文末赠精品编程资料~~
欢迎来到Python数据分析的世界!对于初学者来说,NumPy是你的第一站,它是Python科学计算的基石,特别是当你想要处理数组和进行大规模数据操作时。本文专为那些希望深入了解并掌握NumPy核心功能的数据分析新手设计。我们将通过10个实用的应用示例,带你从基础操作到一些高级技巧,让你的数据分析之旅更加顺畅。
1. 数组创建与基本操作
应用示例:
-
创建数组 :
import numpy as np arr = np.array([1, 2, 3, 4]) print("简单数组:", arr)
这段代码创建了一个一维数组,并打印出来。
解释:np.array()
是创建NumPy数组的基本函数,它接受列表、元组等作为输入。
2. 维度变换
-
改变形状 :
arr_2d = arr.reshape(2, 2) print("二维数组:", arr_2d)
通过
reshape
,我们可以不改变数据的情况下,调整数组的形状。
3. 数学运算
-
加法与乘法 :
arr_add = arr + 10 arr_mult = arr * 2 print("加10:", arr_add, "\n乘2:", arr_mult)
数学运算在NumPy中可以直接对数组操作,非常高效。
4. 统计分析
-
求平均值与最大值 :
mean_val = np.mean(arr) max_val = np.max(arr) print("平均值:", mean_val, "最大值:", max_val)
np.mean()
和np.max()
用于快速统计分析。
5. 布尔索引
-
筛选特定值 :
bool_arr = arr > 2 print("大于2的索引:", bool_arr) filtered_arr = arr[bool_arr] print("筛选结果:", filtered_arr)
布尔索引允许根据条件选择数组元素。
6. 随机数生成
-
生成随机数组 :
random_arr = np.random.rand(3, 3) print("3x3随机数组:", random_arr)
np.random.rand()
用于生成指定形状的随机数矩阵。
7. 线性代数操作
-
矩阵乘法 :
mat1 = np.array([[1, 2], [3, 4]]) mat2 = np.array([[5, 6], [7, 8]]) product = np.dot(mat1, mat2) print("矩阵乘法结果:", product)
np.dot()
进行矩阵乘法,是机器学习中的基础操作。
8. 广播机制
-
不同形状数组运算 :
broad_arr = arr + np.array([10, 10]) print("广播机制结果:", broad_arr)
NumPy的广播机制允许不同形状的数组进行运算。
9. 数据排序
-
排序数组 :
sorted_arr = np.sort(arr) print("排序后的数组:", sorted_arr)
np.sort()
按升序排序数组。
10. 文件读写
-
保存与加载数组 :
np.save('my_array.npy', arr) loaded_arr = np.load('my_array.npy') print("从文件加载的数组:", loaded_arr)
使用
np.save()
和np.load()
进行数组的持久化存储和读取。
11.高级统计功能
分位数与标准差 :
# 分位数
quartiles = np.percentile(arr, [25, 50, 75])
print("四分位数:", quartiles)
# 标准差与方差
std_dev = np.std(arr)
variance = np.var(arr)
print("标准差:", std_dev, "方差:", variance)
分位数和统计度量是评估数据分布的关键指标。
12.高级索引与切片
花式索引 :
# 索引数组
indices = np.array([[0, 1], [2, 2]])
print("根据索引选取元素:", arr[indices])
# 切片与步长
sliced_arr = arr[1:4:2] # 从第二个元素开始,每隔一个取一个
print("切片结果:", sliced_arr)
花式索引让你能以非常灵活的方式访问数组元素。
13.内存效率与视图
使用视图减少内存消耗 :
view_arr = arr.view()
view_arr[:] = 100 # 注意:这会改变原数组,因为是视图
print("原数组变化后:", arr)
了解视图和副本的区别对于处理大型数据集至关重要。
14.向量化操作的威力
向量化操作是NumPy的核心优势,相较于Python循环,它们提供了极大的性能提升。
比较与逻辑操作 :
# 等于特定值的索引
equals_three = arr == 3
print("等于3的索引:", equals_three)
# 逻辑与
both_greater = (arr > 2) & (arr < 4)
print("大于2且小于4的索引:", both_greater)
利用逻辑操作符进行条件筛选,无需显式循环。
15.性能优化提示
-
避免循环:尽量使用向量化操作替代Python循环。
-
使用
einsum
进行复杂数组计算,它在某些情况下比直接的矩阵操作更快。 -
数组预分配:预先确定数组大小并分配内存,可以避免运行时的内存分配开销。
结语
掌握这些高级应用和优化技巧,将使你在数据分析的道路上更加得心应手。
好了,今天的分享就到这里了,我们下期见。
如果你是准备学习Python或者正在学习(想通过Python兼职),下面这些你应该能用得上:
【点击这里】领取!
包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python!
① Python所有方向的学习路线图
,清楚各个方向要学什么东西
② 100多节Python课程视频
,涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例
,学习不再是只会理论
④ 华为出品独家Python漫画教程
,手机也能学习
⑤ 历年互联网企业Python面试真题
,复习时非常方便****