python数据分析与可视化学习简记(更新中)

numpy简介

numpy(Numerical Python)是python语言的扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供了大量的数学函数库


作用

Numpy是一个运行速度非常快的数学库,主要用于数组计算

安装

可以使用如下命令在命令行安装即可

pip install numpy
或
conda install numpy

Ndarray简介

  • Numpy最重要的一个特点是其N维数组对象ndarray,它是一系列同类型数据的集合,以0开始为集合中元素的索引
  • Ndarray对象是用于存放同类型元素的多维数组
  • Ndarray中的每一个元素在内存中都有相同存储大小的区域


numpy数据类型

numpy支持的数据类型要比python内置的数据类型要多很多,基本上可以与C语言的数据类型对应上,其中部分类型对应为python内置类型

numpy的数据类型实际上是dtype对象的实例,并对应唯一的字符,包括np.float32,np.bool_等等


创建对象

numpy默认ndarray的所有元素类型是相同的,如果传入的列表中包含不同的类型,则统一为同一类型,优先级:str>float>int

1. array()函数

创建一个一维数组

 

输出如下

如果输入类型不同

 则会根据优先级更新数据类型

 更多例子如下图所示

 

2. asarray()函数

该函数作用与array()函数类似,只不过参数只有三个

具体例子如下图所示

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
主成分分析(Principal Component Analysis, 简记PCA)是一种常用的数据降维技术,用于将高维数据转换为低维数据,同时保留数据的主要特征。它通过线性变换将原始数据投影到一个新的坐标系,使得投影后的数据具有最大的方差。这些新的坐标轴被称为主成分,它们是原始数据方差最大的方向。 主成分分析的步骤如下: 1. 标准化数据:将原始数据进行标准化处理,使得每个特征具有相同的尺度。 2. 计算协方差矩阵:计算标准化后的数据的协方差矩阵。 3. 计算特征值和特征向量:对协方差矩阵进行特征值分解,得到特征值和对应的特征向量。 4. 选择主成分:根据特征值的大小,选择前k个特征值对应的特征向量作为主成分。 5. 数据投影:将原始数据投影到选定的主成分上,得到降维后的数据。 以下是一个使用主成分分析进行数据降维的示例代码: ```python from sklearn.decomposition import PCA # 假设X是一个包含n个样本和m个特征的数据矩阵 pca = PCA(n_components=k) # 设置要保留的主成分个数为k X_new = pca.fit_transform(X) # 对数据进行降维 # 输出降维后的数据 print(X_new) ``` 在这个示例,我们使用了scikit-learn库的PCA类来进行主成分分析。通过设置n_components参数为k,我们可以指定要保留的主成分个数。fit_transform方法用于对数据进行降维,并返回降维后的数据矩阵X_new。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ZZZWWWFFF_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值