数据分析入门—

一、什么是numpy

　　Numpy提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于处理多维数组（矩阵）的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。

二、快速入门numpy库

　　1.导入numpy（安装anaconda已带很多科学计算包，无需安装导入即可）

　　　　导入画图工具matplotlib，用于数据分析与可视化

　　　　打开一张猫的图片，发现计算机眼里，它只是一个数组，这样numpy也就上场了！：

　　使用type就能发现，他是Numpy的ndarray，使用imshow()可以查看这只可爱的猫：

三、创建numpy.ndarray

　　1.使用np.array，由python的list创建

　　　　多维数组合理：

　　　　通过shape查看是几行几列的：

　　　　图片的分别为长宽加最后一维：颜色

　　2.通过rountines函数创建ndarray

　　　　　　ones:创建指定形状数组，数据元素使用1来填充

　　　　　　使用imshow则可以显示这张图片了：

plt.imshow(n3)

　　　　　　// zeros同理

　　　　使用其他自定义数字，通过full创建：

　　通过eye创建对角线矩阵：对角线为1，其他均为0（满秩）

　　通过linspace创建有规律的数组：（默认取样数量num为50个）

　　　　通过arange创建数组，在给定区间创建均匀间隔的值：（左闭右开）

　　　　通过randint生成随机数组，例如0到100之间，生成5个数：

　　　　通过randn生成一个标准正太分布的数组

　　　　通过normal生成自定义的正太分布（其中loc参数表示拐点,scale表示波动性）

　　　　通过random.random生成0-1左闭右开的随机数组

四、ndarray的基本操作

　　1.索引

　　　　和列表完全一致，使用下标取值

　　　　多维同理，例如使用randint(0,100,(3,4))创建的3行四列数组，使用n1[0,1]取出第0行第1个

　　2.切片

　　　　一维数组与列表切片完全一致，多维同理

　　　　多维数组和一维数组是同理的（比如3维数组可以看成元素是2维的1维数组），多维数组的切片，就是三维切哪些，二维切哪些，一维切哪些

　　　使用-1的步长表示反转：n1[::-1]

　　　　3.变形

　　　　　　使用reshape，传入tuple进行变形操作（多维数组传入负数直接变成一维数组：cat.reshape(-1)）

　　　　4.级联

　　　　　np.concatenate()　，参数是列表（可以传List或者tuple），纬度和形状必须相同，通过axis可以改变级联的方向

　　　　使用axis改变级联方向

　　　　图片同理：

　　　　使用np.hstack与np.vstack进行纬度变更，分别是变成水平与垂直转换，来处理自己

　　　　5.切分

　　　　　　使用split切分，在索引位置切分，分成多个数组：

　　　　　　使用vsplit与hsplit进行垂直于水平切分：

　　　　6.副本

　　　　　需要注意的是所有赋值运算不会给ndarray创建副本，原对象的改变，也会改变ndarray的值（两个ndarray之间赋值，赋值的改变会影响被赋值的对象）　，要使用副本，使用copy：n2 = n1.copy()。否则直接 n2 = n1，n1会影响n2的值

五、ndarray的聚合操作

　　可以直接调用ndarray的函数操作，例如求最大最小值：

　　推荐使用np.max等操作，可以控制对某个轴（axis = 0时是Y轴）求最大值：

　　其他几个max、min、sum等同理

NumPy：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的矩阵操作

　　1.算数运算

　　　　基础的加减乘除（通过基础的 + -等计算符号，或者通过np.add等进行操作）

　　2.矩阵积dot

　　　　必须是shape相反的,n行m列，乘以m行n列

　　　　矩阵乘法原理如下：

七、ndarray广播机制

　　1) 为缺失元素补1

　　2）假定缺失元素用已有值补充

　　https://www.cnblogs.com/jiaxin359/p/9021726.html

　　例如，一个2行3列的数组与一行3列的数组进行相加，就会有广播机制：

八、ndarray的排序

　　1.快速排序

　　　　np.sort():不改变输入

　　　　ndarray.sort():本地处理，不占用空间，但改变输入

　　2.部分排序

　　　　只取最大的k个值或最小的k个值:np.partition(n,k)：k为正时为最小的几个数，k为负时为最大的几个数（但这几个数并没有排序）

　　　　参考：https://blog.csdn.net/qq_37007384/article/details/88668729