数据分析——numpy库常用基本操作

本人是一个数据分析的爱好者，由于脑子不够灵光，所以决定通过写博客来记录自己的学习过程。
百度许久，遍历教程无数，发现做数据分析主要有一下的工具：
1、SAS：SAS（STATISTICAL ANALYSIS SYSTEM，简称SAS）公司开发的统计分析软件，是一个功能强大的数据库整合平台。价格昂贵，银行或者大企业才买的起，做离线的分析或者模型用。

2、SPSS：SPSS（Statistical Product and Service Solutions，统计产品与服务解决方案）是IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的产品，迄今已有40余年的成长历史，价格昂贵。

3、R/MATLAB：适合做学术性质的数据分析，在实际应用上需要额外转换为Python或Scala来实现，而且MATLAB（MathWorks公司出品的商业数学软件）是收费的。

4、Scala：是一门函数式编程语言，熟练使用后开发效率较高，配合Spark适合大规模的数据分析和处理，Scala的运行环境是JVM。

5、Python：Python在数据工程领域和机器学习领域有很多成熟的框架和算法库，完全可以只用Python就可以构建以数据为中心的应用程序。在数据工程领域和机器学习领域，Python非常非常流行，学到的技术是自己的，免费思密达。

奈何穷光蛋一个，看来看去，之所以选择基于Pytho进行数据分析的学习，主要还是因为免费这等接地气的词汇深得我心，说句实在话，学习编程对于我这工程类专业出身的人士，难于上青天，两个月过去了，编程能力还是半桶水。好在终于是看懂了一些Python的语法，这几天学到了numpy和pandas，基本操作记了又忘，我知道应该是我实际操作还不够多，但我还是想做这么一篇学习笔记记录及巩固所学内容。
说在前面，本笔记大多均摘自古墓派掌门，在自学numpy过程中，我依照该博客笔记进行代码练习，之所以再写这么一篇文章，仅仅是想记录自己的自学过程，在这里我由衷的感谢该博主的知识分享。言归正传。

1.创建矩阵

Numpy库中的矩阵模块为ndarray对象，有很多属性：T，data, dtype,flags,flat,imag,real,size,

itemsize,nbytes,ndim,shape,strides,ctypes,base等等。
1.1采用ndarray对象

import numpy as np #引入numpy库

#创建一维的narray对象
a = np.array([1,2,3,4,5])

#创建二维的narray对象
a2 = np.array([[1,2,3,4,5],[6,7,8,9,10]])

#创建多维对象以其类推

1.2通过函数创建矩阵
1.2.1 arange

import numpy as np

a = np.arange(10) # 默认从0开始到10（不包括10），步长为1
print(a) # 返回 [0 1 2 3 4 5 6 7 8 9]

a1 = np.arange(5,10) # 从5开始到10（不包括10），步长为1
print(a1) # 返回 [5 6 7 8 9]

a2 = np.arange(5,20,2) # 从5开始到20（不包括20），步长为2
print(a2) # 返回 [ 5  7  9 11 13 15 17 19]

1.2.2 linspace
linspace()和matlab的linspace很类似，用于创建指定数量等间隔的序列，实际生成一个等差数列。

1 import numpy as np
2 
3 a = np.linspace(0,10,5) # 生成首位是0，末位是10&