Python数据分析--科学计算工具Numpy基础数据结构

Numpy是Python开源的科学计算工具包，是一个非常高级的数值编程工具，具有强大的N维数组对象，对数组数据结构进行运算时不需要遍历循环，具有随机数，傅里叶变换，线性代数等基本功能。今天我们首先来讲一下Numpy基础的数据结构。
Numpy的数组是一个多维数组对象，成为ndarray，其是有两个部分组成：（1）实际的数据（2）描述这些数据的原数据，下面我们来看几个具体的例子：

import numpy as np #引入numpy模块，并将其命名为np

ar=np.array([[1,2,3,4,5],[6,7,8,9,10],[2,3,4,5,6]])#通过arry()函数创建数组
print(ar,type(ar))#打印数组及数组类型
#print([1,2,3,4,5])#打印列表
print(ar.ndim)#查看生成的数据是几维的,或者说'秩'，维度的数量也称rank
print(ar.shape)#数组的维度，对于n行m列的数组，shape为（n，m）
print(ar.size)#元素的个数
print(type(ar),ar.dtype)#dtype看数组里面数值的数据类型
print(ar.itemsize)#每个元素的字节大小
print(ar.data)#显示数组里面元素数据
print('-------')

输出结果：

Numpy数组具有以下基本属性：
（1）数组的维数成为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推
（2）在Numpy中，每一个线性数组称为一个轴（axes），秩即描述轴的数量

下面我们来看几个具体的函数：

（1）创建数组–array（）
创建Numpy数组我们通常使用array（）函数，这个函数用起来还是非常自由的，array（）括号里面的数据类型很多，可以是列表，元祖，数组，生成器等等。我们来看一段简单的代码：

ar1=np.array(range(10))#利用生成器生成数组
ar3=np.array([1,2,3,4,5,6])
ar4=np.array([[1,2,3,4,5],['a','b','c','d','e'],[2,3,4,5,6]])
print(ar1)
print(ar3)
print(ar4)
print(np.random.rand(10).reshape(2,5))#随机生成2*5的数值在0-1的数组

输出结果：

（2）创建数组–arange()
arange()函数与array（）函数的区别是，array（）函数创建时需要给出确定的值，而arange（）函数是自己设定一定的范围和条件自动生成数值。

print(np.arange(10))    # 返回0-9，整型
print(np.arange(10.0))  # 返回0.0-9.0，浮点型
print(np.arange(5,12))  # 返回5-11
print(np.arange(5.0,12,2))  # 返回5.0-12.0，步长为2
print(np.arange(10000))  # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：

输出结果：

（3）创建数组–linspace（）
linspace（）函数使用并不是很频繁，它返回在间隔[开始，停止]上计算的num个均匀间隔的样本，例如：

ar1 = np.linspace(2.0, 3.0, num=5)#返回2.0-3.0之间均匀分布的5个值
ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False)
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)
print(ar1,type(ar1))
print(ar2)
print(ar3,type(ar3))

输出结果：

我们可以看到ar1和ar2和ar3输出的结果不一样，其差别在于endpoint和retstep参数。
endpoint参数默认为True，如果为True，则停止在最后一个样本，对于ar1而言，即停止在3.0，所以输出结果包括3.0，如果为False,则不包括最后一个样本值
retstep参数默认为False，如果为真，则返回（样本，步骤），其中步长是样本之间的间距，输出为一个tuple元祖，可参照ar3的输出结果加深理解。
（4）创建数组–zeros（）/zeros_like（）/ones（）/ones_like（）
zeros()函数即创建元素全是0的数组，ones（）函数即创建元素全为1的数组，zeros_like()函数是创建一个与给定数组相同形状相同类型的元素全为0的数组，ones_like()即创建一个与给定数组相同形状相同类型的元素全为1的数组。下面我们来看几个简单的例子：

ar1 = np.zeros(5)  #创建具有5个元素的行数组
ar2 = np.zeros((2,2), dtype = np.int)#创建2*2的二维数组，将元素类型改为int型
print(ar1,ar1.dtype)
print(ar2,ar2.dtype)
print('------')
# numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。
# shape：数组纬度，二维以上需要用()，且输入参数为整数
# dtype：数据类型，默认numpy.float64
# order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。

ar3 = np.array([list(range(5)),list(range(5,10))])
ar4 = np.zeros_like(ar3)
print(ar3)
print(ar4)
print('------')
# 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组

ar5 = np.ones(9)
ar6 = np.ones((2,3,4))
ar7 = np.ones_like(ar3)
print(ar5)
print(ar6)
print(ar7)
# ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1

输出结果：

（5）创建数组–eye（）
看到eye应该就觉得很熟悉了，即创建对角数组，对角线上的元素为1，其余元素为0，如：

print(np.eye(5))
# 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0

输出结果：

最后来给大家补充一下ndarray的数据类型：
（1）bool 用一个字节存储的布尔类型（True或False）
（2）inti 由所在平台决定其大小的整数（一般为int32或int64）
（3）int8 一个字节大小，-128 至 127
（4）int16 整数，-32768 至 32767
（5）int32 整数，-2 ** 31 至 2 ** 32 -1
（6）int64 整数，-2 ** 63 至 2 ** 63 - 1
（7）uint8 无符号整数，0 至 255
（8）uint16 无符号整数，0 至 65535
（9）uint32 无符号整数，0 至 2 ** 32 - 1
（10）uint64 无符号整数，0 至 2 ** 64 - 1
（11）float16 半精度浮点数：16位，正负号1位，指数5位，精度10位
（12）float32 单精度浮点数：32位，正负号1位，指数8位，精度23位
（13）float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位
（14）complex64 复数，分别用两个32位浮点数表示实部和虚部
（15）complex128或complex 复数，分别用两个64位浮点数表示实部和虚部
其实常用的也就那么几种啦，大家看一下就好~

今天的分享就到这里啦，有问题的话可以私聊我哦，看到都会回的，没回就是在写作业啦~

本人是一位211高校在读的本科生，对数据分析比较感兴趣，去年拿到了数学建模国家一等奖，今年参加了美赛还没结果，参加比赛选的题型都是大数据型，用过Excel，Spss，Lingo，MATLAB做数据分析，现在觉得Python比较高效，做数据可视化也非常方便，每天都在坚持学习，对Python数据分析和数据可视化有兴趣的可以关注我哦，每天都会更新的，跟我一起进步呀