测试是否安装成功
from numpy import * # 导入 numpy 库
print(eye(4)) # 生成对角矩阵
查看版本：
import numpy as np
print(np.version)
实现2个数组的加法：
1-原生Python实现
def Py_sum(n):
a = [i**2 for i in range(n)]
b = [i**3 for i in range(n)]
# 创建一个空列表，便于后续存储
ab_sum = []
for i in range(n):
# 将a、b中对应的元素相加
ab_sum.append(a[i]+b[i])
return ab_sum
调用实现函数
print(Py_sum(10))
2-Numpy实现：
def np_sum(n):
c = np.arange(n) ** 2
d = np.arange(n) ** 3
return c+d
print(np_sum(10))
易看出使用Numpy代码简洁且运行效率快
测试1000，10W，以及100W的运行时间
做绘图对比：
import pandas as pd
输入数据
py_times = [1.72*1000, 202*1000, 1.92*1000]
np_times = [18.8, 14.9*1000, 17.8*10000]
创建Pandas的DataFrame类型数据
ch_lxw = pd.DataFrame({
‘py_times’: py_times,
‘np_times’: np_times # 可加逗号
})
print(ch_lxw)
import matplotlib.pyplot as plt
线性图
print(ch_lxw.plot())
柱状图
print(ch_lxw.plot.bar())
简易箱线图
print(ch_lxw.boxplot)
plt.show()
##### 线性图运行效果如下：
##### 柱状图运行效果如下：
---
### 2 NumPy Ndarray 对象
>
> NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
>
>
>
* ndarray 对象是用于存放同类型元素的多维数组，其中的每个元素在内存中都有相同存储大小的区域。
* ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排序（行或列）
**ndarray 内部由以下内容组成：**
* 一个指向数据（内存或内存映射文件中的一块数据）的指针；
* 数据类型或 dtype，描述在数组中的固定大小值的格子；
* 一个表示数组形状（shape）的元组，表示各维度大小的元组；
* 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。
### 相关学习、代码如下：
‘’’
创建一个 ndarray 只需调用 NumPy 的 array 函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
名称 描述
object 表示数组或嵌套的数列
dtype 表示数组元素的数据类型，可选
copy 表示对象是否需要复制，可选
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类类型一致的数组
ndmin 指定生成数组的最小维度
‘’’
ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。
内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素
学好Numpy，便于后期对Pandas的数据处理
1:一维
import numpy as np
lxw = np.array([5, 2, 0])
print(lxw)
print()
2： 多于一个维度
import numpy as np
lxw2 = np.array([[1, 5, 9], [5, 2, 0]])
print(lxw2)
print()
3: 最小维度
import numpy as np
lxw3 = np.array([5, 2, 0, 1, 3, 1, 4], ndmin=2) # ndmin: 指定生成数组的最小维度
print(lxw3)
print()
4： dtype参数
import numpy as np
lxw4 = np.array([3, 3, 4, 4], dtype=complex) # dtype: 数组元素的数据类型[complex 复数】
print(lxw4)
---
### 3 Numpy 数据类型：
>
> numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型.
>
>
>
常用 NumPy 基本类型
**名称** **描述**
bool\_ :【布尔型数据类型（True 或者 False）】
int\_ : 【默认的整数类型（类似于 C 语言中的 long，int32 或 int64）】
intc :【与 C 的 int 类型一样，一般是 int32 或 int 64】
intp :【用于索引的整数类型（类似于 C 的 ssize\_t，一般情况下仍然是 int32 或 int64）】
int8 :【字节（-128 to 127）】
int16 :【整数（-32768 to 32767）】
int32 :【整数（-2147483648 to 2147483647）】
int64 ：【整数（-9223372036854775808 to 9223372036854775807）】
uint8 ：【无符号整数（0 to 255）】
uint16 ：【无符号整数（0 to 65535）】
uint32 ：【无符号整数（0 to 4294967295）】
uint64 ：【无符号整数（0 to 18446744073709551615）】
float\_ float64 ：【类型的简写】
float16 ：【半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位】
float32 ：【单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位】
float64 ：【双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位】
complex\_ complex128： 【类型的简写，即 128 位复数】
complex64 ：【复数，表示双 32 位浮点数（实数部分和虚数部分）】
complex128 ：【复数，表示双 64 位浮点数（实数部分和虚数部分）】
### 相关学习、代码如下：
‘’’
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
‘’’
# Numpy 类型对象：
‘’’
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy)
object - 要转换为的数据类型对象
align - 如果为 true，填充字段使其类似 C 的结构体。
copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用
‘’’
1: 使用标量类型
import numpy as np
lxw = np.dtype(np.int32)
print(lxw)
print()
2: int8, int16, int32, int64 四种数据类型可以使用字符串 ‘i1’, ‘i2’,‘i4’,‘i8’ 代替
import numpy as np
lxw2 = np.dtype(‘i8’) # int64
print(lxw2)
print()
3: 字节顺序标注
import numpy as np
lxw3 = np.dtype(‘<i4’) # int32
print(lxw3)
print()
4: 首先创建结构化数据类型
import numpy as np
lxw4 = np.dtype([(‘age’, np.int8)]) # i1
print(lxw4)
print()
5: 将数据类型应用于 ndarray 对象
import numpy as np
lxw5 = np.dtype([(‘age’, np.int32)])
a = np.array([(10,), (20,), (30,)], dtype=lxw5)
print(a)
print()
6: 类型字段名可以用于存取实际的 age 列
import numpy as np
lxw6 = np.dtype([(‘age’, np.int64)])
a = np.array([(10,), (20,), (30,)], dtype=lxw6)
print(a[‘age’])
print()
7: 定义一个结构化数据类型 student，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象
import numpy as np
student = np.dtype([(‘name’, ‘S20’), (‘age’, ‘i2’), (‘marks’, ‘f4’)])
print(student) # 运行结果：[(‘name’, ‘S20’), (‘age’, ‘<i2’), (‘marks’, ‘<f4’)]
print()
8:
import numpy as np
student2 = np.dtype([(‘name’,‘S20’), (‘age’, ‘i1’), (‘marks’, ‘f4’)])
lxw = np.array([(‘lxw’, 21, 52), (‘cw’, 22, 58)], dtype=student2)
print(lxw) # 运行结果：[(b’lxw’, 21, 52.) (b’cw’, 22, 58.)]
每个内建类型都有一个唯一定义它的字符代码，如下：
‘’’
字符 对应类型
b 布尔型
i.csv (有符号) 整型
u 无符号整型 integer
f 浮点型
c 复数浮点型
m timedelta（时间间隔）
M datetime（日期时间）
O (Python) 对象
S, a (byte-)字符串
U Unicode
V 原始数据 (void)
‘’’
---
### 4 Numpy 数组属性
>
> 在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。
>
>
>
比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。
### 相关代码学习、如下
-*- coding = utf-8 -*-
@Time : 2022/6/28 16:52
@Author : lxw_pro
@File : Numpy-数组属性-4.py
@Software : PyCharm
NumPy 的数组中比较重要 ndarray 对象属性有：
‘’’
属性 说明
ndarray.ndim 秩，即轴的数量或维度的数量
ndarray.shape 数组的维度，对于矩阵，n 行 m 列
ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype ndarray 对象的元素类型
ndarray.itemsize ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags ndarray 对象的内存信息
ndarray.real ndarray元素的实部
ndarray.imag ndarray 元素的虚部
ndarray.data 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。
‘’’
ndarray.ndim
ndarray.ndim 用于返回数组的维数，等于秩。
import numpy as np
lxw = np.arange(36)
print(lxw.ndim) # a 现只有一个维度
现调整其大小
a = lxw.reshape(2, 6, 3) # 现在拥有三个维度
print(a.ndim)
print()
ndarray.shape
ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。
ndarray.shape 也可以用于调整数组大小。
import numpy as np
lxw2 = np.array([[169, 175, 165], [52, 55, 50]])
print(lxw2.shape) # shape: 数组的维度
print()
调整数组大小:
import numpy as np
lxw3 = np.array([[123, 234, 345], [456, 567, 789]])
lxw3.shape = (3, 2)
print(lxw3)
print()
NumPy 也提供了 reshape 函数来调整数组大小:
import numpy as np
lxw4 = np.array([[23, 543, 65], [32, 54, 76]])
c = lxw4.reshape(2, 3) # reshape: 调整数组大小
print©
print()
ndarray.itemsize
ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组 itemsize 属性值为 8(float64 占用 64 个 bits,
每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）
import numpy as np
数组的 dtype 为 int8（一个字节）
x = np.array([1, 2, 3, 4, 5], dtype=np.int8)
print(x.itemsize)
数组的dtypy现在为float64(八个字节）
y = np.array([1, 2, 3, 4, 5], dtype=np.float64)
print(y.itemsize) # itemsize: 占用字节个数
拓展：
整体转化为整数型
print(np.array([3.5, 6.6, 8.9], dtype=int))
设置copy参数，默认为True
a = np.array([2, 5, 6, 8, 9])
b = np.array(a) # 复制a
print(b) # 控制台打印b
print(f’a: {id(a)}, b: {id(b)}') # 可打印出a和b的内存地址
print(‘=’*20)
类似于列表的引用赋值
b = a
print(f’a: {id(a)}, b: {id(b)}')
创建一个矩阵
lxw5 = np.mat([1, 2, 3, 4, 5])
print(type(lxw5)) # 矩阵类型： <class ‘numpy.matrix’>
复制出副本，并保持原类型
yy = np.array(lxw5, subok=True)
print(type(yy))
只复制副本，不管其类型
by = np.array(lxw5, subok=False) # False: 使用数组的数据类型
print(type(by))
print(id(yy), id(by))
print(‘=’*20)
使用数组的copy()方法：
c = np.array([2, 5, 6, 2])
cp = c.copy()
print(id©, id(cp))
print()
ndarray.flags
‘’’
ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：
属性 描述
C_CONTIGUOUS © 数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F) 数据是在一个单一的Fortran风格的连续段中
OWNDATA (O) 数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W) 数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED (A) 数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U) 这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新
‘’’
import numpy as np
lxw4 = np.array([1, 3, 5, 6, 7])
print(lxw4.flags) # flags: 其内存信息
`学习来源于哔哩哔哩和菜鸟教程`
学习可自行点击：[【菜鸟教程】](https://bbs.csdn.net/topics/618545628)
[【2022B站最新最好的数据分析课程推荐】](https://bbs.csdn.net/topics/618545628)
---
## Pandas学习
当然，做这些的前提是首先把文件准备好
##### 文件准备
*文件太长，故只截取了部分，当然，此文件可自行弄类似的也可以！*
### 1 pandas新增数据列
>
> 在进行数据分析时，经常需要按照一定条件创造新的数据列，然后再进一步分析
>
>
>
* 直接赋值
* df.apply()方法
* df.assign()方法
* 按条件进行分组分别赋值
-*- coding = utf-8 -*-
@Time : 2022/6/28 16:20
@Author : lxw_pro
@File : pandas新增数据列.py
@Software : PyCharm
1:
import pandas as pd
读取数据
lxw = pd.read_csv(‘sites.csv’)
print(lxw.head())
df = pd.DataFrame(lxw)
print(df)
df[‘lrl’] = df[‘lrl’].map(lambda x: x.rstrip(‘%’))
print(df)
df.loc[:, ‘jf’] = df[‘yye’] - df[‘sku_cost_prc’]
返回的是Series
print(df.head())
2:
def get_cha(n):
if n[‘yye’] > 5:
return ‘高价’
elif n[‘yye’] < 2:
return ‘低价’
else:
return ‘正常价’
df.loc[:, ‘yye_type’] = df.apply(get_cha, axis=1)
print(df.head())
print(df[‘yye_type’].value_counts())
3:
可同时添加多个新列
print(df.assign(
yye_bh=lambda x: x[‘yye’]*2-3,
sl_zj=lambda x: x[‘sku_cnt’]*6
).head(10))
4:
按条件先选择数据，然后对这部分数据赋值新列
先创建空列
df[‘zyye_type’] = ‘’
df.loc[df[‘yye’] - df[‘sku_cnt’]>8, ‘zyye_type’] = ‘高’
df.loc[df[‘yye’] - df[‘sku_cnt’] <= 8, ‘zyye_type’] = ‘低’
print(df.head())
下面分别是每个小问对应运行效果：
1：
2：
3：
4：
---
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
a9bdf8ac9b06b5d12.png)
2：
3：
4：
---
[外链图片转存中...(img-EErfrfOT-1714268951673)]
[外链图片转存中...(img-oWoiyCcp-1714268951673)]
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
717
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
