Python 数据库（numpy,pandas,matplotlib）学习笔记

引言

结尾

一.numpy库使用

1.numpy的引用(约定俗成，简化写成np)：

2.创建数组的方式

array方法

zeros,ones：两个（）

arange方法：生成一维正整数

3.数组计算方式

非矩阵计算

矩阵运算

4.数组随机数生成和统计计算

随机数生成

统计计算

排序

5.数组索引

一维数组索引

二维数组索引

for循环迭代

---

引言

  由于目前学校课程所需，学习python数据库，但学校讲的方式失去逻辑且过快，自己也就稍微整理了一些（可能偏向于新手和考试编程一类）。

结尾

因为这个库的内容太多了，有点写不动了，等我缓缓再补充，不会烂尾的，duck 放心9.28/11.04

一.numpy库使用

1.numpy的引用(约定俗成，简化写成np)：

import numpy as np

2.创建数组的方式

array方法

注意：行列：先行后列

           没有double，int64/32跟电脑的位数有关

           注意多维数组格式array()，小括号自带，[[  ],[  ]]二维数组，[   ] 一维数组，没有的话会让计算机误认为dtype = [  ]

import numpy as np
array1 = np.array([[10,20,30],[12,13,14]]) # 创建二维数组，赋予其数组属性，引用np的函数array
print(array1.ndim) # 维度  二维
print(array1.shape) # 形状  行列数（2*3）
print(array1.dtype) # 元素类型  int64

# 将上述组合
array2 = np.array([[10,20,30],[10,20,30]],dtype = np.int64)
array3 = np.array([[10,20,30],[10,20,30]],dtype = float) # 没有double

输出结果：

2
(2, 3) # 以元组形式返回
int64

zeros,ones：两个（）

zero = np.zeros((3,4)) # 3行*4列的二维数组，注意输出为浮点数0.
one = np.ones((3,4))  #注意输出为浮点数,全为1.
print(zero)
print(one)

输出结果：

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

arange方法：生成一维正整数

注意：arange(12)从0到11，左闭右开区间，其余操作类似列表

e = np.arange(12)
f = np.arange(4,12)
g = np.arange(1,24,3) # 步长为3
h = np.arange(12).reshape(3,4) # 重新定义形式

print(e)
print(f)
print(g)
print(h)

输出结果：

[ 0  1  2  3  4  5  6  7  8  9 10 11]
[ 4  5  6  7  8  9 10 11]
[ 1  4  7 10 13 16 19 22]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

3.数组计算方式

非矩阵计算

方式有点类似线性代数，不完全相同，对每一个一一对应的元素进行前7步，对每一个元素进行后2步，可以自行输出结果

注意：相除得到浮点数

           arr1>3返回的是每一个元素进行比较，返回True/False

arr1 = np.array([[1,2,3],[4,5,6]])
arr2 = np.array([[4,5,6],[7,8,9]])

print(arr1 + arr2) # 相加
print(arr1 - arr2) # 相减
print(arr1 * arr2) # 相乘
print(arr1 ** arr2)  # 幂
print(arr1 / arr2)  # 除
print(arr1 % arr2)  # 取余
print(arr1 // arr2) # 取整
print(arr1 + 2) # 加常数
print(arr1 * 2) # 乘常数
print(arr1 > 3) # 比较

矩阵运算

线性代数：注意条件，第一个矩阵的列数 == 第二个矩阵的行数

arr1 = np.array([[1,2],[4,5]])
arr2 = np.array([[4,5],[7,8]])
# 矩阵相乘的两种方式
print(np.dot(arr1,arr2))
print(arr1.dot(arr2))
# 矩阵转置的两种方式
print(arr1.T)
print(np.transpose(arr1))

4.数组随机数生成和统计计算

随机数生成

sample = np.random.randint(0,10,size = (4,3))# 从0-9中随机生成4行3列的矩阵

统计计算

sample = np.random.randint(0,10,size = (4,3))# 从0-9中随机生成4行3列的矩阵

np.sum(sample) # 计算矩阵中所有元素的和
np.min(sample) # 计算矩阵中最小元素
np.max(sample) # 计算矩阵中最大元素

np.sum(sample,axis=0) # 计算矩阵每一列的和
np.sum(sample,axis=1) # 计算矩阵每一行的和

np.argmin(sample) # 计算矩阵中最小元素的索引
np.argmax(sample) # 计算矩阵中最大元素的索引

# 两种方法
np.mean(sample) # 计算矩阵中元素的平均值
sample.mean() # 计算矩阵中元素的平均值

np.median(sample) # 计算矩阵中元素的中位数

np.sqrt(sample) # 计算矩阵中元素的平方根

排序

是对每一行进行排序，注意格式

sample = np.random.randint(0,10,size = (4,3))# 从0-9中随机生成4行3列的矩阵

print(np.sort(sample))

异常数据处理

np.clip(sample,0,10) # 元素<0 变成0，>10，变成10

5.数组索引

一维数组索引

arr1 = np.arange(2,10)
# 2 3 4 5 6 7 8 9
print(arr1[3])
# 5
print(arr1[3:-1])
# [5 6 7 8]
print(arr1[:6])
# [2 3 4 5 6 7]
print(arr1[-2:])
# [8 9]

二维数组索引

注意：每一行，每一列的索引都是从0开始，n-1结束

           ：表示每一行/每一列都要

arr2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 1 2 3
# 4 5 6
# 7 8 9
print(arr2[1])
# [4 5 6]
print(arr2[1,1])
# 5
print(arr2[1][2])
# 6
print(arr2[:,2])
# [3 6 9]

for循环迭代

arr2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 1 2 3
# 4 5 6
# 7 8 9
for i in arr2:
    print(i)
# 迭代输出数组的每一行

for i in arr2.flat:
    print(i)
# 迭代输出数组的每一个元素