矢量

矢量是指一堆形成的集合。

多维数组也叫做矢量化计算。

单独一个数叫做标量

例:

 import datetime as dt
import numpy as np n2=10000
start2 =dt.datetime.now()
A,B = [],[] for i in range(n2):
A.append(i**2)
B.append(i**3) C=[] for a,b in zip(A,B): #zip()函数用于将可迭代的对象作为参数,将对象中的对应元素打包成一个元组,返回这些元组组成的列表
C.append(a+b) print((dt.datetime.now()-start2).microseconds) n=100000
start = dt.datetime.now() C=np.arange(n)**2 + np.arange(n)**3
print(C)
print((dt.datetime.now()-start).microseconds) '''
1.arange和python里range非常的相似
2.arange产生的也是一个连续的序列。序列的类型不再是列表,是数组array。
3.两数组可直接相加。
4.numpy内部完成循环。 '''

多维数组

1.Numpy对多维数组的定义:

  用numpy.ndarray类。(n代表n个数,d代表dimision维度)。

  Ndarray本身是一个类,由这个类实例化出来的对象,就是多维数组。

  多维数组也是一个对象。

2.创建多维数组对象的方法:

   1)numpy.arange(起始,终止,步长)

    它是通过numpy来访问。是一个numpy里的函数。

    它返回的数组是一个等差列的一维数组。

   2)numpy.array()

    这个array不是类。是一个numpy里函数。

    在numpy.array()函数,括号里可以输入任何可被解释程数组的容器。(列表和元组。)

    例:

 import numpy as np
from numpy import pi a = np.array([[1,1],
[0,1]]) b = np.array([[2,0],
[3,4]]) c = a * b
print(c) #矩阵成集
c= a @ b
print(c) print(a.dot(b)) a1 = np.ones((2,3),dtype=int)
b1=np.random.random((2,3))
a1*=3
print(a1)
print(b1) a2=np.ones(3,dtype=np.int32)
b2=np.linspace(0,pi,3)
b2.dtype.name
print(b2.dtype)
c2=a+b
print(c2)
c2.dtype.name
d=np.exp(c2*1j)
print(d)
d.dtype.name e1=1
e2=2
print(np.exp(e1))
print(np.exp(e2)) a4 = np.random.random((2,3)) print(a4)
print(a4.sum())
print(a4.min())
print(a4.max()) z =np.arange(12).reshape(3,4)
print(z)
print(z.sum(axis=0)) # 列的总和,0代表列
print(z.min(axis=1)) # 行的总和,1代表行
print(z.cumsum(axis=1)) #cumsum是指定行或者列,前数与现在的数字累加

  获取数组元素类型的方法:

      1:type([0][0]) =>python取类型的方法 方法

      2:f.dtype =>numpy的方法 “int32”,代表4个字节的整型数。

  为什么是int32?

    原有是,在定义时未指定具体类型。而现在使用4个字节整形正好能保存f的数据,所以default缺省值就是4个字节。

  3)查询结果的意义:

    “<U1”的意义(输入字符串,用.dtype查询时):

      1.Unicode每个编码占4个字节。有高低之分。分为小端序和大端序。

      2.“U”代表是unicode编码。

      3.“<”表示小端字节序。

      4.“1”代表每个字符串里只有一个字符

    “numpy.str”的含义(使用type(g[0] 查询时)):

      1.“str”代表字符串。

      2.“ ”和python作区分而加成的。

  4)手动值定类型的写法: G=np.array(['1','2','3'].dtype=np.int32)

    1.值要设置手动指定类型,它的数据类型就做自动转换了。虽然值是是字符串,但是我们给了指定目标类型是整形

    2.场景:如果觉得还是字符串式好,还能用astype改回。

所有和类型转换有关的其实都不是类型转换,都是复制,都是按新类型在你复制一份,但是对于源是不变的 dtype是属性,取元素的类型。

    3.关于维度的属性: shape属性的值是一个元组类型,一个元组内包含多个元素。分别是从高到低类表示他每一个维度的数。

  思考:一个二位数组有行和列,行高还是列高?

    如果有页 行 列

     页:最高维度

     行:次之

     列:最低

    4.areange和array都可以创建数组,有时候可以混用。

     用shape属性可以看到维度。

     Numpy中多用二维数组,三维很少用。

    5.元素索引

      元素索引是从0开始

        数组[索引]

        数组[行索引][列索引]

        数组[页索引][行索引][列索引]或者[页索引,行索引,列索引]

Numpy的内置类型和自定义类型:

     1.内置类型:

      优点: 可显示占内存多少,可灵活变化

      缺点: 因为具有灵活可变性,性能方面做出牺牲。(因需要留出足够多空间)。

         无法使用固定内存地址的计算方法;

         它只能用动态来完成,有关地址运算就要占用运用时间。 

      注:在numpy里为每一种类型都提供了固定的大小,所以有关地址运算完全可以通过类型来确定。Numpy自己定义一套属于自己的数据类型体系。它的数据类型有固定长度。字节数都是固定的。

       举例:  

          Numpy.bool   一个布尔占一个字节

          有符号版本:

                Int8 1字节有符号类型

                Int16 2字节有符号类型

                Int32 4字节有符号类型

          无符号版本(只有正整,没有负数):

                 Uint8 1字节有符号类型

                Uint16 2字节有符号类型

                Uint32 4字节有符号类型

           浮点类型:

                Float16 2字节浮点型

                Float32 4字节浮点型

                Float64 8字节浮点型

          复数类型:(实部和虚部都用2个4字节浮点型表示)

                Complex64 8字节复数型

                Complex128 16字节复数型

          注:1复数=2个浮点型的组合

          字符串类型: Str

                字符串型没有规定多少字节,因为字符串型取决于字符串unicode有多长。

                字符串型的长度根据字符串所包含的字符串来决定,有多少字符,就有多少个字节。

           注:lunicode=4个字节 可以用dtype和astype来设置类型转换

    2自定义类型:

         1.直接使用内置类型的原始名

         2.使用紧凑类型格式(类型编码字符串)

          简化操作:(可以更少的字符串表示)

              全称       简化格式

              Numpy.int8     i1

              Int16          i2    

              Uint32          u4

              Float64           f8

              Complex128      c16

        3多字节的整数存在大小端序

           对于多字节整数可以加上字节序前缀 前缀类型:(位数越低,地址越低)

       “        ”<”,小端字节序,低数位低地址低。

               “=”,系统默认,不能人为指定。由系统决定。

               “>”,大端字节序,低数位高地址。

            例子:

              十六进制:0x1234

           小端字节序:

              L     H

              0x12   0x34

           大端字节序:

              L     H

              0x34   0x12

           注:有时为了防止某个代码功能在不同处理器上取移植带来的一些兼容性问题。所以强制加上“<”或“>”

        4.关于字节序:

           不需添加字节序的数据类型:

             单字节整数

             布尔值

             复数类型

             浮点型

           其他情况:

             Numpy.str  =>U+字符数

             Unicode 本身就是多字节整正

             一个unicode可看作一个uint32,它也存在大小端字节序

             Numpy.bool  =>b

           注:numpy提供的是python的封装,用自定义类型方法可以完成一个元素不同类型的访问;

             或者一个元素用不同类型类组合,弥补了numpy数组元素同质的情况。

切片

  与python相似

  数组[起始:终止:步长]

  可以针对多维数组来切片

  缺省起始:首元素(步长为正),尾元素(步长为负)->逆向

  缺省终止:尾后(步长为正),首前(步长为负)

  缺省步长:一个或者一个以上缺省值切片。

        a[...]连续或者几个连续的维度使用缺省切片,用‘...’表示

  例:

 import numpy as np

 a = np.arange(1,10)
print(a) print(a[:3])
print(a[3:6])
print(a[6:])
print(a[::-1]) print(a[:-4:-1])
print(a[4:7:1])
print(a[-7::-1])
print(a[::])
print(a[...])
print(a[:])
# print(a[]) #行不通 error
print(a[::3])
print(a[1::3])
print(a[2::3]) b=np.arange(1,25).reshape(2,3,4)
print(b)
print("="*120)
print(b[:,0,0])
print(b[0,:,:])
print(b[0,...])
print(b[0,1,::2])
print(b[:,1:,1])
print(b[1,1,1])
print(b[1,1::2,1])

改变维度

  分为四种方式:

    1)视图变维

       针对一个数组对象获取不同维度的视图

       方法:数组.reshape(新维度) ->数组新维度视图

          数组.ravel() ->数组的一维视图

    2)复制变维(不同维度的拷贝)

       针对一个数组对象获取其不同维度的副本。

       方法:flatten() ->数组的一维副本。

       功能:在获得原数据实例的同时获得了拷贝,也就是副本。

    3)就地变维

       数组.shape=(新维度)

          等价于

       数组.resize(新维度)

    4)视图转置(线性代数的概念)

       可理解为行列互换

       数组.transpose() ->数组的转置视图

          等价于

       数组.T  ->转置视图属性

       一般用数组.T的方式

       注:转置必须是二维的

     例:

 import numpy as np

 a = np.arange(1,9)
print(a) print("=" *120)
b=a.reshape(2,4) print(b) c= b.reshape(2,2,2)
print(c) d = c.ravel()
print(d)
print("_"*120)
e= c.flatten()
print(e) print("_"*120)
f=b.reshape(2,2,2).copy()
print(f) print("+"*120)
a+=10
print(a,b,c,d,e,f,sep="\n")
print("+"*120)
a.shape=(2,2,2)
print(a) a.resize(2,4)
print(a) print("W"*120)
g=a.transpose()
print(g) print("D"*123)
g=a.T
print(g) print(np.array([e]),1) #先转成多维数组再转置
print(e.reshape(-1,1)) #输入-1这个无效值

组合和拆分

   1.垂直组合  

      numpy.vstack((上,下))

   垂直拆分

      numpy.vsplit(数组,份数)

      例:a,b = np.vsplit(c,2)

        c代表是被拆的变量,2代表拆分成2份

   2.水平组合  

      numpy.hstack((左,右))

   水平拆分

      numpy.vsplit(数组,份数)

      例:a,b = np.hsplit(c,2)

        c代表是被拆的变量,2代表拆分成2份

   3.深度组合和深度拆分

      numpy.dstack((前,后))

      numpy.dsplit((数组,份数))

      深度组合:

         1是前后布局,用第三个垂直于平面来截线,截到这部分以数组形式组合起来,构成一个三位数组

         2这三个截面试三个页面,每个页面上都有一个二维数组来自于所对应的行,同时还做了转置,截到的行转成列。

      深度拆分:

          a,b=np.dsplit(c,2)

          print(a.T[0].T.b.T[0].T,sep='\n')

            T[0].T的意思 转置取0号元素再转置

          注:深度拆分,如果恢复成二维数组的样式,需手工来操作。

         3行/列组合(了解即可)

            特点:

               numpy.row_stack((上,下))  等价于 numpy.vstack

               numpy.column_stack((左,右)) 等价于 numpy.hstack

               numpy.column_stack((左,右))简略写法:c=np.c_[a,b]

回顾:ndarray属性:

  dtype元素类型

  Shape数组维度

  T转置视图

  nidm维度数

  size元素数。仅对一堆数组等价于python的len()

  len()永远得到shape里的第一个元素

  * size得到的都是shape里的乘积

  nbytse总字节数

  itemsize 元素的字节数   即一个元素占多少字节

  flat  扁平化迭代器(得到的是一个迭代器对象,可以进行迭代遍历)

  tolist 数组改列表

  real 实部数组

  imag 虚部数组

·* numpy也有append函数方法,但是必须有返回值。

例: x=np.append(x,50)

  print(x)

 import numpy as np

 a=np.array([
[1+1j,2+4j,3+7j],
[4+2j,5+5j,6+8j],
[7+3j,8+6j,9+9j]
]) print(a.dtype) #complex128 128位 16个字节 8字节代表实部 8字节代表虚部
print(a.shape) #(3,3)3行3列
print(a.ndim) #2 2维
print(a.size,len(a)) #9个元素 3行*3列=9;len返回3,3行 shape元组里第一个元素
print(a.itemsize) #16每个元素占16个字节
print(a.nbytes) #144字节 16*9
print(a.T)
print(a.real,a.imag,sep='\n') #取实部和虚部
for elem in a.flat: #flat就是一个扁平迭代器,相比ravel,flatten不需要占有额外内存,空间效率更高
print(elem) print(a.flat[[1,3,5]])#只取1 3 5 号元素
a.flat[[2,4,6]] = 0 #还可以修改元素
print(a) def fun(a,b):
a.append(b)
return a x =np.array([10,20,30])
y=40
# x-fun(x,y) #报错,因为数组没有append的方法
# x = fun(x.tolist(),y) #改成了列表
x=np.array(fun(x.tolist(),y)) #这样还是数组
print(x) y=np.append(x,50)
print(y)

数据分析相关概念(numpy)的更多相关文章

  1. 利用Python进行数据分析(5) NumPy基础: ndarray索引和切片

    概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为a ...

  2. 数据分析入门——numpy类库基础知识

    numpy类库是数据分析的利器,用于高性能的科学计算和数据分析.使用python进行数据分析,numpy这个类库是必须掌握的.numpy并没有提供强大的数据分析功能,而是它提供的ndarray数据结构 ...

  3. 数据分析 之 NumPy

    目录 简单了解数据分析 Python数据分析三剑客(Numpy,Pandas,Matplotlib) 简单使用np.array() 使用np的routines函数创建数组 ndarray N维数组对象 ...

  4. 数据分析01 /numpy模块

    数据分析01 /数据分析之numpy模块 目录 数据分析01 /数据分析之numpy模块 1. numpy简介 2. numpy的创建 3. numpy的方法 4. numpy的常用属性 5. num ...

  5. 利用Python进行数据分析(4) NumPy基础: ndarray简单介绍

    一.NumPy 是什么 NumPy 是 Python 科学计算的基础包,它专为进行严格的数字处理而产生.在之前的随笔里已有更加详细的介绍,这里不再赘述. 利用 Python 进行数据分析(一)简单介绍 ...

  6. 数据分析之Numpy基础:数组和适量计算

    Numpy(Numerical Python)是高性能科学计算和数据分析的基础包. 1.Numpy的ndarray:一种多维数组对象 对于每个数组而言,都有shape和dtype这两个属性来获取数组的 ...

  7. Python数据分析之numpy学习

    Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...

  8. 《利用python进行数据分析》NumPy基础:数组和矢量计算 学习笔记

    一.有关NumPy (一)官方解释 NumPy is the fundamental package for scientific computing with Python. It contains ...

  9. Python数据分析(二): Numpy技巧 (1/4)

    In [1]: import numpy numpy.__version__ Out[1]: '1.13.1' In [2]: import numpy as np  

随机推荐

  1. php开发面试题---Mysql常用命令行大全

    php开发面试题---Mysql常用命令行大全 一.总结 一句话总结: 常见关键词:create,use,drop,insert,update,select,where ,from.inner joi ...

  2. Linux内核知识杂记

    1.内核调试手段 1.printk打印内核状态 2.产生opps时使用GDB查看调用栈 2.内核空间和用户空间区别,通信方式有哪些? Linux简化了分段机制,使得虚拟地址与线性地址总是一致,因此,L ...

  3. springboot入门级笔记

    springboot亮点:不用配置tomcat springboot不支持jsp 准备:配置jdk 配置maven 访问https://start.spring.io/ 并生成自己的springboo ...

  4. python re.findall 使用

    python re.findall 使用 import re #\w 匹配字母数字及下划线 print(re.findall('\w','hello alan _god !@^&#^$^!*& ...

  5. linux 创建多级目录 mkdir -p

    原文地址:http://www.dutor.net/index.php/2010/06/cmd-mkdir-p/ mkdir的-p选项允许你一次性创建多层次的目录,而不是一次只创建单独的目录.例如,我 ...

  6. angularJS 上传multipart/form-data

    var fd = new FormData();fd.append('file', vm.file);CommodityViewImport.post(fd, onSaveSuccess, onSav ...

  7. 关于scroll实现侧边导航栏

    需求为一个简单的scroll效果,侧边选项卡跟随屏幕向下拖动变颜色的.点击侧边选项卡,跳转到相应模块. 索性上网找了一下类似的效果.附带源码地址  https://blog.csdn.net/drea ...

  8. Django(十四)课程机构列表页数据展示,Django的modelform,关于urls的重新分发

    关于urls的重新分发: 如果所有url都配置在根路径的urls.py里,会特别多,而且也不易于修改,Django框架里支持urls的重新分发: 1.在根路径的urls配置上: PS:namespac ...

  9. 看了Google编码规范,我突然有个感觉

    那么个编码规范,充分体现了西方人的自我感觉良好,以及以自己为中心的程度, 以及西方人对待事物的双重标准.

  10. 加载ubuntu的时候卡在‘SMBus Host Controller not enabled'错误

    实验系统:ubuntu-16.04.6-server-amd64 我在VMware安装完这个系统后进入发现卡在了’SMBus Host Controller not enabled‘里,后来查过网络发 ...