数据分析之numpy

---

前言

numpy,pandas,matplotlib是python进行数据分析的三大利器，本文主要介绍关于numpy基础部分内容，后续文章会介绍pandas,matplotlib的内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、numpy是什么？

Numpy（www.numpy.org）是Numerical Python的简写，广泛用于python的数值计算，提供多种数据结构，算法以及大部分设计python数值计算所需要的接口。它可以通过建立多维数组nadarray对象帮助我们高效地进行科学计算如线性代数，傅立叶变换等。

二、数组与向量化计算

1.创建数组

1.利用numpy.array()包装

import numpy as np
>>> a = [3.5, 5, 2, 8, 4.2]
>>> np.array(a)
array([3.5, 5. , 2. , 8. , 4.2])
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

>>> a = [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]
>>> np.array(a)
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

2.利用numpy.arange()

#numpy.arrange()是python内置函数range（）的数组版
>>> np.arange(1,10)
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(1,10,2)#类比range（），‘2’代表步长
array([1, 3, 5, 7, 9])

3.利用numpy.linsapce()

>>> np.linspace(0, 10, num=5)#类比np.arange()
array([ 0. ,  2.5,  5. ,  7.5, 10. ])

4.特殊类型

>>> np.eye(2)#创建方阵
array([[1., 0.],
       [0., 1.]])
>>> np.ones(4)#创建全‘1’数组
array([1., 1., 1., 1.])
>>> np.zeros(4)#创建全‘0’数组
array([0., 0., 0., 0.])

5.数组属性

#以此数组为例
>>> np.arange(1,7).reshape(2,3