【数据分析实战45讲】

04 Python科学计算：用NumPy快速处理数据

使用Numpy让你的Python科学计算更高效

• 避免采用隐式拷贝，而是采用就地操作的方式
  可以提高计算速度

• ndarray
  NumPy数组中的维数称为秩（rank），一个线性的数组称为一个轴（axes)，秩就是描述轴的数量。

• 创建数组

 import numpy as np
 a = np.arrary([1, 2, 3,])
 b = np.array([1, 2, 3], [4, 5, 6], [7, 8, 9])
 b[1, 1] = 10
 print a.shape
 print b.shape
 print a.dtype
 print b

运行结果

(3L,)
(3L, 3L)
int32
[[1 2 3]
 [4 10 6]
 [7 8 9]]

• 结构数组

import numpy as np
persontype = np.dtpye({
   
	'name':['name', 'age', 'chinese', 'math', 'english'],
	'formats':['s32', 'i', 'i', 'i', 'f']} # 定义结构
	
peoples = np.array(["ZhangFei", 32, 75, 100, 90),("GuanYu", 24, 85 , 96, 88.5),
		("ZhaoYun", 28, 85, 92, 96.5),("HuangZhong", 29, 65, 85, 100)],
		dtype = persontype)
ages = peoples[:]['age']
chinese = peoples[:]['age']
maths = peoples[:]['chinese']
englishs = peoples[:]['english']
print np.mean(ages) # 求平均值
print np.mean(chinese)
print np.mean(maths)
print np.mean(englishs)

• ufunc运算

x1 = np.arange(1,11,2) # 创建等差数组:初始值，终值，步长
x2 = np.linspace(1,9,5) # 创建等差数组:初值、终值，元素个数

• 算法运算

x1 = np.arange(1,11,2)
x2 = np.linspace(1,9,5)
print np.add(x1, x2) # 加
print np.substact(x1, x2) # 减
print np.multiply(x1, x2) # 乘
print np.divide(x1, x2) # 除
print np.power(x1, x2) # 幂
print np.remainder(x1, x2) # 取余 np.remainder()与np.mod()一样

• 统计函数

'''
计算矩阵的最大最小值
'''
import numpy as np
a = np.array([[1,2,3], [4,5,6], [7,8,9