数据科学---使用Numpy进行数学计算

| 1.1 Numpy是什么？

Numpy（Numerical Python）是用于处理数值数据的Python库。

Numpy包括可以执行各种数学运算的函数和数据结构。

要使用Numpy，我们首先需要导入它。

import numpy as np

Tips ：np是用于导入numpy的最常用名称。

---

| 1.2 Numpy数组

在Python中，列表（list）用于存储数据。

Numpy提供了一种用于对数据执行操作的数据结构。

Numpy数组比列表更快、更紧凑。

可以使用np.array()函数创建Numpy数组，并为其提供一个列表作为参数。

x = np.array([1, 2, 3, 4])

现在，x是一个包含四个值的numpy数组。我们可以使用从0开始的索引访问它的元素。

print(x[0])  # 1

Tips ：Numpy数组是同构的，这意味着它们只能包含一种数据类型，而列表可以包含多种不同类型的数据。

        

| 2.1 使用Numpy数组

Numpy数组通常被称为ndarrays，它代表N维数组(N-dimensional array)。因为它们可以有多个维度。

For example:

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

Tips ：上述代码创建了一个二维数组，它有3列和3行，并输出第2行和第3列的值。

（列表的索引是从零开始的哦!）

---

数组具有可以使用点操作符访问的属性：

• ndim  :  返回数组的维数

• size    : 返回数组元素的总数

• shape : 返回一个整数元组，指示沿数组每个维度存储的元素数。

For example:

x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print(x.ndim)print(x.size)print(x.shape)

Tips ：因此，示例中的数组有2个维度，9个元素，并且是一个3x3矩阵（3行3列）。

| 2.2 Numpy数组方法

我们可以使用

np.append()、np.delete()、np.sort()函数添加、删除、和排序数组。​​​​​​​

import numpy as np
x = np.array([2, 1, 3])
x = np.append(x, 4)x = np.delete(x, 0)x = np.sort(x)
print(x)

Tips ：可以运行一下上面的代码，看看结果，判断一下传入的参数是具体的值还是索引呢？

---

我们还可以使用np.arange()创建一个包含一系列均匀间隔的数组（类似于Python中的range):(如果你不了解的话可以参见:python基础----控制结构( 三 ))

For example:​​​​​​​

x = np.arange(2, 10, 3)print(x)  # [2, 5, 8]

| 3.1 改变数组形状

回想一下，形状是指数组中的行数和列数。

例如，让我们考虑以下数组:

x = np.arange(1, 7)

这是一个一维数组，包含 6 个元素。NumPy 允许我们使用 reshape() 函数更改数组的形状。例如，我们可以将一维数组更改为 3 行 2 列的数组：​​​​​​​

z = x.reshape(3, 2)print(z)

Tips ：使用reshape函数时，要生成的数组需要与原始数组具有相同数量的元素。

reshape也可以做相反的事情：取一个二维数组并从中创建一个一维数组:​​​​​​​

x = np.array([[1, 2], [3, 4], [5, 6]])z = x.reshape(6)

Tips ：使用 flatten() 函数可以获得相同的结果。

| 4.1 索引和切片（index & slice）

Numpy数组可以像Python列表一样使用索引和切片

python切片参见:python基础----控制结构( 三 )

For example:​​​​​​​

x = np.arange(1, 10)print(x[0:2])print(x[5:])print(x[:2])print(x[-3:1])

| 4.2 条件（Conditions）

你可以提供一个条件作为索引来选择满足给定条件的元素。

例如，让我们选择小于4的元素：​​​​​​​

x = np.arange(1, 10)print(x[x < 4])

Tips ：可以使用 &(and) 和 |(or)运算符组和条件。​​​​​​​​​​​​​​

x = np.arange(1, 10)print(x[(x > 5) & (x % 2 == 0)])

Tips ：条件也可以分配给一个变量，该变量将是一个布尔值数组，显示数组中的值是否满足条件：y = (x>5)  & (x%2==0)。

| 5.1 数组操作（operations）

使用数组很容易执行基本的数学运算。

例如，要查找所有元素的综合，我们使用sum()函数:​​​​​​​

x = np.arange(1, 10)print(x.sum())

类似地、min()和max()可用于获取最小和最大元素。

我们还可以在数组和单个数字之间执行操作。例如，我们可以将所有元素乘以2：​​​​​​​

x = np.arange(1, 10)y = x*2

Tips ：这种操作方式NumPy会理解应该对每个元素执行给定的操作，这称为广播。

| 5.2 统计数据（statistics）

还记得我们在前一个内容《数据科学---赋能未来，Python崛起》中学到的统计知识么?这些包括平均值、中位数、方差和标准偏差。

Numpy数组具有返回这些值的内置函数：​​​​​​​

x = np.array([14, 18, 19, 24, 26, 33, 42, 55, 67])
print(np.mean(x))  # 平均数print(np.median(x))  # 中位数print(np.var(x))  # 方差print(np.std(x))  # 标准差​​​​​​​

| 6.1 写在最后

本节给大家介绍了数据科学三剑客之一的numpy。涉及到了常见的属性和函数，并且介绍了常见的数学操作。后续我们会继续介绍pandas和matplotlib。希望大家还是动手做一做，有问题可以私信我，欢迎交流和提出您的宝贵意见。

你要偷偷学Python，然后惊艳所有人。

-END-

感谢大家的关注

   你关心的，都在这里