Python数据分析与展示 第一章 Numpy库入门

数据的维度

维度：一组数据的组织形式

一维数据

一维数据由对等关系的有序或无序数据构成，采用线性方式组织

3.1413, 3.1398, 3.1404, 3.1401, 3.1349, 3.1376

对应 列表、数组 和 集合 等概念。

列表和数组

• 列表：数据类型可以不同
• 数组：数据类型相同

二维数据

二维数据 由 多个一维数据构成，是一维数据的组合形式

表格是典型的二维数据，其中，表头是二维数据的一部分

多维数据

多维数据由 一维 or 二维数据 在新维度上扩展形成

高维数据

仅利用 最基本的二元关系 展示数据间的复杂结构

数据维度的python表示

一维数据：列表和集合类型

二维数据：列表类型

多维数据：列表类型

高维数据：字典类型 或 数据表示格式

Numpy的数组对象：ndarray

简介

NumPy是一个开源的 Python 科学计算基础库，包含：

• 一个强大的 N 维数组对象  ndarray；
• 广播功能函数；
• 整合 C / C++ / Fortran 代码的工具；
• 线性代数、傅里叶变换、随机数生成等功能。

Numpy 是 Scipy、Pandas 等数据处理 或 科学计算库的基础

引用

import numpy as np

N维数据对象：ndarray

示例：计算，（其中，A和B是一维数组）

def pySum():
    a = [0, 1, 2, 3, 4]
    b = [9, 8, 7, 6, 5]
    c = []

    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**3)
    return c
print(pySum())

法二：把数组a和b当成两个数据，直接进行运算 

import numpy as np

def npSum():
    a = np.array([0, 1, 2, 3, 4])
    b = np.array([9, 8, 7, 6, 5])

    c = a**2 + b**3

    return c

print(npSum())

Python已有列表类型，为什么需要一个数据对象（类型）？

• 数据对象可以去掉元素间运算所需的循环，使一维向量更像单个数据；
• 设置专门的数组对象，经过优化，可以提升这类应用的运算速度；
• 观察：科学计算中，一个维度所有数据的类型往往相同
• 数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarry 是一个多维数组对象，由两部分构成：

• 实际的数据；
• 描述这些数据的元数据（数据维度、数据类型等）

ndarray数组一般要求所有元素类型相同（同质），数组下标从 0 开始

轴（axis）：保存数据的维度；

秩（rank）：轴的数量

ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量 或 维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于 .shape中 n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

ndarray的元素类型

数据类型	说明
bool	布尔类型，True 或 False
intc	与 C语言中的int类型一致，一般是 int32 或 int64
intp	用于索引的整数，与 C语言中 ssize_t 一致，int32 或 int64
int8	字节长度的整数，取值：[-128, 127]
int16	16位长度的整数，取值：[-32768, 32767]
int32	32位长度的整数，取值
int64	64位长度的整数，取值
uint8	8位无符号整数，0~255
uint16	16位无符号整数，0~65535
uint32	32位。。。
uint64	64位。。。
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1+8+23
float64	64位半径度浮点数：1+11+52
complex64	复数类型，实部和虚部都是 32位浮点数
complex128	复数类型，实部和虚部都是 64位浮点数

ndarray 为什么要支持这么多种元素类型？

• 对比：Python语法仅支持 整数、浮点数 和 复数 3种类型
• 科学计算涉及数据较多，对存储和性能都有较高要求；
• 对元素类型精细定义，有助于 NymPy 合理使用存储空间并优化性能；
• 对元素类型精细定义，有助于 程序员对程序规模 有合理评估。

非同质的ndarray对象

ndarray数组的创建和变换

ndarray数组的创建方法

• 从 Python中的列表、元组 等类型创建 ndarray数组；
• 使用 NumPy中函数创建 ndarray数组，如：arange，ones，zeros等；
• 从字节流（raw bytes）中创建 ndarray数组；
• 从文件中读取特定格式，创建 ndarray数组。

1.从 py中的列表、元组等类型创建

2.使用 NumPy中函数创建 ndarray数组，如：arange，ones，zeros等

函数	说明
np.arange(n)	类似 range() 函数，返回 ndarray类型，元素从 0 到 n-1
np.ones(shape)	根据 shape 生成一个 全1数组，shape是元组类型（数组形状）
np.zeros(shape)	根据 shape 生成一个 全0数组，shape是元祖类型
np.full(shape, val)	根据 shape 生成一个数组，每个元素值都是 val
np.eye(n)	创建一个正方的 n*n单位矩阵，对角线为1，其余为0
np.ones_like(a)	根据数组 a 的形状生成一个 全1数组
np.zeros_like(a)	根据数组 a 的形状生成一个 全0数组
np.full_like(a, val)	根据数组 a 的形状生成一个 数组，每个元素都是 val
np.linspace()	根据起止数据 等间距的 填充数据，形成数组	起始数字为1，末位数字为10，希望生成4个数字 endpoint表示末位数字是否包含在内
np.concatenate()	将两个 或 多个数组合并成一个新的数组

ndarray数组的变换

维度变换、元素类型变换

维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个 shape 形状的数组，原数组不变
.resize(shape)	与 .reshape() 功能一致，但修改原数组
.swapaxes(ax1, ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

 

类型变换

类型变换	说明
.astype(type)	创建新的数组（原始数据的一个拷贝），即使两个类型一致
.tolist()	数组 向 列表 的转换

ndarray数组的操作

索引：获取数组中 指定位置元素的过程；

切片：获取数组元素子集的过程。

一维数组的索引和切片：与 Python的列表类似

多维数组的索引

多维数组的切片

 

 

 

ndarray数组的运算

数组与标量之间的运算

作用于数组的每一个元素

Numpy一元函数

对 ndarray中的数据执行 元素级运算的函数

函数	说明
np.abs(x) np.fabs(x)	绝对值
np.sqrt(x)	平方根
np.square(x)	平方
np.log(x) np.log10(x)	自然对数，10底对数、2底对数
np.ceil(x) np.floor(x)
np.rint(x)	四舍五入值
np.modf(x)	将数组各元素中的小数和整数部分 以两个独立数组的形式返回
np.cos(x)   np.cosh(x) np.sin(x)    np.sinh(x) np.tan(x)    np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+),0, -1(-)

Numpy二元函数

函数	说明
+ - * / **	两个数组各元素进行对应运算
np.maximum(x, y) np.minimum(x, y) np.fmax() np.fmin()	元素级的最大值/最小值计算
np.mod(x, y)	元素级的模运算
np.copysign(x, y)	将数组y中各元素值的符号赋值给数组x对应元素
> < >= <= == !=	算术比较，产生布尔型数组

单元小结