【数据可视化】第一章——了解NumPy库的基本原理

---

系列课程学习目标

• [✔] 了解Python中的可视化库
• [✔] 了解NumPy库的基本原理
• 掌握matplotlib库的绘图方法
• 掌握pandas库的绘图方法
• 掌握seaborn库的绘图方法
• 掌握Bokeh库的绘图方法
• 掌握pyqtgraph库的绘图方法

---

1. Python可视化库

1.1 简介

使用Python中的扩展库，可以较为轻松的实现数据可视化。一般来讲，Python可视化的实现以numpy库和matplotlib库为基础，除此以外，还有一些其他的可视化库，如pandas库、seaborn库、Bokeh库以及pyqtgraph库等。

1.2 可视化基础NumPy库简介

1.2.1 NumPy库简介

1️⃣NumPy是一个开源的Python科学计算基础库，主要用于数据分析，在进行数据可视化时，常常需要使用到NumPy库中的计算功能。

一般来讲， NumPy库具有以下特征：

1. NumPy库中最核心的部分是ndarray对象。它封装了同构数据类型的n维数组，它的功能将通过演示代码的形式呈现。
2. 在数组中所有元素的类型必须一致，且在内存中占有相同的大小。
3. 数组元素可以使用索引来描述，索引序号从0开始。
4. NumPy数组的维数称为秩（rank），每一个线性的数组称为是一个轴（axes）。
5. 提供广播功能函数，用于数组间的计算。
6. 整合C/C++/Fortran代码的工具。
7. 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。

2️⃣NumPy数组与标准Python序列之间有两个重要区别：

1. NumPy数组在创建时就会有一个固定的尺寸，这一点和Python中的list数据类型是不同的。
2. list：数据类型可以不同
3. NumPy：数据类型相同
4. 在数据量较大时，使用NumPy进行高级数据运算和其他类型的操作更为方便。

2. NumPy库的使用

2.1 NumPy库数组的创建

在NumPy库中创建数组可以使用如下语法：

import numpy as np
np.array

该语句表示通过引入NumPy库创建了一个ndarray对象。
尽管别名可以省略或更改，建议使用上述约定的别名。

🔹创建数组对象，代码如下。

import numpy as np 
a = np.array([1,2,3])  
print (a)

2.2 numpy数组参数

🔹创建一个多维数组对象，代码如下。

import numpy as np 
 a = np.array([[1,2,3],[4,5,6],[7,8,9]])  
 print (a)

该例定义并显示了一个多维数组

🔹显示多维数组的数据类型，代码如下。

import numpy as np 
a = np.array([[1,2,3],[4,5,6],[7,8,9]],dtype=complex)  
print (a)

该例定义了一个多维数组，并显示其数据类型

2.3 N维数组对象：ndarray

🔹计算A2+B3，其中A和B是一维数组

1️⃣数组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。
2️⃣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。
3️⃣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。
4️⃣ndarray是一个多维数组对象，由两部分构成：①实际的数据②描述这些数据的元数据（数据维度、数据类型等）

二维数组的轴

三维数组的轴

5️⃣ndarray对象的属性


6️⃣ndarray的元素类型

7️⃣ndarray数组的创建方法

1. 从Python中的列表、元组等类型创建ndarray数组。

x = np.array(list/tuple)
x = np.array(list/tuple,  dtype = np.float32)

当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。

2. 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等。
   
   
3. 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等。
   
4. 使用NumPy中其他函数创建ndarray数组
   
   
5. 对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换
   

🔹ndarray数组的维度变换

 a = np.ones((2,3,4), dtype = np.int32)

🔹ndarray数组的类型变换

7. ndarray对象的索引和切片
   一维数组的索引和切片：与Python的列表类似
   
   
   多维数组的索引
   
   
8. ndarray数组的运算
   1️⃣数组与标量之间的运算
   数组与标量之间的运算作用于数组的每一个元素
   🔹计算a与平均值的商
   
   🔹对ndarray中的数据执行元素级运算的函数
   
   
   
   2️⃣数组与数组之间的运算
   
   
   
   
   
   🔹广播原则
   

3．NumPy的相关函数

3.1 NumPy中的nan和inf

nan(NAN,Nan):not a number表示不是一个数字。
①什么时候NumPy中会出现nan：
Ⅰ当我们读取本地的文件为float的时候，如果有缺失，就会出现nan。
Ⅱ当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)。

inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷
②什么时候回出现inf包括（-inf，+inf）：
比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

• 两个nan是不相等的

• np.nan!=np.nan

• 利用以上的特性，判断数组中nan的个数

• 由于2，那么如何判断一个数组是否为nan？
  通过np.isnan(a)来判断，返回bool类型
  比如希望把nan替换为0

• nan和任何值计算都为nan

3.2 NumPy的统计函数

🔹ndarray缺失值填充均值

3.3 NumPy的随机数函数