数据分析之Numpy-数组计算

引言 :

　　数据分析 : 就是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来,总结出研究对象的内在规律 .

　　数据分析三剑客 : Numpy 数组计算

　　　　　　　　 Pandas 表计算与数据分析

　　　　　　　　 Matplotlib 绘图和可视化

一 . NumPy

1 . NumPy(Numerical Python) 是 python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算 , 此外也针对数组运算提供大量的数学函数库

2 . NumPy是高性能科学计算和分析的

ndarray : 一个多维数组结构,高效且节省空间
无需循环对整体数据进行快速运算的科学函数
* 读写磁盘数据的工具以及用于操作内存映射文件的工具
* 线性代数 , 随机数生成和博里叶变换功能
* 用于集成C , C++ 等代码的工具

3 . 安装方法 :

　　pip install numpy

二 . 创建ndarray

　　注意 : 示例均是在jupyter上演示的

1 . 使用 np.array() 创建

# 导包

# 通常都将 numpy简化成np

import numpy as np

　　1) . 一维数组的创建

np.array([1,2,3,4.5])

　　2) . 二维数组的创建 np.array([[1,2,3,4],[5,6,7,8]])

注意 :

numpy默认ndarray的所有元素的类型是相同的
如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

　　3) . 使用matplotlib.pyplot获取一个numpy数组,数据来源于图片

2 . 使用 np 的 routines 函数创建

创建ndarray：

    array()         将列表转换为数组，可选择显式指定dtype

    arange()        range的numpy版，支持浮点数

    linspace()      类似arange()，第三个参数为数组长度

    zeros()         根据指定形状和dtype创建全0数组

    ones()          根据指定形状和dtype创建全1数组

    empty()         根据指定形状和dtype创建空数组（随机值）

    eye()           根据指定边长和dtype创建单位矩阵

例如 :

三 . ndrray---多维数组对象

1 . 常用属性 :

T 数组的转置（对高维数组而言）
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小（以元组形式）

2 . 常用方法 :

array.shape                         array的规格

array.ndim

array.dtype                         array的数据规格

numpy.zeros(dim1,dim2)              创建dim1*dim2的零矩阵

numpy.arange

numpy.eye(n) /numpy.identity(n)     创建n*n单位矩阵

numpy.array([…data…], dtype=float64 )

array.astype(numpy.float64)         更换矩阵的数据形式

array.astype(float)                 更换矩阵的数据形式

array * array                       矩阵点乘

array[a:b]                          切片

array.copy()                        得到ndarray的副本，而不是视图

array [a] [b]=array [ a, b ]        两者等价

name=np.array(['bob','joe','will']) res=name==’bob’ res= array([ True, False, False], dtype=bool)

data[True,False,…..]                索引，只索取为True的部分，去掉False部分

通过布尔型索引选取数组中的数据，将总是创建数据的副本。

data[ [,,,] ]                   索引，将第4,,,6行摘取出来，组成新数组

data[-]=data[data.__len__()-]

numpy.reshape(a,b)                  将a*b的一维数组排列为a*b的形式

array([a,b,c,d],[d,e,f,g])          返回一维数组，分别为[a,d],[b,e],[c,f],[d,g]

array[ [a,b,c,d] ][:,[e,f,g,h] ]=array[ numpy.ix_( [a,b,c,d],[e,f,g,h] ) ]

array.T                             array的转置

numpy.random.randn(a,b)             生成a*b的随机数组

numpy.dot(matrix_1,matrix_2)        矩阵乘法

array.transpose( (,,,etc.) )     对于高维数组，转置需要一个由轴编号组成的元组

四 . ndarray的基本操作

、数组和标量之间的运算

    a+    a*    //a    a**0.5

、同样大小数组之间的运算

    a+b    a/b    a**b

、数组的索引：

    一维数组：a[]

    多维数组：

        列表式写法：a[][]

        新式写法：a[,] (推荐)

   数组的切片：

        一维数组：a[:]    a[:]        a[:] =

        多维数组：a[:, :]    a[:,:]        a[:,]

、强调：与列表不同，数组切片时并不会自动复制，在切片数组上的修改会影响原数组。    【解决方法：copy()】

1 . 索引

　　一维与列表完全一致 , 多维同理

2 . 切片

　　 1) . 一维与列表完全相同 , 多维同理

　　　　2) . 将数据进行反转 , 例如 : [1,2,3] --> [3,2,1]

　　3) . 对图片进行操作

3 . 变形

　　使用 reshape()函数,注意一个参数是 --- tuple !

4 . 级联

　　np.concatenate()

级联需要注意的点：

级联的参数是列表：一定要加中括号或小括号
维度必须相同
形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
可通过axis参数改变级联的方向

5 . 切割

　　给图片进行切割

原图片 :

五 . 数学和统计方法

常用函数：

    sum    求和

    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

六 . ndarray的排序

np.sort() 和 ndarray.sort() 的区别 :

np.sort() 不改变输入
ndarray.sort() 本地处理,不占用空间,但改输入

七 . 随机数生成

随机数生成函数在np.random子包内
常用函数 :

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
choice 给定形状产生随机选择
shuffle 与random.shuffle相同
uniform 给定形状产生随机数组