2024年最全【数学建模学习笔记【集训十天】之第三天】_数学建模csv表格(2)，大数据开发高级面试framework

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

需要这份系统化资料的朋友，可以戳这里获取

-*- coding = utf-8 -*-

@Time : 2022/6/29 9:50

@Author : lxw_pro

@File : Numpy库学习-1.py

@Software : PyCharm

Numpy的基本使用

‘’’
Numpy提供了两种基本的对象：ndarray存储单一数据类型的多维数组；
ufunc是能够对数组进行处理的函数
1-导入函数
import numpy as np

2-数组创建
2-1 array 可将列表或元组转化为ndarray数组
2-2 arange 在给定区间内创建等差数组，格式：
arange(start=None, stop=None, step=None,dtype=None)
【step表示步长间隔】

2-3 linspace 在给定区间内创建间隔相等的数组，格式：
linspace(start, stop, num=50, endpoint=True)
【间隔相等的num个数据，其num默认值是50】

2-4 logspace 在给定区间内生成等比数组，格式：
logspace(start, stop, num=50, endpoint=True, base=10.0)
【默认生成区间[10start(次方), 10stop()次方]上的num个数据的等比数组】

以及 ones、zeros、empty和ones_like等系列函数的运用：
‘’’

---


#### 1-numpy.array

numpy.array

array()函数，括号内可以是列表、元组、数组、迭代对象、生成器

import numpy as np

print(np.array([6, 6, 6])) # 列表

print(np.array((8, 8, 8))) # 元组

print(np.array(np.array([9, 9, 9]))) # 数组

print(np.array(range(10))) # 迭代对象 / 整型

print(np.array([i**2 for i in range(10)])) # 生成器

创建10以内的奇数的数组：

print(np.array([i for i in range(1, 10, 2)]))

print(np.array([i for i in range(10) if i % 2 != 0]))

创建10以内的偶数的数组：

print(np.array([i for i in range(0, 10, 2)]))

print(np.array([i for i in range(10) if i % 2 == 0]))

列表中元素类型不相同

print(np.array([5, 2, ‘0’])) # [‘5’ ‘2’ ‘0’]

浮点型

print(np.array([3, 4, 5.2]))

二维数组：【嵌套序列（列表、元组均可）】

print(np.array([[6, 7, 8], (‘lxw’, ‘cw’, ‘wl’)]))
print(np.array([[6, 7, 8], (‘lxw’, ‘cw’, ‘wl’)]).ndim) # ndim(维度）: 2

嵌套数量不一致：【强制转化为一维，推荐不用】

print(np.array([[6, 7, 8], (‘lxw’, ‘cw’, ‘wl’, ‘npy’)], dtype=object))
print(np.array([[6, 7, 8], (‘lxw’, ‘cw’, ‘wl’, ‘npy’)], dtype=object).ndim) # ndim(维度）：1
print(np.array([[6, 7, 8], (‘lxw’, ‘cw’, ‘wl’, ‘npy’)], dtype=object).shape) # 运行结果：(2,)

print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object))
print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).ndim) # ndim(维度）：1
print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).shape) # 运行结果：(2,) -> 代表两行一列

---


#### 2-numpy.empty

numpy.empty

‘’’
numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组

numpy.empty(shape, dtype = float, order = ‘C’)

参数说明：

参数 描述
shape 数组形状
dtype 数据类型，可选
order 有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序

‘’’

import numpy as np

lxw = np.empty([3, 4], dtype=int)
print(lxw) # 注意：数组元素为随机值，因为它们未初始化

---


#### 3-numpy.zeros

numpy.zeros

‘’’
创建指定大小的数组，数组元素以 0 来填充：

numpy.zeros(shape, dtype = float, order = ‘C’)

参数说明：
order : ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组

‘’’

import numpy as np

lxw = np.zeros(6) # 默认为浮点数
print(lxw)

lxw2 = np.zeros((6, ), dtype=int) # 设置类型为整数
print(lxw2)

自定义类型

lxw3 = np.zeros((2, 2), dtype=[(‘lxw’, ‘i2’), (‘lxw2’, ‘i4’)])
print(lxw3)

---


#### 4-numpy.ones

numpy.ones

‘’'创建指定形状的数组，数组元素以 1 来填充：

numpy.ones(shape, dtype = None, order = ‘C’)

‘’’

import numpy as np

lxw4 = np.ones(8) # 默认浮点数
print(lxw4)

lxw5 = np.ones([2, 2], dtype=int)
print(lxw5)

---


### 1 NumPy 从已有的数组创建数组


#### 1-numpy.asarray

numpy.asarray

‘’’
numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。

numpy.asarray(a, dtype = None, order = None)
参数说明：

参数 描述
a 任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组

‘’’

将列表转换为 ndarray:

import numpy as np

x = [5, 2, 0]
lxw6 = np.asarray(x)

print(lxw6)

将元组转换为 ndarray

import numpy as np

x2 = (1, 3, 1, 4)
lxw7 = np.asarray(x2)

print(lxw7)

设置了 dtype 参数

import numpy as np

x4 = [6, 6, 9]
lxw9 = np.asarray(x4, dtype=float)

print(lxw9)

---


#### 2-numpy.frombuffer

numpy.frombuffer

‘’’
numpy.frombuffer 用于实现动态数组;接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

格式如下：
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

注：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

参数说明：

参数 描述
buffer 可以是任意对象，会以流的形式读入。
dtype 返回数组的数据类型，可选
count 读取的数据数量，默认为-1，读取所有数据。
offset 读取的起始位置，默认为0

‘’’

import numpy as np

s = b’lxw_pro’
lxw10 = np.frombuffer(s, dtype=‘S1’)
print(lxw10)

---


#### 3-numpy.fromiter

numpy.fromiter

‘’’
numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1)

‘’’

import numpy as np

lst = range(6)
it = iter(lst)

lxw11 = np.fromiter(it, dtype=float)
print(lxw11)

---


### 2 NumPy 从数值范围创建数组


#### 1-numpy.arange

numpy.arange

‘’’
numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)
根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。

参数说明：

参数 描述
start 起始值，默认为0
stop 终止值（不包含）
step 步长，默认为1
dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型

‘’’

生成0和5的数组

import numpy as np

a = np.arange(6)
print(a)

设置返回类型位 float

import numpy as np

a2 = np.arange(6, dtype=float)
print(a2)

设置了起始值、终止值及步长

import numpy as np

a3 = np.arange(20, 52, 5)
print(a3)

---


#### 2-numpy.linspace

numpy.linspace

‘’’
numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数说明：

参数 描述
start 序列的起始值
stop 序列的终止值，如果endpoint为true，该值包含于数列中
num 要生成的等步长的样本数量，默认为50
endpoint 该值为 true 时，数列中包含stop值，反之不包含，默认是True。
retstep 如果为 True 时，生成的数组中会显示间距，反之不显示。
dtype ndarray 的数据类型

‘’’

类似等差数列

import numpy as np

a4 = np.linspace(1, 10, 5)
print(a4)

设置元素全部是1的等差数列

import numpy as np

a5 = np.linspace(1, 1, 10)
print(a5)

将 endpoint 设为 false，不包含终止值

import numpy as np

a6 = np.linspace(8, 22, 4, endpoint=False)
print(a6)

注：将 endpoint 设为 true，则会包含 22

a6 = np.linspace(8, 22, 4, endpoint=True)

print(a6)

设置间距

import numpy as np

a7 = np.linspace(5, 10, 5).reshape([5, 1])
print(a7)

#### 3-numpy.logspace

numpy.logspace

‘’’
numpy.logspace 函数用于创建一个于等比数列。格式如下：

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
base 参数意思是取对数的时候 log 的下标。

参数 描述
start 序列的起始值为：base ** start
stop 序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
num 要生成的等步长的样本数量，默认为50
endpoint 该值为 true 时，数列中中包含stop值，反之不包含，默认是True。
base 对数 log 的底数。
dtype ndarray 的数据类型

‘’’

import numpy as np

a8 = np.logspace(1, 2, num=10) # 默认底数是 10
print(a8)

将对数的底数设置为 2

import numpy as np

a9 = np.logspace(0, 8, 9, base=2)
print(a9)

---




---


### 综合运用【array、arange、linspace、lonspace】:

综合运用

import numpy as np

ltw = np.array([3, 3, 4, 4]) # 生成整型数组
ltw2 = ltw.astype(float) # 转为浮点数
ltw3 = np.array([5, 2, 1], dtype=float) # 浮点数

print(ltw)
print(ltw2)
print(ltw3)

比较类型

print(ltw.dtype, ltw2.dtype, ltw3.dtype)

aa = np.array([
[2, 5, 8],
[9, 6, 2]
])

print(aa)

bb = np.arange(2, 9)
print(bb) # 运行结果为：[2 3 4 5 6 7 8]

cc = np.linspace(2, 5, 4)
print(cc) # 运行结果为：[2. 3. 4. 5.]

dd = np.logspace(1, 4, 4, base=2) # base控制的是几次方
print(dd) # 运行结果为：[ 2. 4. 8. 16.]

---




---


### 综合运用【ones、zeros、empty、ones\_like】

综合运用【ones、zeros、empty、ones_like】

import numpy as np

a = np.ones(6, dtype=int)
print(a) # 运行结果为：[1 1 1 1 1 1]

b = np.ones((6,), dtype=int)
print(b) # 运行结果为：[1 1 1 1 1 1]

c = np.ones((3, 1))
print© # 输出3行一列的数组

运行结果为：

[[1.]

[1.]

[1.]]

d = np.zeros(4)
print(d) # 运行结果为：[0. 0. 0. 0.]

e = np.empty(3)
print(e) # 生成3个元素的空数组行向量

运行结果为：[1. 1. 1.]

f = np.eye(3)
print(f) # 生成3阶单位阵

运行结果为：

[[1. 0. 0.]

[0. 1. 0.]

[0. 0. 1.]]

g = np.eye(3, k=1)
print(g) # 生成第k对角线的元素为1，其他元素为0的3阶方阵

运行结果为：

[[0. 1. 0.]

[0. 0. 1.]

[0. 0. 0.]]

h = np.zeros_like(b)
print(h) # 生成与a同维数的全0数组

运行结果为：[0 0 0 0 0 0]

---


### 3 NumPy 切片和索引

-*- coding = utf-8 -*-

@Time : 2022/6/29 14:30

@Author : lxw_pro

@File : Numpy 切片和索引-6.py

@Software : PyCharm

NumPy 切片和索引

‘’’
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

ndarray 数组可以基于 0 - n 的下标进行索引，
切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组

‘’’

import numpy as np

通过 arange() 函数创建 ndarray 对象

a = np.arange(10)
lxw = slice(2, 9, 3) # 索引从2到9，间隔为3

print(a[lxw]) # [2 5 8]

通过切片操作

a = np.arange(10)
lxw2 = a[2:9:3] # 这里的切片操作和Python中list的操作是一样的

print(lxw2) # [2 5 8]

比如：

import numpy as np

lxw3 = np.arange(10)
print(lxw3[6]) # 6

print(lxw3[6:]) # [6 7 8 9]

print(lxw3[2:7]) # [2 3 4 5 6]

多维数组同样适用上述索引提取方法

import numpy as np

lxw4 = np.array([
[6, 6, 6],
[5, 2, 0],
[5, 8, 9]
])

print(lxw4)

print(lxw4[1:])

切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。

如果在行位置使用省略号，它将返回包含行中元素的 ndarray

import numpy as np

lxw5 = np.array([
[1, 2, 9],
[2, 5, 4],
[3, 4, 8]
])

print(lxw5[1, …]) # [2 5 4] 第二行元素

print(lxw5[…, 2]) # [9 4 8] 第三列元素

print(lxw5[1:, …]) # 第二行及剩下元素

print(lxw5[…, 1:]) # 第二列及剩下元素

---


### 4 NumPy 高级索引


Numpy中的`array`数组与Python基础数据结构列表（`list`)的`区别`是：


* 列表中的元素可以是不同的数据类型
* array数组只允许存储相同的数据类型



> 
> NumPy 比一般的 Python 序列提供更多的索引方式。
> 
> 
> 


*除了之前看到的用整数和切片的索引外，数组可以由*


* 整数数组索引
* 布尔索引
* 花式索引


#### 1-整数数组索引

1-整数数组索引

import numpy as np

b = np.array([
[6, 2, 9],
[4, 3, 9],
[5, 2, 3]
])

lxw6 = b[
[0, 1, 2], [1, 2, 1]
]

print(lxw6) # 输出 [2 9 2]

获取四个角元素

import numpy as np

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

print(aq)

hj = np.array([[0, 0], [3, 3]])
lj = np.array([[0, 3], [0, 3]])

yq = aq[hj, lj]
print(yq)

print()

可借助切片 : 或 … 与索引数组组合:

import numpy as np

jz = np.array([
[3, 5, 9],
[5, 2, 6],
[2, 9, 8]
])

jz1 = jz[:2, :2]
print(jz1)

jz2 = jz[:2, [0, 1]]
print(jz2)

jz3 = jz[…, 1:]
print(jz3)

---


#### 2-布尔索引

布尔索引

布尔索引可通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组

获取大于5的元素：

import numpy as np

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

print(br)

print(br[br > 5]) # 输出 [6 7 8 6 6 9]

使用 ~（取补运算符）来过滤 NaN：

import numpy as np

bu = np.array([5, np.nan, 2, 0, np.nan, np.nan, 5, 8])
print(bu[~np.isnan(bu)]) # 输出 [5. 2. 0. 5. 8.]

从数组中过滤掉非复数元素：

import numpy as np

lv = np.array([2+2.9j, 4, 9, 2+8.2j, 8])
print(lv[np.iscomplex(lv)]) # 输出 [2.+2.9j 2.+8.2j]

![img](https://img-blog.csdnimg.cn/img_convert/77c30fbf132122e7225d4b587d7d1ada.png)
![img](https://img-blog.csdnimg.cn/img_convert/9c53cfd2d7be1bbcde86eeb03cfb5f30.png)
![img](https://img-blog.csdnimg.cn/img_convert/71cc1108d0c3b0dd9ab55644a8120396.png)

**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**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**


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

print(br)

print(br[br > 5])               # 输出 [6 7 8 6 6 9]


# 使用 ~（取补运算符）来过滤 NaN：
import numpy as np

bu = np.array([5, np.nan, 2, 0, np.nan, np.nan, 5, 8])
print(bu[~np.isnan(bu)])        # 输出 [5. 2. 0. 5. 8.]


# 从数组中过滤掉非复数元素：
import numpy as np

lv = np.array([2+2.9j, 4, 9, 2+8.2j, 8])
print(lv[np.iscomplex(lv)])     # 输出 [2.+2.9j 2.+8.2j]

[外链图片转存中…(img-JRqo5vSE-1715284965583)]
[外链图片转存中…(img-KHm4V9r2-1715284965583)]
[外链图片转存中…(img-n3vLd4TM-1715284965584)]

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

需要这份系统化资料的朋友，可以戳这里获取