【Numpy-矩阵库~python】_python numpy 矩阵，2024年最新你真的知道大数据开发按下开机键到启动发生什么吗

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但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年最新大数据全套学习资料》，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。

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，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

lxw = np.arange(16).reshape(4, 4)
print(“原数组为：\n”, lxw)

print(“转置过的数组为：\n”, lxw.T)

### matlib.empty()



> 
> `matlib.empty()` 函数返回一个新的矩阵
> 
> 
> 

import numpy.matlib

kk = np.matlib.empty((3, 3)) # 填充为随机数据
print(kk)

### numpy.matlib.zeros()



> 
> `numpy.matlib.zeros()` 函数创建一个以 0 填充的矩阵
> 
> 
> 

ll = np.matlib.zeros((3, 3))
print(ll)

### numpy.matlib.ones()



> 
> `numpy.matlib.ones()`函数创建一个以 1 填充的矩阵
> 
> 
> 

yy = np.matlib.ones((3, 3))
print(yy)

### numpy.matlib.eye()



> 
> numpy.matlib.eye() 函数返回一个矩阵，对角线元素为 1，其他位置为零
> 
> 
> 

dd = np.matlib.eye(n=3, M=4, k=0, dtype=float)
print(dd)

### numpy.matlib.rand()



> 
> `numpy.matlib.rand()` 函数创建一个给定大小的矩阵，数据是随机填充的
> 
> 
> 

sj = np.matlib.rand((3, 3))
print(sj)

### 二维矩阵

e = np.matrix(‘1, 2;3, 4’)
print(e)

### n维数组

r = np.asarray(e)
print®

#### 以上所有程序对应运行结果如下：

原数组为：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
转置过的数组为：
[[ 0 4 8 12]
[ 1 5 9 13]
[ 2 6 10 14]
[ 3 7 11 15]]

[[ nan 0.0000000e+000 1.1581509e-311]
[2.0236929e-320 0.0000000e+000 0.0000000e+000]
[0.0000000e+000 0.0000000e+000 0.0000000e+000]]

[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]

[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]

[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]]

[[0.39836727 0.16983388 0.91118039]
[0.77283047 0.24608713 0.72451454]
[0.32447712 0.21523051 0.4374776 ]]

[[1 2]
[3 4]]

[[1 2]
[3 4]]

—————————————————————————————————


## pandas 每日一练：

-*- coding = utf-8 -*-

@Time : 2022/8/7 19:48

@Author : lxw_pro

@File : pandas-12 练习.py

@Software : PyCharm

import pandas as pd
import matplotlib.pyplot as plt

lxw = pd.read_excel(“site.xlsx”)
print(lxw)

#### 运行结果如下：

 Unnamed: 0  Unnamed: 0.1   create_dt  ...   yye  sku_cost_prc     lrl

0 0 1 2016-11-30 … 8.8 6.77 30.00%
1 1 2 2016-11-30 … 7.5 5.77 30.00%
2 2 3 2016-11-30 … 5.0 3.85 30.00%
3 3 4 2016-11-30 … 19.6 7.54 30.00%
4 4 5 2016-12-02 … 13.5 10.38 30.00%
… … … … … … … …
751 751 752 2016-12-31 … 1.0 0.77 30.00%
752 752 753 2016-12-31 … 2.0 1.54 30.00%
753 753 754 2016-12-31 … 1.0 0.77 30.00%
754 754 755 2016-12-31 … 7.6 2.92 30.00%
755 755 756 2016-12-31 … 3.3 2.54 30.00%
[756 rows x 8 columns]

---


### 71、以5个数据作为一个数据滑动窗口，计算这五个数据总和（sku\_cost\_prc）

zh = lxw[‘sku_cost_prc’].rolling(5).sum()
print(zh)

#### 运行结果如下：

0 NaN
1 NaN
2 NaN
3 NaN
4 34.31
…
751 10.89
752 10.51
753 8.36
754 9.90
755 8.54
Name: sku_cost_prc, Length: 756, dtype: float64

---


### 72、将sku\_cost\_prc 5日均线、20日均线与原始数据绘制在同一个圈上

lxw[‘sku_cost_prc’].plot()
lxw[‘sku_cost_prc’].rolling(5).mean().plot()
lxw[‘sku_cost_prc’].rolling(20).mean().plot()

plt.show()

#### 运行效果如下：


![在这里插入图片描述](https://img-blog.csdnimg.cn/848f5889e0df41aebccfe5be790eba98.png)




---


### 73、将数据往后移动5天


wh = lxw.shift(5)  
 print(wh)


#### 运行结果如下：

 Unnamed: 0  Unnamed: 0.1   create_dt  ...   yye  sku_cost_prc     lrl

0 NaN NaN NaN … NaN NaN NaN
1 NaN NaN NaN … NaN NaN NaN
2 NaN NaN NaN … NaN NaN NaN
3 NaN NaN NaN … NaN NaN NaN
4 NaN NaN NaN … NaN NaN NaN
… … … … … … … …
751 746.0 747.0 2016-12-31 … 20.0 2.00 40.00%
752 747.0 748.0 2016-12-31 … 5.0 1.92 30.00%
753 748.0 749.0 2016-12-31 … 3.8 2.92 30.00%
754 749.0 750.0 2016-12-31 … 1.8 1.38 30.00%
755 750.0 751.0 2016-12-31 … 3.9 3.90 2.56%
[756 rows x 8 columns]

---


### 74、将数据往前移动5天



**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
![img](https://img-blog.csdnimg.cn/img_convert/b6de5a536797e1b5076fb8563ea92658.png)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

 2.56%
[756 rows x 8 columns]

---

74、将数据往前移动5天

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-j9CNjOyZ-1713348888878)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！