：自带默认常用入门级

PyCharm：简单、集成度高

Anaconda：awesome

IDE较为简单，不做详细记录。

二.表示

1.numpy库入门

数据的维度

列表内的数据类型可以不同。

高维数据：键值对组成。

数组对象

Numpy是一个开源的Python科学计算库

*一个强大的N维数组对象ndarray

*广播功能函数

*线性代数、傅里叶变换、随机数生成等功能

N维数组对象：ndarray

*实际的数据

*元数据，下标从0开始(数据维度，数据类型deng)

.ndim 秩，即轴的数量或维度的数量

.shape ndarray对象的尺度，对于矩阵，n行m列

.size ndarray对象元素的个数

.dtype ndarray对象的元素类型

.itemsize ndarray对象中每个元素的大小，以字节为单位

数组的创建和变换

从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple)

x = np.array([0,1,2,3])

x
Out[4]: array([0, 1, 2, 3])

print(x)
[0 1 2 3]

x = np.array((4,5,6,7))

x
Out[7]: array([4, 5, 6, 7])

print(x)
[4 5 6 7]

x = np.array([[1,2],[9,8],(0.1,0.2)])

print(x)
[[ 1. 2. ]
[ 9. 8. ]
[ 0.1 0.2]]

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

np.arange(n)类似range()函数，返回ndarray类型，元素从0到n-1

np.ones(shape) 根据shape生成一个全1数组，shape是元组类型

x = np.ones((2,3))

x

Out[13]:

array([[ 1.,  1.,  1.],

       [ 1.,  1.,  1.]])

np.zeros(shape)根据shape生成一个全0数组，shape是元组类型

np.full(shape,val)根据shape生成一个数组，每个元素值都是val

np.eye(n)创建一个正方的n*n单位矩阵，对角线为1，其余为0

x = np.eye(3)

print(x)

[[ 1.  0.  0.]

 [ 0.  1.  0.]

 [ 0.  0.  1.]]

np.ones_like(a)根据数组a的形状生成一个全1数组

x = np.eye(3)

print(x)

[[ 1.  0.  0.]

 [ 0.  1.  0.]

 [ 0.  0.  1.]]

x = np.ones_like(x)

print(x)

[[ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]]

np.zeros_like(a)根据数组a的形状生成一个全0数组

np.full_like(a,val)根据数组a的形状生成一个数组，每个元素值都是val

np.linspace()根据起止数据等间距地填充数据，形成数组

a = np.linspace(1,10,4)

a

Out[20]: array([  1.,   4.,   7.,  10.])

b = np.linspace(1,10,4,endpoint=False)

b

Out[22]: array([ 1.  ,  3.25,  5.5 ,  7.75])

np.concatenate()将两个或多个数组合并成一个新的数组

c = np.concatenate((a,b))

c

Out[24]: array([  1.  ,   4.  ,   7.  ,  10.  ,   1.  ,   3.25,   5.5 ,   7.75])

.reshape(shape)不改变数组元素，返回一个shape形状的数组，原数组不变

a = np.ones((2,3,4),dtype=np.int32)

a

Out[26]:

array([[[1, 1, 1, 1],

        [1, 1, 1, 1],

        [1, 1, 1, 1]],

       [[1, 1, 1, 1],

        [1, 1, 1, 1],

        [1, 1, 1, 1]]])

a.reshape((3,8))

Out[27]:

array([[1, 1, 1, ..., 1, 1, 1],

       [1, 1, 1, ..., 1, 1, 1],

       [1, 1, 1, ..., 1, 1, 1]])

a

Out[28]:

array([[[1, 1, 1, 1],

        [1, 1, 1, 1],

        [1, 1, 1, 1]],

       [[1, 1, 1, 1],

        [1, 1, 1, 1],

        [1, 1, 1, 1]]])

.resize(shape)与.shape()功能一致，但改变原数组

a.resize((3,8))

a

Out[30]:

array([[1, 1, 1, ..., 1, 1, 1],

       [1, 1, 1, ..., 1, 1, 1],

       [1, 1, 1, ..., 1, 1, 1]])

.swapaxes(ax1,ax2)将数组n个维度中两个维度进行调换

.flatten()对数组进行降维，返回折叠后的一维数组，原数组不变

.astype(new_type)创建一个新类型数组，原数组不变

.tolist()数组向列表转换

数组的操作

索引：获取数组中特定位置元素的过程

a = np.array([9,8,7,6,5])

a[2]

Out[3]: 7

a = np.arange(24).reshape((2,3,4))

a
Out[6]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],

[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])

a[1,2,3]
Out[7]: 23

切片：获取数组元素子集的过程

a[1:4:2]   起始编号:终止编号(不含)：步长

Out[4]: array([8, 6])

n [8]: a[:,1,-3]
Out[8]: array([ 5, 17])

a[:,1:3,:]
Out[9]:
array([[[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],

[[16, 17, 18, 19],
[20, 21, 22, 23]]])

a[:,:,::2]
Out[10]:
array([[[ 0, 2],
[ 4, 6],
[ 8, 10]],

[[12, 14],
[16, 18],
[20, 22]]])

数组的运算

import numpy as np

a = np.arange(24).reshape((2,3,4))

a

Out[3]:

array([[[ 0,  1,  2,  3],

        [ 4,  5,  6,  7],

        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],

        [16, 17, 18, 19],

        [20, 21, 22, 23]]])

a.mean()平均值

Out[4]: 11.5

与标量之间的运算

a = a/a.mean()

a

Out[6]:

array([[[ 0.        ,  0.08695652,  0.17391304,  0.26086957],

        [ 0.34782609,  0.43478261,  0.52173913,  0.60869565],

        [ 0.69565217,  0.7826087 ,  0.86956522,  0.95652174]],

       [[ 1.04347826,  1.13043478,  1.2173913 ,  1.30434783],

        [ 1.39130435,  1.47826087,  1.56521739,  1.65217391],

        [ 1.73913043,  1.82608696,  1.91304348,  2.        ]]])

numpy一元函数

np.abs(x) np.fabs(x)计算数组各元素的绝对值

np.sqrt(x) 计算数组各元素的平方根

np.square(x) 计算数组各元素的平方

np.log(x) np.log10(x) np.log2(x) 计算数组各元素的自然对数、10底对数和2底对数

np.ceil(x) np.floor(x) 计算数组各元素的ceiling值或floor值

np.rint(x) 计算数组各元素的四舍五入值

np.modf(x) 将数组各元素的小数和整数部分以两个独立数组形式返回

a = np.arange(24).reshape((2,3,4))

np.square(a)

Out[8]:

array([[[  0,   1,   4,   9],

        [ 16,  25,  36,  49],

        [ 64,  81, 100, 121]],

       [[144, 169, 196, 225],

        [256, 289, 324, 361],

        [400, 441, 484, 529]]], dtype=int32)

a = np.sqrt(a)

a

Out[10]:

array([[[ 0.        ,  1.        ,  1.41421356,  1.73205081],

        [ 2.        ,  2.23606798,  2.44948974,  2.64575131],

        [ 2.82842712,  3.        ,  3.16227766,  3.31662479]],

       [[ 3.46410162,  3.60555128,  3.74165739,  3.87298335],

        [ 4.        ,  4.12310563,  4.24264069,  4.35889894],

        [ 4.47213595,  4.58257569,  4.69041576,  4.79583152]]])

np.modf(a)

Out[11]:

(array([[[ 0.        ,  0.        ,  0.41421356,  0.73205081],

         [ 0.        ,  0.23606798,  0.44948974,  0.64575131],

         [ 0.82842712,  0.        ,  0.16227766,  0.31662479]],

        [[ 0.46410162,  0.60555128,  0.74165739,  0.87298335],

         [ 0.        ,  0.12310563,  0.24264069,  0.35889894],

         [ 0.47213595,  0.58257569,  0.69041576,  0.79583152]]]),

 array([[[ 0.,  1.,  1.,  1.],

         [ 2.,  2.,  2.,  2.],

         [ 2.,  3.,  3.,  3.]],

        [[ 3.,  3.,  3.,  3.],

         [ 4.,  4.,  4.,  4.],

         [ 4.,  4.,  4.,  4.]]]))

np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) 计算数组各元素的普通型和双曲型三角函数

np.exp(x) 计算数组各元素的指数值

np.sign(x) 计算数组各元素的符号值

二元函数

+-*/**两个数组各元素进行对应运算

np.maximum(x,y) np.fmax()

np.minimum(x,y) np.fmin()元素级的最大值最小值运算

np.mod(x,y)元素级的模运算

np.copysign(x,y)讲数组y中各元素的符号赋值给数组x对应元素

><>= <= == != 算术比较，产生布尔类型数组

a = np.arange(24).reshape((2,3,4))

b = np.sqrt(a)

a

Out[14]:

array([[[ 0,  1,  2,  3],

        [ 4,  5,  6,  7],

        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],

        [16, 17, 18, 19],

        [20, 21, 22, 23]]])

b

Out[15]:

array([[[ 0.        ,  1.        ,  1.41421356,  1.73205081],

        [ 2.        ,  2.23606798,  2.44948974,  2.64575131],

        [ 2.82842712,  3.        ,  3.16227766,  3.31662479]],

       [[ 3.46410162,  3.60555128,  3.74165739,  3.87298335],

        [ 4.        ,  4.12310563,  4.24264069,  4.35889894],

        [ 4.47213595,  4.58257569,  4.69041576,  4.79583152]]])

np.maximum(a,b)

Out[16]:

array([[[  0.,   1.,   2.,   3.],

        [  4.,   5.,   6.,   7.],

        [  8.,   9.,  10.,  11.]],

       [[ 12.,  13.,  14.,  15.],

        [ 16.,  17.,  18.,  19.],

        [ 20.,  21.,  22.,  23.]]])

a>b

Out[17]:

array([[[False, False,  True,  True],

        [ True,  True,  True,  True],

        [ True,  True,  True,  True]],

       [[ True,  True,  True,  True],

        [ True,  True,  True,  True],

        [ True,  True,  True,  True]]], dtype=bool)

2.numpy数据存取与函数

a.tofile(frame,sep='',format='%s')

frame:文件、字符串

sep:数据分割字符串，如果是空串，写入文件为二进制

np.fromfile(frame,dtype=float,count=-1,sep='')

count:读入元素个数，-1表示读入整个文件

import numpy as np

a = np.arange(100).reshape(5,10,2)

a.tofile("b.dat",sep=",",format='%d')

c=np.fromfile("d.bat",dtype=np.int,sep=",")

Traceback (most recent call last):

  File "<ipython-input-4-9220393c6d08>", line 1, in <module>

    c=np.fromfile("d.bat",dtype=np.int,sep=",")

FileNotFoundError: [Errno 2] No such file or directory: 'd.bat'

c=np.fromfile("b.dat",dtype=np.int,sep=",")

c

Out[6]: array([ 0,  1,  2, ..., 97, 98, 99])

c=np.fromfile("b.dat",dtype=np.int,sep=",").reshape(5,10,2)

c

Out[8]:

array([[[ 0,  1],

        [ 2,  3],

        [ 4,  5],

        ...,

        [14, 15],

        [16, 17],

        [18, 19]],

       [[20, 21],

        [22, 23],

        [24, 25],

        ...,

        [34, 35],

        [36, 37],

        [38, 39]],

       [[40, 41],

        [42, 43],

        [44, 45],

        ...,

        [54, 55],

        [56, 57],

        [58, 59]],

       [[60, 61],

        [62, 63],

        [64, 65],

        ...,

        [74, 75],

        [76, 77],

        [78, 79]],

       [[80, 81],

        [82, 83],

        [84, 85],

        ...,

        [94, 95],

        [96, 97],

        [98, 99]]])

NumPy的便捷文件存取

np.save(frame,array)或np.savez(frame,array)

frame:文件名，以.npy为扩展名，压缩扩展名为.npz

array:数组变量

np.load(frame)

NumPy的随机数函数

np.random的随机数函数

rand(d0,d1,...dn)根据d0-dn创建随机数数组，浮点数，[0,1)，均匀分布

randn(d0,d1,...dn)根据d0-dn创建随机数数组，标准正态分布

randint(low[,high,shape])根据shape创建随机整数或整数数组，范围是[low,high)

seed（s）随机数种子，s是给定的种子值

import numpy as np

np.random.seed(10)

np.random.randint(100,200,(3,4))

Out[3]:

array([[109, 115, 164, 128],

       [189, 193, 129, 108],

       [173, 100, 140, 136]])

np.random.randint(100,200,(3,4))

Out[4]:

array([[116, 111, 154, 188],

       [162, 133, 172, 178],

       [149, 151, 154, 177]])

np.random.seed(10)

np.random.randint(100,200,(3,4))

Out[6]:

array([[109, 115, 164, 128],

       [189, 193, 129, 108],

       [173, 100, 140, 136]])

shuffe(a) 根据数组a的第1轴进行随机排列，改变数组x

permutation(a)根据数组a的第1轴产生一个新的乱序数组，不改变数组x

choice(a[,size,replace,p])从一维数组a中以概率p抽取元素，形成size形状新数组，replace表示是否可以重用元素，默认为False

b = np.random.randint(100,200,(8,))

b

Out[9]: array([116, 111, 154, 188, 162, 133, 172, 178])

np.random.choice(n,(3,2))

Traceback (most recent call last):

  File "<ipython-input-10-48e3239e9fc5>", line 1, in <module>

    np.random.choice(n,(3,2))

NameError: name 'n' is not defined

np.random.choice(b,(3,2))

Out[11]:

array([[111, 188],

       [172, 133],

       [133, 133]])

np.random.choice(b,(3,2),replace=False)

Out[12]:

array([[172, 116],

       [178, 154],

       [162, 133]])

np.random.choice(b,(3,2),p=b/np.sum(b))

Out[13]:

array([[172, 111],

       [154, 116],

       [116, 172]])

Numpy的统计函数

sum(a,axis=None)根据给定轴axis计算数组a相关元素之和，axis整数或元组

mean(a,axis=None)期望

average(a,axis=None,weights=None)加权平均值

std(a,axis=None)标准差

var(a,axis=None)方差

Numpy的梯度函数

np.gradient(f)计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

a = np.random.randint(0,20,(5))

a

Out[15]: array([11, 10,  9, 15, 18])

np.gradient(a)

Out[16]: array([-1. , -1. ,  2.5,  4.5,  3. ])

Python数据分析与展示第0&1周学习笔记（北理工嵩天）的更多相关文章

《Linux内核分析》第八周学习笔记
<Linux内核分析>第八周学习笔记进程的切换和系统的一般执行过程郭垚原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163 ...
《Linux内核分析》第七周学习笔记
<Linux内核分析>第七周学习笔记可执行程序的装载郭垚原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.com/co ...
《Linux内核分析》第六周学习笔记
<Linux内核分析>第六周学习笔记进程的描述和创建郭垚原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.com/co ...
20165326 java第九周学习笔记
第九周学习笔记 URL类属于java.net包最基本三部分:协议(对象所在的Java虚拟机支持).地址(能连接的有效IP地址或域名).资源(主机上的任何一个文件) 常用构造方法 public UR ...
20165326 java第七周学习笔记
第七周学习笔记 MySQL(数据管理系统)学习知识点总结: 不能通过关闭MySQL数据库服务器所占用的命令行窗口来关闭MySQL数据库. 如果MySQL服务器和MySQL管理工具驻留在同一台计算机上 ...
《Linux内核分析》第二周学习笔记
<Linux内核分析>第二周学习笔记操作系统是如何工作的郭垚原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.com/ ...
《Linux内核分析》第三周学习笔记
<Linux内核分析>第三周学习笔记构造一个简单的Linux系统MenuOS 郭垚原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.stud ...
Linux内核分析第三周学习笔记
linux内核分析第三周学习笔记标签(空格分隔): 20135328陈都陈都原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.co ...
Linux内核分析第二周学习笔记
linux内核分析第二周学习笔记标签(空格分隔): 20135328陈都陈都原创作品转载请注明出处 <Linux内核分析>MOOC课程http://mooc.study.163.co ...

随机推荐

快速幂的类似问题（51Nod 1008 N的阶乘 mod P）
下面我们来看一个容易让人蒙圈的问题:N的阶乘 mod P. 51Nod 1008 N的阶乘 mod P 看到这个可能有的人会想起快速幂,快速幂是N的M次方 mod P,这里可能你就要说你不会做了,其实 ...
优秀的linux学习网站
从网络上拷贝别人归纳的列表. Linux优秀网站列表国内 http://www.chinaunix.net/ 国内最火爆的unix/linux论坛 http://www.linuxforum.net ...
StringBuffer类、StringBuilder类详解
StringBuffer是一个字符串缓冲区,是一个容器,而且长度可变,可以直接操作多个数据类型, 最终会通过toString()方法变成字符串. 容器的功能有: 1.存储 public StringB ...
Navicat for Mysql 11.2 的下载,安装与激活
1. Navicat for Mysql 11.2 的下载链接:https://pan.baidu.com/s/1w54F-MYTLuy4TQwpzUE7bQ 密码:zsfu 2.下载的 ...
aliyun二级域名绑定
NameVirtualHost *:80 开启监听 <VirtualHost *:80> DocumentRoot /home/service/ ServerName serv ...
spyder.app制作图标
安装了 anaconda3, 自带spyder, 但是只能在terminal 中打开, 非常不友好. 模仿 anaconda3/目录下 Anaconda-Navigator.app, 制作了 spyd ...
PAT-树-DFS-BFS相关问题解决方案整理
如何建树? 二叉树-建树-方式一 dfs使用root左右指针建立树节点关系,返回根节点root 二叉树-建树-方式二 dfs使用二维数组,int nds[n][2],如:nds[i][0]表示i节点的 ...
雅可比行列式【2】Jacobian行列式的意义
2.1 线性变换将面积伸缩对于一个\(\R^2\to\R^2\)的线性变换: \[ T(x,y)= \left[ \begin{array}{c} 4x-2y\\ 2x+3y \end{array} ...
alert(1&&2)的输出问题
此文章转载自http://blog.csdn.net/xiaotao_css/article/details/61940664 一.先来说说 ||(逻辑或),从字面上来说,只有前后都是false的时候 ...
JavaScript—面向对象贪吃蛇_1
前面说了.面向对象的思考方式和面向过程的思考方式有着本质的区别. 贪吃蛇.作为各大培训机构.面向对象的练手项目,的确好.我昨天看完视频,有一种领悟面向对象的感觉,当然可能只针对贪吃蛇..要想在实际开发 ...

Python数据分析与展示第0&1周学习笔记（北理工 嵩天）

Python数据分析与展示第0&1周学习笔记（北理工 嵩天）的更多相关文章

随机推荐

热门专题

Python数据分析与展示第0&1周学习笔记（北理工嵩天）

Python数据分析与展示第0&1周学习笔记（北理工嵩天）的更多相关文章