数据分析-2.numpy库

一：NumPy介绍

NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。在数据分析和机器学习领域被广泛使用。他有以下几个特点：

• numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
• Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
• 有一个强大的N维数组对象Array（一种类似于列表的东西）。
• 实用的线性代数、傅里叶变换和随机数生成函数。
  总而言之，他是一个非常高效的用于处理数值型运算的包。

---

二：Numpy入门

1. 基础知识

因为数组中只能存储同一种数据类型，因此可以通过dtype获取数组中的元素的数据类型。以下是ndarray.dtype的常用的数据类型：

数据类型	  描述	                                                      唯一标识符
bool	  用一个字节存储的布尔类型（True或False）	   						'b'
int8	  一个字节大小，-128 至 127										'i1'
int16	  整数，16 位整数(-32768 ~ 32767)								'i2'
int32	  整数，32 位整数(-2147483648 ~ 2147483647)						'i4'
int64	  整数，64 位整数(-9223372036854775808 ~ 9223372036854775807)	'i8'
uint8	  无符号整数，0 至 255 											'u1'
uint16	  无符号整数，0 至 65535	 										'u2'
uint32	  无符号整数，0 至 2 ** 32 - 1									'u4'
uint64	  无符号整数，0 至 2 ** 64 - 1									'u8'
float16	  半精度浮点数：16位，正负号1位，指数5位，精度10位					'f2'
float32	  单精度浮点数：32位，正负号1位，指数8位，精度23位					'f4'
float64	  双精度浮点数：64位，正负号1位，指数11位，精度52位				'f8'
complex64 复数，分别用两个32位浮点数表示实部和虚部						'c8'
complex128复数，分别用两个64位浮点数表示实部和虚部						'c16'
object_	  python对象													'O'
string_	  字符串														'S'
unicode_  unicode类型													'U'

• 默认的数据类型：

  import numpy as np
  a1 = np.array([1,2,3])
  print(a1.dtype)
  # 如果是windows系统，默认是int32
  # 如果是mac或者linux系统，则根据系统来
  

• 以下修改dtype（astype）

  import numpy as np
  a1 = np.array([1,2,3])
  print(a1.dtype) # window系统下默认是int32
  # 以下修改dtype
  a2 = a1.astype(np.int64) # astype不会修改数组本身，而是会将修改后的结果返回
  print(a2.dtype)
  

• 指定dtype：

  import numpy as np
  a1 = np.array([1,2,3],dtype=np.int64)
  或者 a1 = np.array([1,2,3],dtype="i8")
  print(a1.dtype)
  

• ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。

  # ndarray.ndim： 查看数组的维数
  b1 = np.array([[1, 5, 9], [8, 7, 6]])
  print(b1.ndim)  # 2
  

• shape 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。

  b1 = np.array([[1, 5, 9], [8, 7, 6]])
  print(b1.shape)  # (2, 3) 表示二行三列，并且看元祖里面有几个数，那就是几维数组
  

• reshape

  重新修改数组的维数

  b3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])  # 三维数组
  print(b3)
  """
  [[[ 1  2  3]
    [ 4  5  6]]
  
   [[ 7  8  9]
    [10 11 12]]]
  """
  print(b3.reshape((2, 6)))
  """
  [[ 1  2  3  4  5  6]
   [ 7  8  9 10 11 12]]
  """
  

• ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。

  b1 = np.array([[1, 5, 9], [8, 7, 6]])  # 这个是个二维数组，可以看它的最外层有几个括号"[]", 这个数组外面有两个括号，所以它就是二维数组
  print(b1.size)  # 6, 因为上面数据有6个
  

2 .数组创建

（1）array函数

你可以使用array函数从常规Python列表或元组中创建数组。得到的数组的类型是从Python列表中元素的类型推导出来的。

# 1.通过array来创建数组
a = np.array([0, 1, 2, 6, 10])  # 参数为一个列表
print(a)  # [ 0  1  2  6 10]

（2）通过arange创建

• 创建一维数组

  b = np.arange(1, 10)
  print(b)  # [1 2 3 4 5 6 7 8 9]
  b = np.arange(1, 10, 2)  # 和range一样，第一个为起始位置，第二个位结束位置，第三个位置为步长
  print(b)  # [1 3 5 7 9]
  

• 创建二维数组

  a = np.arange(9).reshape(3, 3)
  print(a)
  """
  [[0 1 2]
   [3 4 5]
   [6 7 8]]
  """
  

  注意：arange创建的一维数组，里面的数字个数得和reshape的一样

（3）通过random创建

• 一维

  c = np.random.random(10