python数据分析基础003 -numpy的使用（详解)

• • 🛒3.1.1 加法

• 🧣3.1.2 减法

• 🧤3.1.3 乘法

• 🧥3.1.4 除法

• 🧥3.2 数组与数组的计算

• • 💎3.2.1 广播原则

• ⚽3.2.2 加法

• 🏀3.2.2 减法

• 🏅3.2.2 乘法

• 💉3.2.2 除法

• ⚒结语

🐚作者简介： 苏凉（在python路上）

🐳博客主页： 苏凉.py的博客

👑名言警句： 海阔凭鱼跃，天高任鸟飞。

📰要是觉得博主文章写的不错的话，还望大家三连支持一下呀！！！

👉关注✨点赞👍收藏📂

🍇前言

=======================================================================

numpy通常可以和matplotlib一起使用。两者相结合可以更有效的帮助我们进行数据的分析。

接下来我们一起进入python的科学计算基础库numpy的学习吧。

前期回顾：matplotlib绘制数据可视化图形

🎈（一）numpy基础介绍

=================================================================================

🎆1.什么是numpy

---

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.为什么要学习numpy

---

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

1.一个强大的N维数组对象 ndarray

2.广播功能函数

3.整合 C/C++/Fortran 代码的工具

4.线性代数、傅里叶变换、随机数生成等功能

✨3.numpy的应用

---

NumPy 通常与 SciPy（Scientific Python）Matplotlib（绘图库）一起使用， 这种组合广泛用于替代MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

🎉4.numpy的安装

---

pip install numpy -i https://www.pypi.douban.com/simple

🎊5.numpy库的导入

---

import numpy as np

🎃（二）numpy创建数组（矩阵）

=====================================================================================

注：Python 没有内置对数组的支持，但可以使用 Python 列表代替。

🎄1.创建数组（array）

---

使用array的三种方法创建数组，返回的数组类名为numpy.ndarray类

a = np.array([5,6,7,8,9])

b = np.array(range(5,10))

c = np.arange(5,10)

print(a,type(a))

print(b,type(b))

print(c,type©)

结果：[5 6 7 8 9] <class ‘numpy.ndarray’>

🎋2.数据类型（dtype）

---

使用dtype方法可以返回数据类型

print(a.dtype,b.dtype,c.dtype)

结果：int32 int32 int32

附：numpy中常见的数据类型：

🎍3.数据类型的操作

---

🎎3.1 定义数据类型

使用dtype参数指定数据类型

x1 = np.array(range(5,10),dtype = ‘float’)

print(x1,x1.dtype)

结果： [5. 6. 7. 8. 9.] float64

bool类型返回true和false

x2 = np.array([0,1,1,0,1,0,1],dtype=bool)

print(x2,x2.dtype)

结果：[False True True False True False True] bool

🎐3.2 调整数据类型

调整数据类型用到astype方法，可以将原数据类型调整到我们想要的数据类型

x3 = np.array(range(5,10),dtype = ‘int8’)

x4 = x3.astype(‘int32’)

print(x3.dtype,x4.dtype)

结果：int8 int32

🎑3.3 保留n位小数

在numpy中保留n位小数用到的是round方法

例：保留3位随机小数

x5 = random.random()

x6 = np.round(x5,3)

print(x6)

结果：0.313

🎀（三）数组的计算

=============================================================================

数组分为一维数组，二维数组和多维数组。接下来就让我们一起看看在numpy中如何对数组进行操作的吧！！

🎁1.查看数组形状

---

shape()方法查看数组形状可以判断出这是几维数组

🎗1.1 创建一维数组

a = np.array(range(13))

print(a,a.shape)

结果：

🎠1.2 创建二维数组

a1 = np.array([[1,2,3],[4,5,6],[7,8,9]])

print(a1)

print(a1.shape)

结果：

🎡1.3 创建三维数组

a2 = np.array([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]])

print(a2)

print(a2.shape)

结果：

可以看出shape方法返回的值中有多少个该数组就是几维数组。

🎢2. 修改数组形状

---

在numpy中用reshape()方法修改数组的形状可以将n维数组修改到m维数组。

🎪2.1 将1维数组变为3维数组

a3= np.array(range(24))

print(a3.shape) #原a3为1维数组

a4 = a3.reshape(2,3,4)

print(a4)

print(a4.shape)

结果：

🎭2.2 将3维数组变到1维数组

a5 = a4.reshape(24,)

print(a5)

print(a5.shape)

结果：

在numpy中将多维数组变到1维数组还有一种方法，那就是flatten()方法，这种方法适用于我们不知道有多少个数组元素时使用。

a5 = a4.flatten()

print(a5)

print(a5.shape)

结果和上面相同。

🎨3.数组的计算

---

🎰3.1 数组与数字的计算

🛒3.1.1 加法

数组内的每个元素都加上这个数。

import numpy as np

a = np.array(range(24))

b = a.reshape(4,6)

print(b)

print(b+1)

结果：

🧣3.1.2 减法

数组内的每个元素都减去这个数。

import numpy as np

a = np.array(range(24))

b = a.reshape(4,6)

print(b)

print(b-1)

结果：

🧤3.1.3 乘法

数组内的每个元素都乘以这个数。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

[外链图片转存中…(img-KSuicfOo-1713670285647)]

[外链图片转存中…(img-4MpoQQkB-1713670285648)]

[外链图片转存中…(img-qqubRmgv-1713670285649)]

[外链图片转存中…(img-ciOh6VYD-1713670285649)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）