Python数据分析——Numpy

• 目录

  为什么要学Numpy？

  pip install numpy  ;  先安装库！！！

  一.Numpy的基本使用方法

  二.Numpy的数组处理

  为什么要学Numpy？

• 强大的数学和科学计算功能：NumPy提供了丰富的数学函数和线性代数运算，可以方便地进行数据分析和科学计算。

• 高效的数组操作：NumPy的核心是多维数组对象（ndarray），它提供了高效的数组操作和广播功能，可以快速处理大规模数据。

• 广泛的数据处理功能：NumPy提供了丰富的数据处理和操作函数，包括排序、统计、聚合、切片、索引等，可以方便地进行数据分析和处理。

• 与其他科学计算库的集成：NumPy与其他科学计算库（如SciPy、Pandas、Matplotlib）紧密集成，可以方便地与这些库配合使用，进行更复杂的数据分析和可视化。

• 开源和跨平台：NumPy是开源的Python库，可以在多种操作系统上运行，具有良好的跨平台性。

• pip install numpy  ;  先安装库！！！

• 一.Numpy的基本使用方法

• import numpy as np
  # 一维数组的生成
  arr1 = np.array([1, 2, 3])  # 列表转化
  arr2 = np.array(range(10))  # 生成序列
  arr3 = np.arange(1, 10, 2)  # 遍历数据 （start,end,步长）
  arr4 = np.linspace(2.0, 3.0, num=6)  # linspace(start,end,num=之间的数个数)
  # 创建多维数组
  darr1 = np.array([[2, 3, 4], [5, 6, 7], [8, 9, 10]])  # 列表表示
  darr2 = np.arange(10).reshape(2, 5)  # reshape(column,row)
  darr3 = np.zeros((4, 4))  # 全0数组=空数组(empty)   (column,row)
  darr4 = np.empty((4, 4))  # 空数组
  darr5 = np.ones((4, 4))  # 全1数组    (column,row)
  # 基本类型
  arry = np.array([1., 2.4, 4.5])
  # arry.size   元素个数
  # arry.shape  几维度的空间
  # arry.data   元素缓冲区
  # arry.dtype  元素类型
  # arry.itemsize   元素字节大小
  # arry.ndim   秩（返回维度）
  ndarray1 = arry.astype(np.int32)  # 数据类型转换
  ndarray2 = np.arange(10, dtype=float)  # 创建数组时指定元素的类型
  # 索引和切片
  ar = np.arange(10)
  print(ar)
  print(ar[5])  # 取下标为5的元素
  print(ar[2:])  # 取从下表为2的元素开始，之后的元素
  print(ar[0::2])  # 取出偶数   （start,end,步长）
  # 二维数组的索引和切片跟此相似
  # 布尔索引
  a = np.array(['Ross', 'Jack', 'Back', 'Lisa'])
  b = np.random.randn(4, 4)  # 随机生成4,4二维数组
  print(a == 'Jack')  # 用于数据的筛选
  print(b[a == 'Jack'])  # 数组b里面为筛选的条件
  print(~b[a == 'Jack'])  # 对表达式取反

二.Numpy的数组处理

        

arr = np.arange(9)  # 一维数组
narr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])  # 多维数组
# numpy的排序
arr.sort()
arr.argsort()
narr.sort(axis=0)  # axis 是按照按哪个轴排序 0-行  1-列 2-三维
# 数组的添加
print(np.append(narr, [1, 8,4, 3], axis=1))    #在数组后面追加元素
print(np.insert(narr, 3, [3,4,3], axis=1))  #插入到指定元素的下标
#数组的删除
np.delete(narr,1,axis=0)    #按行或列删除
#去重
np.unique(arr)  #对数据去重
#数组的拼接
np.concatenate((a,b),axis=0)    #两个数组按行或列拼接
#数组的拆分
np.hstack((a,b))    #水平拆分
np.vstack((a,b))    #垂直拆分
# numpy在统计函数中的应用
numpy.mean(a)   # 平均值
numpy.median(a)  # 中位数
numpy.std(a)    # 标准差
# where 的使用方法
# np.where(条件,x,y) 满足条件时，输出x,否则y => 三目运算符 ？：