python数据分析

一、 初识numpy

1.1 tip

pycharm中可以用Ctrl + Enter在python consloe中运行代码（PyDev console: using IPython 7.22.0

1.2 code

import numpy as np


def main():
    lst = [[1, 2, 3], [4, 5, 6]]
    print(lst)
    print(type(lst))
    np_lst = np.array(lst, dtype=int)  # 有以下几种类型：bool, int(默认即np.int32),np.int8/16/32/64, np.uint8/16/32/64,
    # float(默认即np.float64),np.float32/64,complex(默认即			  np.complex128),np.complex64/128
    print(np_lst)
    print(type(np_lst))  # <class 'numpy.ndarray'> numpy中定义的数组（数据结构）
    print(np_lst.dtype)  # 返回的时矩阵中每一项的类型
    print(np_lst.ndim)  # 返回维度(有点像矩阵的rank)
    print(np_lst.shape)  # 输出是 几乘几 的矩阵 (row, column)
    print(np_lst.itemsize)  # 输出每个值的字节大小
    print(np_lst.size)  # 矩阵大小即个数
    

if __name__ == '__main__':
    main()

二、常用Array

1.1 tip

pycharm中可以用Ctrl + D复制光标所在的一行到下一行，Shift + Del删除光标所在的一行

1.2 code

import numpy as np


def main():
    row = 2
    column = 4
    print(np.zeros((row, column)))  # 返回0矩阵
    print(np.zeros([row, column]))  # 也可用列表
    print(np.ones((row, column)))  # 返回1矩阵
    print(np.ones([row, column]))  # 同样也可用列表
    print("Rand:")
    print(np.random.rand(row, column))  # 返回随机数矩阵 0-1 之间均匀分布的随机数
    print(np.random.rand())  # 返回一个 0-1 之间均匀分布的随机数
    print("RandInt:")
    low = 1
    high = 10
    count = 4
    print(np.random.randint(low, high, count))  # 返回 4 个 1-10 的随机数
    print("Randn:")
    print(np.random.randn(row, column))  # 返回随机数矩阵 标准正态分布的随机数
    print(np.random.randn())  # 返回一个 标准正态分布的随机数
    print("Choice:")
    print(np.random.choice([1, 2, 3]))  # 随机返回列表中其中一个
    print("Distribute:")  # 返回其他分布的随机数
    print(np.random.beta(1, 10, 100))  # 返回一个Beta分布的随机数列表
    

if __name__ == '__main__':
    main()

三、Array Operations

1.1 tip

pycharm中可以用Ctrl + C / Ctrl + X快速复制 / 剪贴光标所在行而无需选中任何内容

1.2 code

import numpy as np


def main():
    print(np.arange(1, 11))  # 返回等差数列，左闭右开(左边要小于右边，否则返回空列表)
    print(np.arange(1, 11).reshape((2, 5)))  # 转化为2 x 5的矩阵(如果无法转化则报错)
    print(np.arange(1, 11).reshape((2, -1)))  # 当是负数时，第二个参数会自动转换 (即 个数/第一个参数 )
    lst = np.arange(1, 11).reshape((2, -1))
    print(np.exp(lst))  # 矩阵乘方 即e^lst
    print(np.exp2(lst))  # 2的乘方 即2^lst
    print(np.sqrt(lst))  # 开平方
    print(np.sin(lst))  # 三角函数
    print(np.log10(lst))  # 常用对数
    print(np.log(lst))  # 自然对数
    
    lst = np.array([
        [[1, 2, 3, 4],
         [5, 6, 7, 8]],
        [[9, 10, 11, 12],
         [13, 14, 15, 16]],
        [[17, 18, 19, 20],
         [21, 22, 23, 24]]
    ], dtype=int)  # 3维数组(3 x 2 x 4)
    print(lst.sum())  # 所有值求和
    print(lst.sum(axis=0))  # 以最外层求和
    print(lst.sum(axis=1))  # 以里面一层求和(同一层的数求和)
    print(lst.sum(axis=2))  # 值越大层数越深，直到 维数 - 1
    
    print(lst.max())  # 返回最大值
    print(lst.max(axis=0))  # 同上
    print(lst.max(axis=1))  # 同上
    print(lst.max(axis=2))  # 同上
    print(lst.min())  # 返回最小值
    print(lst.min(axis=0))  # 同上
    print(lst.min(axis=1))  # 同上
    print(lst.min(axis=2))  # 同上
    
    lst1 = np.array([1, 2, 3])
    lst2 = np.array([4, 5, 6])
    print(lst1 + lst2)  # 矩阵加法，与python中的list不同 不是拼接
    print(lst1 - lst2)  # 矩阵减法
    print(lst1 * lst2)  # 乘法
    print(lst1 / lst2)  # 除法
    print(lst1 ** lst2)  # 乘方
    print(np.concatenate((lst1, lst2), axis=0))  # 指定axis拼接
    print(np.hstack((lst1, lst2)))  # 左右拼接
    print(np.vstack((lst1, lst2)))  # 上下拼接
    print(np.split(lst1, 3))  # 分割成3份
    print(np.copy(lst))  # 拷贝
    
    lst1 = np.array([
        [1, 2],
        [3, 4]
    ])
    lst2 = np.array([
        [5, 6],
        [7, 8]
    ])
    print(np.dot(lst1, lst2))  # 点乘


if __name__ == '__main__':
    main()

Ω、お終い！