数据分析相关概念-CSDN博客

1.概念

1.矢量：矢量是指一堆数形成的集合。多维数组也叫做矢量化计算。　　单独一个数叫做量标。

2.多维数组：Numpy对多维数组的定义：用numpy.ndarray类（ndarray中，n代表n个数，d代表dimision维度）

　　ndarray本身是一个类，有这个类实例化出来的对象，就是多维数组。

　　多维数组也是一个对象。

3.关于维度的属性

　　shape属性

　　　　shape属性的值是一个元祖类型，一个元祖内包含多个元素。分别是从高到低来表示它的每一个维度的数。即高维度到低维度。

2.Numpy的内置类型和自定义类型

2.1.内置类型

　　优点：可指定数据类型所占内存是多少、可灵活变化。

　　缺点：因为具有灵活可变性，会牺牲一部分性能。（因需要留出足够多空间）无法使用固定内存地址的计算方法，只能用动态来完成，有关地址运算就要占用运行时间。

　　注意：在Numpy中为每一种类型都提供了固定的大小，所以有关地址运算完全可以通过类型来确定。Numpy定义了一套自己的独立的数据类型体系。它的数据类型有固定长度。字节数都是固定的。

eg：NUmpy.bool 一个布尔占一个字节。

　　有符号版本：

int8 1字节有符号类型　　　　　　
int16 2字节有符号类型　　　　
int32 　　4字节有符号类型

　　无符号版本（只有正数，没有负数：

uint8 1字节无符号类型　　　　　　
uint16 2字节无符号类型　　　　
uint32 　　4字节无符号类型。

　　浮点类型：　　

float16 2字节浮点型　　　　　　
float32 4字节浮点型　　　　
float64 　　8字节浮点型
注：浮点型字节数越大精度越高，浮点型都是有符号的。

　　复数类型（实部和虚部个用一个4字节浮点型表示）：

complex64 　　8字节复数型
complex128 16字节复数型　　
注：一个复数等于两个浮点型。

　　字符串类型（str_）：字符串类型没有规定多少字节，因为字符串类型取决于字符串Unicode有多长；字符串类型的长度根据字符窜所包含的字符来决定，有多少个字节，就有多少个字节。

2.2.自定义类型

　　1.直接使用内置类型的原始名

　　2.使用紧凑类型格式（类型编码字符串）

简化操作：可以用更少的字符串来表示

全称	简化格式
Numpy.int8	i1
int16	i2
Uint32	U4
Float16	f8
complex128	c16

　　3.多字节的整数存在大小端序

　　　　对于多字节整数可以加上字节序前缀。

　　　　前缀类型：

　　　　‘’<‘’ ,小端字节序，低数位低地址

　　　 "=" ，系统默认，不能人为指定，由系统决定

　　　 ">"，大端字节序，低数位高地址

　　备注：关于字节序：不需要添加字节序的有单字节整数、布尔值、复数类型、浮点型。

　　　　Numpy.str =>U+字符数

　　　　Unicode 本身就是多字节整数

　　　　一个Unicode可以看作一个uint32.它也存在大小端字节序

　　　　Numpy.bool => b

　　注：Numpy提供的是Python的封装，用自定义类型方法可以完成一个元素不同类型的访问；或把一个元素用不同类型来组合，弥补了Numpy数组元素同质情况。

3.Numpy切片

　　Numpy与Python切片相似

　　数组[起始：终止：步长] 可以针对多维数组进行切片。

　　可以针对多维来切片

a =np.arange(1,10)
print(a)

print(a[:3])
print(a[3:6])
print(a[6:])
print(a[::-1])
print(a[:-4:-1])

print(a[-4:-7:-1])

b = np.arange(1,25).reshape(2,3,4)
print(b)
print(b[:,:,0])
print(b[0,:,:])
print(b[0,1,::2])

print(b[-1,1:,2:])

4.改变维度

　　分为四种方式：　　

　　　　视图变维：针对一个数组对象获取不同维度的视图

　　　　　　　　方法：数组.reshape(新维度）-->数组新维度视图

　　　　　　　　　　数组。ravel（）-->数组的一维视图

　　　　复制变维（不同维度的拷贝）：

　　　　　　针对一个数组对象获取其不同维度的副本

　　　　　　方法：flatten（）-->数组的一位副本

　　　　　　功能：在获得原数据实例的同时获得了拷贝，也就是副本

　　　　就地变维

　　　　　　数组.shape=（新维度）

　　　　　　　　等价于

　　　　　　数组.resize（新维度）

　　　　视图转置

　　　　　　可以理解为行列互换

　　　　　　数组.transpose（）-->数组的转置视图

　　　　　　　　等价于

　　　　　　数组.T --->转置视图属性

5.组合和拆分

　　垂直组合

　　　　numpy.vstack（（上，下））

　　垂直拆分

　　　　numpy.vsplit（数组，份数）

　　　　　例如：a,b =np.vsplit(c,2)

　　水平组合

　　　　numpy.hstack（（上，下））

　　水平拆分

　　　　numpy.hsplit（数组，份数）

　　　　　例如：a,b =np.hsplit(c,2)

　　深度组合和深度拆分

　　　　c=np.dstack((前，后))

　　　　a,b=np.dsplit((数组,份数))

　　　　备注：前后布局，用第三个垂直于平面来截线，截到这部分以数组形式组合起来，构成一个三维数组。

　　　　　　　这三个截面就是三个页面，每个页面上都有一个二维数组来自于所对应的行，同时还做了转置，截到的行转成列。

　　　　深度拆分：

　　　　　　a,b = np.dsplit(c,2)

　　　　　　print(a.T[0].T,b.T[0].T,sep='\n')

　　　　　　T[0].T的意思是转置取0

　　行列组合

　　　　特点：只能组合，不能拆分

　　　　　　　　numpy.row_stack((上，下))

　　　　　　　　numpy.column_stack((左，右))

转载于:https://www.cnblogs.com/mainstream/p/11453286.html