数据分析的话,还是建议安装 anaconda(Windows、macOS、Linux均可使用) ,它是一个集成环境,包含了conda、Python在内的超过180个科学包及其依赖项,几乎所有你用到的库都已经帮你安装好了,同时如果需要其他的第三方库要安装,可以使用其中的 conda 便捷的安装相应库以及依赖。
最基本创建数组:
import numpy as np
#创建一个二维数组
da=np.array([[1,2,3],[2,3,4],[2,3,4]])
#数组的轴的个数(2维数组)
print(da.ndim)
#数组的维度(3行3列)
print(da.shape)
#数组中元素的类型(int32)
print(da.dtype)
#数组中元素个数9
print(da.size)
#数组中包含的实际元素
print(da.data)
实际应用中,它内置的一些函数更为实用
array,zeros,zeros_like,ones,ones_like,empty,empty_like,arange,linspace,numpy.random.mtrand.RandomState.rand,numpy.random.mtrand.RandomState.randn,fromfunction,fromfile
a=np.array([1,2,3],datype=float)
np.zeros((2,3))#俩行3列都是0
np.ones((3,4) ,dtype=np.int16)#3行4列都是1
np.empty(5)
np.arange(1,10,2)#从1到10,每间隔2个数字生成数组
np.sin(pi/3)
numpy还有很多常用的内置方法
import numpy as np
np.random.random((2, 3)) # 创建一个元素值为0-1之间的随机数的 2*3 的矩阵
data = np.array([2, 3, 4, 6, 1, 7, 9])
data.sum() # 求数组所有元素的和
data.max() # 求数组中最大值
data.min() # 求数组中最小值
# 除此之外还包括下面这些常用函数
# prod 积 mean 平均数 std 标准差 var 方差 argin 最小值索引 argmax 最大值索引 median 中位数 any 至少一个为真 all 所有元素为真
#numpy中的“*”是数乘(按元素运算),矩阵乘法用dot函数来表示,表示为 c.dot(d)。
reshape 修改数组的结构
data.reshape((x, y)) # 将原数组变为x行y列 data.resize((x, y)) # resize与reshape不同之处在于,resize改变数组本身 data.ravel() # 将多维数组展平为一维 data.T # 将数组转
数组的索引切片
data[x:y:z] # 表示从下标 x 到 y-1 中按步长 z 取元素
numpy运算
import numpy as np
#创建一个二维数组
a=np.array([1,2,3])
b=np.array([3,4,5])
#相加
print(a+b)
print(a-b)
print(a**2)#数组a的平方
a+=3
print(a)
numpy的行列计算
import numpy as np
data=np.range(12).reshape(3,4)
data.sum(axis=0)#按列求和
data.min(axis=1)#每行的最小值
data.cumsum(axis=1)#按行计算累加
注意:广播也是numpy,也就是俩个行和列不同的矩阵进行运算,A(2,3)、B(3)
参考:https://www.cnblogs.com/yudanqu/p/12442808.html