Numpy做数据分析,不懂这些是真的做不了数据分析

逃离我推掉我的手 2021-07-24 11:31 376阅读 0赞

# numpy #

## 为什么要用numpy科学计算库? ##

一般情况下数据的组成:  
行和列

一般数据都是这样组成的,我们可以把数据分为行和列,这样对于数据的运算是很方便的,同时也是和高效的,这就是使用munpy科学计算库的原因,numpy就是做矩阵的计算,且是底部实现是C语言,运算速度很快.

*  Numpy是一种数学工具,用于矢量计算
 *  Numpy的对象称为矩阵/多维数组 轴指的是维度,轶指的是轴的数量

## 常用属性和方法 ##

### numpy对象常用属性 ###

b = np.array([[1,2,3]
                ,[4,5,6]])
    print(b.ndim)
    print(b.shape)
    print(b.dtype)
    print(b.size)
    print(b.itemsize)

a = np.array([1,2,3])
    print(a.shape)
    b = np.array([[1,2,3]
                ,[4,5,6]])
    print(b.shape)

**很可能用在debug中,看看在转化中shape是否有错误**

*  `ndim`几个维度
 *  `shape`各个维度的数值
 *  `dtype`数据类型(int类型默认是32,float默认是64)
 *  `size`元素总数
 *  `itemsize`每个元素字节大小
 *  `arange`(数字)生成一个数字列表
 *  `reshape(x,y)`把numpy对象转为一个x行y列的对象

### numpy打开文件 ###

*  numpy.genfromtext(’\*.txt’,delimite=’,’,dtype=‘str’)
 *  第一个参数表示`txt文件的路径`
 *  第二个参数表示把这个txt文件的内容按照,分隔
 *  第三个参数表示打开文件的方式(如果有float的数据也有stsr的数据,用str的方式打开,在转化float的数据转化)

### numpy的创建 ###

第一种方式`numpy.array(*)`

*  注意`*`可以是一切的序列类型
 *  dtype自动推断 ,一般是float64(用于数值计算),也可以显式指定
 *  另外对于set来说,直接传入时,仅作为一个元素,如果不想作为一个元素,那么可以在传入之前先转化为list或者tuple  
    其他方式创建  
    `占位符`
 *  np.zeros/ones/empty(\*) \*代表各维度的元组
 *  np.zeros\_like/ones\_like/empty\_like(\*) \*表示参考另一个数组的dtype和shape
 *  应用于数组元素未知,但是大小已知,这种方式有着高昂的运算代价,不建议经常使用  
    `np.arange()`相当于python中的range()函数,称为数组数列  
    Np.eye/identity(),单位矩阵,特点是对角线为1,其余为0

# numpy创建一维二维矩阵
    a = np.array([1,2,3])
    print(a)
    b = np.array([[1,2,3]
                ,[4,5,6]],dtype='int64')#在创建时可以指定numpy的数据类型
    print(b)

**注意在numpy创建数组时,内部的序列的类型必须是相同的**

#这种事不被允许的
    #a = np.array([1,2,3])
    #print(a)
    a = np.array([1,2,3,4.0],dtype='float')
    print(a)

### numpy的基本运算 ###

*  元素级运算
 *  特点是:矩阵中的每个元素和对应位置的元素进行运算

a = np.array([1,2,3])
    a ==2

结果为:a\[False,True,Flase\]  
布尔类型的值可以作为索引的值

a = np.array([1,2,3])
    index =(a ==2)
    print(index)

矩阵的布尔运算也支持与或非的操作

vector = np.array([5,10,15,20])
    equal_to_ten_and_five = (vector = 10) & (vector = 5)
    equal_to_ten_or_five = (vector = 10) | (vector = 5)
    
    print(equal_to_ten_and_five)

结果为:\[False False False False\]

a = np.array([[1,1],
    			 [0,1]])
    b = np.array([[2,0],
    			 [3,4]])
    print("**********")
    print(a)
    print("**********")
    print(b)
    print("**********")
    print(a*b)#得到的结果是对应位置相乘的结果
    print("**********")
    print(a.dot(b))#dot就是说矩阵的乘法
    print("**********")
    print(np.dot(a,b))#这是矩阵乘法的另一种表达方式

![在这里插入图片描述][2020042008392986.png]

### numpy的索引和切片操作 ###

numpy是支持索引和切片操作的.我们把操作做一个分类:  
按照**对象维度**可以分为`一维`和`多维`  
一维

*  arr\[a\]
 *  arr\[a:b\]
 *  arr\[::-1\]

a = np.array([1.0,2.0,3.0,4.0])
    result1 = a[1]
    print(result1)
    result2 =a[1:3]
    print(result2)
    result3 =a[::-1]
    print(result3)

多维  
\*

b = np.array([[1,2,3]
                ,[4,5,6]],dtype='int64')
    result1 = b[:,1]#索引整个第一列
    result2 = b[:0,2]#切片索引0.1列
    result3 = b[0:1,0:1]#索引切片取第一行第一列
    print(result1)
    print(result2)
    print(result3)

### numpy对对象的类型转换 ###

`np.astype(*)`  
\*表示的是数据类型

vector = np.array(["1","2","3"])
    vector = vector.astype(float)
    print(vector)

### numpy的复制 ###

numpy的复制,要求必须是显式的复制.

*  完全不拷贝:函数调用和简单赋值
 *  浅复制

**含义**:不同的数组的对象共享同一数据  
创建:新的数组对象指向同一数据

*  完全拷贝:数组和数据 d=a.copy()

### random函数的使用 ###

np.random.random((2,3))

**2代表行数3代表列数**  
`inspace`数的用法

np.inspace(0,50,100)#从0开始到50结束,平均取100个数作为numpy的对象

## 矩阵的常用操作: ##

矩阵格式的控制和变换:

*  ravel()函数:把矩阵变换为一维
 *  a.shape =(6,2)\#对numpy的对象进行重新的排列维数
 *  np.T矩阵的转置

a  = np.floor(10*np.random.random((3,4)))
    print('_______________')
    print(a)
    print('_______________')
    print(a.ravel())#把矩阵变换为一维
    a.shape =(6,2)#对numpy的对象进行重新的排列维数
    print('_______________')
    print(a)
    print('_______________')
    print(a.T)#获得a的转置矩阵
    b = a.reshape(3,-1)#在numpy的维数变换时,指定行之后,其实列的值也确定了,可以用-1表示
    print(b)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwNzQyMjIz_size_16_color_FFFFFF_t_70]

### 矩阵的拼接 ###

*  左右拼接

a  = np.floor(10*np.random.random((2,2)))
    a  = np.floor(10*np.random.random((2,2)))
    print('_______*________')
    print(a)
    print('_______*________')
    print(b)
    print(np.hstack((a,b)))

![在这里插入图片描述][20200420084040406.png]

*  上下拼接

**切分**

*  np.hsplit(a,3)第一个参数表示要切分的对象,第二个参数表示要切分为几份,按行切分
 *  np.vsplit(b,3)第一个参数表示要切分的对象,第二个参数表示要切分为几份,按列切分

a = np.array(np.random.random((2,12)))
    print(a)
    print(np.hsplit(a,3))#第一个参数表示要切分的对象,第二个参数表示要切分为几份,按行切分
    b = np.array(np.random.random((12,2)))
    print(b)
    print(np.vsplit(b,3))#第一个参数表示要切分的对象,第二个参数表示要切分为几份,按列切分

[2020042008392986.png]: /images/20210724/867bb770dcd9494781fd692fbd75fbbb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwNzQyMjIz_size_16_color_FFFFFF_t_70]: /images/20210724/7e058b63b83b44a6b66002c908fb6082.png
[20200420084040406.png]: /images/20210724/6d708c29579b42068aaad57f8196472f.png