Python数据分析之Numpy入门

目录

1、什么是numpy 2、安装numpy 3、n维数组对象 4、数组创建 5、数组维度 6、数组元素个数 7、数组元素数据类型 8、改变数组形状 9、数组索引和切片操作 10、数组转换与元素迭代 11、数组级联操作 12、数组数值舍入 13、数组数值添加 14、数组元素去重 15、常用数学函数 16、常用统计函数 17、矩阵运算

1、什么是numpy

NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分 Python 科学计算库的基础，多用于在大型，多维数组上执行的数值运算。

numpy 具有以下三大特点

拥有 n 维数组对象 拥有广播功能 拥有各种科学计算 API

2、安装numpy

numpy 是一个 python 库，所以使用 python 包管理工具 pip 或者 conda 都可以安装

pip?install?numpy
或者
conda?install?numpy

3、n维数组对象

n 维数组 ndarray 对象，是一系列同类数据的集合，可以进行索引、切片、迭代操作。

判断一个数组是几维，主要是看它有几个轴 axis 一个轴表示一维数组，两个轴表示二维数组，以此类推。 每个轴都代表一个一维数组。 比如说，二维数组第一个轴里的每个元素都是一个一维数组，也就是第二个轴。

一维数组一个轴：

[1,2,3]

二维数组两个轴：

[[0,?1,?2],
?[3,?4,?5]]

三维数组三个轴：

[[[?0,??1,??2],
??[?3,??4,??5]],
?[[?6,??7,??8],
??[?9,?10,?11]]]

以此类推n维数组

4、数组创建

numpy 中常用 array 函数创建数组，传入列表或元组即可

创建一维数组，并指定数组类型为 int

import?numpy?as?np
np.array([1,2,3],dtype=int)

#?输出：array([1,?2,?3])

创建二维数组

import?numpy?as?np
np.array(((1,2),(3,4)))

?'''
输出：
array([[1,?2],
???????[3,?4]])
'''

使用 arange 函数创建一维数字数组，用法类似 python 的 range 函数

import?numpy?as?np
np.arange(1,6)
'''
输出：array([1,?2,?3,?4,?5])
'''

创建随机数组， numpy 的 random 模块用来创建随机数组

random.rand 函数，生成 [0,1) 均匀分布的随机数组

import?numpy?as?np
#?创建2行2列取值范围为[0,1)的数组
np.random.rand(2,2)
'''
输出：
array([[0.99449146,?0.92339551],
???????[0.1837405?,?0.41719798]])
'''

random.randn 函数，生成数值成标准正态分布（平均值为0，标准差为1）的数组

import?numpy?as?np
#?创建2行3列，取值范围为标准正态分布的数组
np.random.randn(3,2)
'''
输出：
array([[-1.27481003,?-1.5888111?],
???????[?0.16985203,?-2.91526479],
???????[?1.75992671,?-2.81304831]])
'''

random.randint 函数，生成可以指定范围的随机整数数组

import?numpy?as?np
#?创建2行2列,取值范围为[2,10)的随机整数数组
np.random.randint(2,10,size=(2,2))
'''
输出：
array([[5,?4],
???????[3,?7]])
'''

random.normal 函数，生成数值成正态分布（可指定平均值、标准差）的数组

import?numpy?as?np
#?创建一维，数值成正态分布（均值为1，标准差为2）的数组
#?参数loc代表均值，scale代表标准差
np.random.normal(loc=1,scale=2,size=5)
'''
输出：
array([?0.82962241,??0.41738042,??0.0470862?,??1.79446076,?-1.47514478])
'''

random 模块的其他函数

函数 说明 seed 确定随机数生成器的种子，固定生成的随机数 permutation 返回一个序列的随机排列或返回一个随机排列的范围 shuffle 对一个序列就地随机排列 rand 产生均匀分布的样本值 randint 从给定的上下限范围内随机选取整数 randn 产生正态分布（平均值为0，标准差为1）的样本值，类似于MATLAB接口 binomial 产生二项分布的样本值 normal 产生正态（高斯）分布的样本值 beta 产生Beta分布的样本值

5、数组维度

数组维度即代表轴的数量，可以通过数组 ndarray 对象的 ndim 或 shape 属性，来查看轴的数量

ndim 属性直接返回维度值 shape 属性返回一个元组，元组的长度即代表维度值，里面的数字从左往右分别代表每一轴的元素数量

import?numpy?as?np
#?创建一维数组
x1?=?np.array([1,2,3])
#?返回维度值
x1.ndim
'''
输出：1
'''
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?返回形状
x2.shape
'''
输出：(2,?3)
元素长度为2代表二维，
元素2代表0轴有两个元素，
元素3代表1轴有3个元素。
'''

6、数组元素个数

数组 ndarray 对象的 size 属性可以查看数组包含元素总数

import?numpy?as?np
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?查看元素总数
x2.size
'''
输出：6
'''

通过 shape 属性返回元素的乘积，来计算数组元素数量

import?numpy?as?np
from?functools?import?reduce
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?查看元素总数
reduce(lambda?x,y:x*y?,?x2.shape)
'''
输出：6
shape形状：
(2,3)
'''

7、数组元素数据类型

numpy 支持的数据类型非常多，所以很适合做数值计算，常见的数据类型如下 来源：https://HdhCmsTesthdhcms测试数据/numpy/numpy-dtype.html

名称 描述 bool_ 布尔型数据类型（True 或者 False） int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） intc 与 C 的 int 类型一样，一般是 int32 或 int 64 intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） int8 字节（-128 to 127） int16 整数（-32768 to 32767） int32 整数（-2147483648 to 2147483647） int64 整数（-9223372036854775808 to 9223372036854775807） uint8 无符号整数（0 to 255） uint16 无符号整数（0 to 65535） uint32 无符号整数（0 to 4294967295） uint64 无符号整数（0 to 18446744073709551615） float_ float64 类型的简写 float16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 float32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 float64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 complex_ complex128 类型的简写，即 128 位复数 complex64 复数，表示双 32 位浮点数（实数部分和虚数部分） complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）

numpy 数组 ndarrry 对象提供 dtype 属性，用来查看数组类型

import?numpy?as?np
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]],dtype=int)
#?返回类型
x2.dtype
'''
输出：dtype('int32')
'''

8、改变数组形状

数组的 shape 属性返回一个元组，能够反映数组的形状，包括维度以及每个轴的元素数量 对于改变数组形状的常用方式有两种

reshape 方法，它返回一个新的数组，而不能改变原始数组

传入整数或者元组形式的参数 传入的参数和 shape 属性返回的元组的含义是一样的。例如， x2.reshape(1,2,3) 是将二维数组转换成三维数组，参数个数代表要转换的维度，参数数字从左到右分别表示 0 轴、 1 轴、 2 轴的元素数量

import?numpy?as?np
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?将x2转换为三维数组，并且自定义每个轴的元素数量
x2.reshape(1,2,3)
'''
输出：
array([[[1,?2,?3],
????????[4,?5,?6]]])
'''

resize 方法，和 reshape 方法使用形式一样，区别是 resize 方法改变了原始数组形状

import?numpy?as?np
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?将x2转换为三维数组，并且自定义每个轴的元素数量
x2.resize((1,2,3))
x2
'''
输出：
array([[[1,?2,?3],
????????[4,?5,?6]]])
'''

9、数组索引和切片操作

numpy 一维数组的索引和切片操作类似 python 列表 例如取一维数组前三个元素

import?numpy?as?np
#?创建一维数组
x1?=?np.array([1,2,3,4])
#?切片，取前三个元素
x1[:3]
'''
输出：
array([1,?2,?3])
'''

重点 是对多维数组的索引和切片操作

多维数组索引

多维数组有多个轴，那么就需要对每个轴进行索引。 例如，三维数组形状为 (x,y,z) ，分别代表： 0 轴有 x 个元素、 1 轴有 y 个元素， 2 轴有 z 个元素。 对 0 、 1 、 2 轴进行索引，如果取 o 轴第 2 个元素、 1 轴第 0 个元素、 2 轴第 3 个元素，那么索引形式就为 [2,0,3]

import?numpy?as?np
#?创建三维数组
x3?=?np.arange(24).reshape(3,2,4)
#?对该三维数组进行索引
x3[2,0,3]

'''
输出：19

三维数组形式：
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]]])
'''

多维数组切片

如果取 o 轴前 2 个元素、 1 轴前 1 个元素、 2 轴后 2 个元素，那么切片形式就为 [:2,:1,-2:]

import?numpy?as?np
#?创建三维数组
x3?=?np.arange(24).reshape(3,2,4)
#?对该三维数组进行切片
x3[:2,:1,-2:]

'''
输出：
array([[[?2,??3]],

???????[[10,?11]]])

三维数组形式：
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]]])
'''

数组数据翻转

import?numpy?as?np
#?创建二维数组
arr?=?np.random.randint(0,100,size=(5,7))
#?对该数组进行数据反转
arr[::-1,::-1]

'''
输出
array([[42,?49,?71,?20,?38,?94,?47],
???????[47,?73,??6,?39,?60,?94,?93],
???????[94,??2,??5,?18,??4,?18,?78],
???????[25,?85,?38,?39,?20,??1,?84],
???????[86,?28,??9,?80,?69,??9,??3]])

二维数组形式：
array([[?3,??9,?69,?80,??9,?28,?86],
???????[84,??1,?20,?39,?38,?85,?25],
???????[78,?18,??4,?18,??5,??2,?94],
???????[93,?94,?60,?39,??6,?73,?47],
???????[47,?94,?38,?20,?71,?49,?42]])
'''

10、数组转换与元素迭代

数组转换

利用数组对象的 ravel 方法，可将多维数组展开为一维数组

import?numpy?as?np
#?创建数组
x3?=?np.arange(12).reshape(3,4)
#?对该数组进行索引
x3.ravel()
'''
输出：
array([?0,??1,??2,??3,??4,??5,??6,??7,??8,??9,?10,?11])
'''

元素迭代

说道迭代，最容易想到的是对数组使用 for 循环进行迭代，其次是使用迭代器 for 循环对于一维数组是可以的，对于多维数组，迭代时相对于0轴完成的 如果使用嵌套循环，固然可以，然而太低效 此时使用 flat 方法可以将多维数组平铺为一维的迭代器

import?numpy?as?np
#?创建二维数组
x2?=?np.array([[1,2,3],[4,5,6]])
#?先平铺，再迭代
for?i?in?x2.flat:
????print(i)
'''
输出：
1
2
3
4
5
6
'''

11、数组级联操作

级联是指将两个或多个 numpy 数组进行横向或者纵向的拼接 拼接时有参数 axis ，值为 0 表示按列操作(竖直方向)，值为 1 时表示按行操作(水平方向)

import?numpy?as?np
#?创建两个二维数组
x1?=?np.array([[1,2,3],[4,5,6]])
x2?=?np.array([[7,8,9],[10,11,12]])
#?连接,默认沿0轴连接
np.concatenate((x1,x2))

'''
输出：
array([[?1,??2,??3],
???????[?4,??5,??6],
???????[?7,??8,??9],
???????[10,?11,?12]])
'''

#?指定沿1轴连接
np.concatenate((x1,x2),axis=1)

'''
输出：
array([[?1,??2,??3,??7,??8,??9],
???????[?4,??5,??6,?10,?11,?12]])
'''

12、数组数值舍入

around 函数，用于四舍五入，返回一个新数组

import?numpy?as?np
#?创建一维数组
x1?=?np.array([1.45,2.78,3.12])
#?四舍五入，到小数点后1位
np.around(x1,1)
'''
输出：
array([1.4,?2.8,?3.1])
'''

floor 函数，用于向下取整，返回一个新数组

import?numpy?as?np
#?创建一维数组
x1?=?np.array([1.45,2.78,3.12])
#?向下取整
np.floor(x1)
'''
输出：
array([1.,?2.,?3.])
'''

ceil 函数，用于向上取整，返回一个新数组

import?numpy?as?np
#?创建一维数组
x1?=?np.array([1.45,2.78,3.12])
#?向下取整
np.ceil(x1)
'''
输出：
array([2.,?3.,?4.])
'''

13、数组数值添加

append 函数向数组末尾追加值，可以指定不同的轴

import?numpy?as?np
#?创建一个二维数组
x1?=?np.array([[1,2,3],[4,5,6]])
#?直接向数组末尾添加元素，返回平铺的一维数组
np.append(x1,[7,8,9])
'''
输出：
array([1,?2,?3,?4,?5,?6,?7,?8,?9])
'''

#?沿轴?0?添加元素
np.append(x1,?[[7,8,9]],axis?=?0)
'''
输出：
array([[1,?2,?3],
???????[4,?5,?6],
???????[7,?8,?9]])
'''

#?沿轴?1?添加元素
np.append(x1,?[[5,5,5],[7,8,9]],axis?=?1)
'''
输出：
array([[1,?2,?3,?5,?5,?5],
???????[4,?5,?6,?7,?8,?9]])
'''

insert 函数可以沿给定轴，在数组中任意位置插入数据

import?numpy?as?np
#?创建一个二维数组
x1?=?np.array([[1,2,3],[4,5,6],[7,8,9]])
#?直接在指定位置插入元素，返回平铺的一维数组
np.insert(x1,2,[0,0,0])
'''
输出：
array([1,?2,?0,?0,?0,?3,?4,?5,?6,?7,?8,?9])

原数组：
array([[1,?2,?3],
???????[4,?5,?6],
???????[7,?8,?9]])
'''

#?指定位置，沿轴?0?插入元素
np.insert(x1,1,[0,0,0],axis=0)
'''
输出：
array([[1,?2,?3],
???????[0,?0,?0],
???????[4,?5,?6],
???????[7,?8,?9]])
'''

#?指定位置，沿轴?1插入元素
np.insert(x1,2,[0,0,0],axis=1)
'''
输出：
array([[1,?2,?0,?3],
???????[4,?5,?0,?6],
???????[7,?8,?0,?9]])
'''

14、数组元素去重

unique 函数用于去除数组中的重复元素，返回一个新数组 unique 函数还能返回重复元素的索引、计数等信息

import?numpy?as?np
#?创建一个一维数组
x1?=?np.array([2,3,5,1,3,8,1,0])
np.unique(x1)
'''
输出：
array([0,?1,?2,?3,?5,?8])
'''

15、常用数学函数

numpy 提供了标准的三角函数： sin() 、 cos() 、 tan() numpy.around(a,decimals) 函数返回指定数字的四舍五入值 a :数组 decimails :舍入的小数位数，默认值为 0 ，如果为负，整数将四舍五入到小数点左侧的位置 参数说明：

import?numpy?as?np
#?创建一个一维数组
arr?=?np.random.randint(0,100,size=(3,4))
np.sin(arr)

np.around(arr,decimals=-1)
'''
输出：
array([[-0.24525199,?-0.44411267,?-0.8462204?,?-0.28790332],
???????[-0.62988799,??0.10598751,??0.99060736,?-0.99388865],
???????[-0.7391807?,?-0.40403765,?-0.91652155,??0.89399666]])

array([[90,?80,?20,?20],
???????[80,?90,?10,?80],
???????[60,?30,?40,?90]])
'''

16、常用统计函数

numpy.amin() 和 numpy.amax() ,用于计算数组中的元素沿指定轴的最小，最大值 numpy.ptp() :计算数组中元素最大值与最小值的差(最大值-最小值) numpy.median() 函数用于计算数组 a 中元素的中位数（中值） 标准差 std() :标准差是一组数据平均值分散程度的一种度量 公式:std = sqrt(mean((x - x-mean())**2)) 如果数组是[1,2,3,4],则其平均值为2.5，因此，差的平方是[2.25,0.25,0.25,2.25],并且其平均值的平方根除以4,即sqrt(5/4),结果为1.1180339887498949 方差 var() :统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即mean((x - x.mean())**2)。换句话说，标准差是方差的平方根

import?numpy?as?np
a?=?np.array([22,33,21,34,41,44])
a.std()
a.var()

'''
输出：
8.65544144839919

74.91666666666667
'''

17、矩阵运算

numpy中 包含了一个矩阵库 numpy.matlib ，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。一个的矩阵是一个由行(row)列(column)元素排列成的矩形阵列 numpy.matlib.identity() 函数返回给定大小的单位矩阵。单位矩阵是个方阵，从左上角到右下角的对角线（称为主对角线）的元素均为1，除此以外全都为0 转置矩阵 .ST

import?numpy?as?np
#?创建二维数组
x1?=?np.arange(12).reshape(3,4)
#?转置
x1.T

'''
输出：
array([[?0,??4,??8],
???????[?1,??5,??9],
???????[?2,??6,?10],
???????[?3,??7,?11]])
原数组：
array([[?0,??1,??2,??3],
???????[?4,??5,??6,??7],
???????[?8,??9,?10,?11]])
'''

矩阵相乘 a : ndarray 数组 b : ndarray 数组 矩阵相乘：第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1），然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。也就是说，结果矩阵第m行与第n列交叉位置的那个值，等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和。 numpy.dot(a, b, out=None)

import?numpy?as?np
#?创建二维数组
a1?=?np.array([[2,1],[4,3]])
a2?=?np.array([[1,2],[1,0]])
np.dot(a1,a2)

'''
输出：
array([[3,?4],
???????[7,?8]])
'''

以上就是个人学习数据分析相关的 numpy 入门及常用知识，欢迎来骚扰O(∩_∩)O

查看更多关于Python数据分析之Numpy入门的详细内容...