一、jupyter notebook

两种安装和启动的方式:

第一种方式:

命令行安装:pip install jupyter

启动:cmd 中输入 jupyter notebook

缺点:必须手动去安装数据分析包(比如numpy,pandas...)

第二种方式:

下载anaconda软件

优点:包含了数据分析的基础包大概200个左右的科学运算包

jupyter notebook一些快捷键操作:

1. 运行当前代码并选中下一个单元格  shift+enter
2. 运行当前的单元格 crtl + enter 绿色: 编辑模式
蓝色: 命令行模式 3. 在单元格的上方添加一个单元格 , 按esc进入命令行模式,接下来按 a (above) 添加
4. 在单元格的上方添加一个单元格 , 按esc进入命令行模式,接下来按 b (below) 添加 5. 删除一个单元格, 按esc进入命令行模式, 接下来,按 dd(delete) 删除 6. 代码和markdown的切换, 按esc进入命令行模式, 接下来,按 m 切换

二、numpy的用法

导入方式:   import numpy as np

1.ndarray-多维数组对象

创建ndarray对象

np.array()

2.ndarray是一个多维数组列表

一维

 二维  (被几层中括号包围,就是几维,里面的都是一层)  多维就是以此类推

 注意:数组和python中的列表很像,但是它们之间有什么区别呢?(******)

1.数组对象内的元素类型必须相同
2.数组大小不可修改

3.常用的属性(******)

 属性T (数组的转置,下面的例子。原来是二维数组 两行三列,转置之后变成三行两列)

 属性dtype   (获取数据的类型)

 属性size   (数组元素的个数)

 属性ndim  (数组的维度)

属性shape (以元组形式)  两行三列

4.数据类型  dtype(******)

整型:
int32只能表示(-2**31,2**31-1),因为它只有32个位,只能表示2**32个数 无符号整型:
只能用来存正数,不能用来存负数 补充:
astype()方法可以修改数组的数据类型

astype()方法

5.创建ndarray方式(******)

arange() 类似于python的range版本    可以设置起始值和终止值,还有步长

linspance()   这个和arange不一样,这个是顾头也顾尾。前两个参数是设置取值区间,第三个参数在这个区间均等取几份

zeros()  用0组成一个多维数组 

ones() 用1组成一个多维数组

empty()   随机指定维度的数组,数字是随机的

eye()  指定维度创建单位矩阵,对角是1

 6.索引和切片(******)

数组和标量(数字)之间的运算

li1 = [
[1,2,3],
[4,5,6]
]
a = np.array(li1)
a * 2
运行结果:
array([[ 2, 4, 6],
[ 8, 10, 12]])

同样大小数组之间的运算

# l2数组
l2 = [
[1,2,3],
[4,5,6]
]
a = np.array(l2) # l3数组
l3 = [
[7,8,9],
[10,11,12]
]
b = np.array(l3) a + b # 计算 执行结果:
array([[ 8, 10, 12],
[14, 16, 18]])

索引

# 将一维数组变成二维数组
arr = np.arange(30).reshape(5,6) # 生成五行六列的二维数组# 将二维变一维
arr.reshape(30) # 索引使用方法
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],
[24, 25, 26, 27, 28, 29]])
现在有这样一组数据,需求:找到20
#两种写法
列表写法:arr[3][2]
数组写法:arr[3,2] # 中间通过逗号隔开就可以了,逗号前面的是行索引,后面的是列索引,都是从0开始

切片

arr数组
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],
[24, 25, 26, 27, 28, 29]])
arr[1:4,1:4] # 切片方式
#逗号前面是行索引 1:4代表 第2行到第4行,后面是列索引 1:4代表 第2列到第4列
执行结果:
array([[ 7, 8, 9],
[13, 14, 15],
[19, 20, 21]])

注意:最后会发现修改切片后的数据影响的依然是原数据。有的人可能对一点机制有一些不理解的地方,像Python中内置的都有赋值的机制,而Numpy去没有,其实是因为NumPy的设计目的是处理大数据,所以你可以想象一下,假如NumPy坚持要将数据复制来复制去的话会产生何等的性能和内存问题。

总结:索引和切片和python原生的列表切片,索引相似。需要注意高维数组的索引和切片中逗号的使用。

布尔型索引(******)

需求:现在有一个数组,需要取出大于5的数。

li = [random.randint(1,10) for _ in range(30)]  #生成在1到9中随机挑选的30个整数,组成一维数组
a = np.array(li)
a[a>5]
执行结果:
array([10, 7, 7, 9, 7, 9, 10, 9, 6, 8, 7, 6])
----------------------------------------------
原理:
a>5会对a中的每一个元素进行判断,返回一个布尔数组
a > 5的运行结果:
array([False, True, False, True, True, False, True, False, False,
False, False, False, False, False, False, True, False, True,
False, False, True, True, True, True, True, False, False,
False, False, True])
----------------------------------------------
布尔型索引:将同样大小的布尔数组传进索引,会返回一个有True对应位置的元素的数组(******)

花式索引(******)

res = np.array([1,2,3,4,5,6,7,8,9,10])
现在有一个这样的数组,需要获取值2,4,7,9
res[[1,3,6,8]] #内层括号中的数字指的是想要获取的值的索引下标

三、numpy中通用函数

能对数组中所有元素同时进行运算的函数就是通用函数

常见通用函数:
能够接受一个数组的叫做一元函数,接受两个数组的叫二元函数,结果返回的也是一个数组

一元函数:

函数 功能  
abs、fabs 分别是计算整数和浮点数的绝对值  
sqrt 计算各元素的平方根  
square 计算各元素的平方  
exp 计算各元素的指数e**x  
log 计算自然对数  
sign 计算各元素的正负号  
ceil 计算各元素的ceiling值,向上取整  
floor 计算各元素floor值,向下取整  
rint 计算各元素的值四舍五入到最接近的整数,保留dtype  
modf 将数组的小数部分和整数部分以两个独立数组的形式返回,与Python的divmod方法类似  
isnan 判断各元素是否NaN(类似于空),非NaN返回False  
isinf 表示那些元素是无穷的布尔型数组  
cos,sin,tan 普通型和双曲型三角函数

abs   (整数绝对值)

np.abs(-2)   #2
np.abs([-2,-4,-5,-10]) #array([2,4,5,10])

fabs  (浮点型绝对值)

np.fabs([-1.3,-2.5,-3.4])   #array([1.3,2.5,3.4])

sqrt  (元素的平方根)

np.sqrt(4)   #2.0

square()  (求平方)

np.square(2)  #

sign   (取某个数的符号)

np.sign([-0.2, -1.1, 0, 2.3, 4.5, 0.0])   #array([-1., -1.,  0.,  1.,  1.,  0.])

modf  (小数部分和整数部分以两个独立数组的形式返回)

np.modf([1.3,2.5])   #(array([0.3, 0.5]), array([1., 2.]))

isnan    (判断是否为NaN)

np.isnan(10)         #False
np.isnan(np.nan) #True

二元函数:

函数 功能  
add 将数组中对应的元素相加  
subtract 从第一个数组中减去第二个数组中的元素  
multiply 数组元素相乘  
divide、floor_divide 除法或向下圆整除法(舍弃余数)  
power 对第一个数组中的元素A,根据第二个数组中的相应元素B计算A**B  
maximum,fmax 计算最大值,fmax忽略NAN  
miximum,fmix 计算最小值,fmin忽略NAN  
mod 元素的求模计算(除法的余数)

数学统计方法:

函数 功能  
sum 求和(注意可以加参数使用)  
cumsum 求前缀和  
mean 求平均数  
std 求标准差  
var 求方差  
min 求最小值  
max 求最大值  
argmin 求最小值索引  
argmax 求最大值索引

cumsum     (1,1+2,1+2+3,依次这样加上求出结果)

np.cumsum([[1,2,3], [4,5,6]])   #array([ 1,  3,  6, 10, 15, 21], dtype=int32)

max   (求出元素最大值)

np.max([2,5,3,9])   #

argmax  (获得元素最大值的索引)

np.argmax([2,5,8,9])   #

随机数

随机生成函数在np.random的子包当中

函数 功能  
rand 给定形状产生随机数组(0到1之间的数)  
randint 给定形状产生随机整数  
chocie 给定形状产生随机选择  
shuffle 与random.shuffle相同,随机排序  
uniform 给定形状产生随机数组

rand    (生成一个0-1之间的随机数)

np.random.rand()    #0.49166803964675165

randint  (随机生成一个整数)

np.random.randint(1,10)   #

choice  (在0-2中随机生成3个数)

np.random.choice(3,3)   #array([0, 2, 1])

uniform  (在给定数据中随机产生数组)

np.random.uniform(-1,0,20)

#结果
array([-0.66594843, -0.5310402 , -0.29780177, -0.07202016, -0.28427749,
-0.56300027, -0.77879767, -0.16601984, -0.28470704, -0.95631047,
-0.37167632, -0.88102119, -0.33952064, -0.94433562, -0.49175838,
-0.47084326, -0.96345379, -0.70347248, -0.85644044, -0.46857343])

当你不知道此方法有什么参数值,你可以在后面加一个问号,然后按shfit+enter,下面就会跳出解释

 

数据分析-numpy的用法的更多相关文章

  1. python数据分析 Numpy基础 数组和矢量计算

    NumPy(Numerical Python的简称)是Python数值计算最重要的基础包.大多数提供科学计算的包都是用NumPy的数组作为构建基础. NumPy的部分功能如下: ndarray,一个具 ...

  2. 利用Python进行数据分析——Numpy基础:数组和矢量计算

    利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...

  3. 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 ...

  4. 数据分析 - Numpy

    简介 Numpy是高性能科学计算和数据分析的基础包.它也是pandas等其他数据分析的工具的基础,基本所有数据分析的包都用过它.NumPy为Python带来了真正的多维数组功能,并且提供了丰富的函数库 ...

  5. numpy常用用法总结

    numpy 简介 numpy的存在使得python拥有强大的矩阵计算能力,不亚于matlab. 官方文档(https://docs.scipy.org/doc/numpy-dev/user/quick ...

  6. Python数据分析numpy库

    1.简介 Numpy库是进行数据分析的基础库,panda库就是基于Numpy库的,在计算多维数组与大型数组方面使用最广,还提供多个函数操作起来效率也高 2.Numpy库的安装 linux(Ubuntu ...

  7. 数据分析——numpy

    DIKW DATA-->INFOMATION-->KNOWLEDGE-->WISDOM 数据-->信息-->知识-->智慧 爬虫-->数据库-->数据分 ...

  8. Python数据分析Numpy库方法简介(二)

    数据分析图片保存:vg 1.保存图片:plt.savefig(path) 2.图片格式:jpg,png,svg(建议使用,不失真) 3.数据存储格式: excle,csv csv介绍 csv就是用逗号 ...

  9. numpy.where() 用法详解

    numpy.where (condition[, x, y]) numpy.where() 有两种用法: 1. np.where(condition, x, y) 满足条件(condition),输出 ...

随机推荐

  1. HAVING 搜索条件在进行分组操作之后应用

    HAVING 搜索条件在进行分组操作之后应用: 如:查询帖子访问量大于15的用户id: select t.user_id,u.name,sum(count_view) from t_topic t l ...

  2. Codevs 1305 Freda的道路(矩阵乘法 DP优化)

    1305 Freda的道路 时间限制: 1 s 空间限制: 128000 KB 题目等级 : 大师 Master 题目描述 Description Freda要到Rainbow的城堡去玩了.我们可以认 ...

  3. 【区间dp】P1063 能量项链

    一道区间dp的水题 题目链接 来快活啊! 思路 很简单的区间dp,思路和floyed差不多,就是需要把项链处理成环形 用\(f[l][r]\)表示以\(a[l]\)开头\(a[r]\)结尾的数串的最大 ...

  4. sublime 添加到右键菜单

  5. 如何更改sdk版本

  6. manjaro arm在rock pi4b中的配置记录:

    首先说明下我的硬件情况,网上买了: 主要有emmc的转接板,主要是写入emmc镜像使用,32G的emmc,打算安装个android用来看电子书够了.需要自备读卡器,资料太少了,么有说明,考虑了1个多小 ...

  7. Python调用win32 API绘制正弦波

    Python调用win32 API新建窗口与直接创建窗口的流程相同 流程:注册窗口→创建窗口→显示窗口→更新窗口→消息循环 代码: # -*- coding: utf-8 -*- import win ...

  8. mark_rabbitMQ

    一.1.6 和1.7的区别 二.63跟65好像有点差异 有些jar包问题 三.预取策略 https://blog.csdn.net/hry2015/article/details/79078312 四 ...

  9. modao账户

    chairman987@163.com 墨刀注册 p@ssw0rd OR 123456

  10. RocketMQ集群安装 2主2从 console

    安装zip和mavenyum install -y unzip zip wget http://repos.fedorapeople.org/repos/dchen/apache-maven/epel ...