PYTHON数据分析与展示

PYTHON数据分析与展示

第一周：数据分析之表示

单元1：Numpy库入门

1、 Numpy的引用

__import numpy as np__

2、N维数组对象：ndarray

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())

• 数组对戏那个可以去掉元素之间运算所需的循环，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。
• ndarray是一个多维数组对象，有两部分构成：
  • 实际数据
    -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。
• adarray实例
  • IPython提示符：
  • ndarray在程序中的别名是：array

a = np.array([[0,1,2,3,4],
                    [9,8,7,6,5]])
a.ndim
a.shape
a.size
a.dtype
a.itemsize

• ndarray对象的属性：
  • .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中的n*m的值。
  • .dtype： ndarray对象的元素的类型。
  • .itemsize : ndarray对象中的每个元素的大小，以字节为单位。
• ndarray的元素类型：
  • 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 : 用于索引的证书，与C语言额ssize_t一致，int32或者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：[-2³¹ ，2 ³¹-1]
  • int64 : 64位长度的整数，取值：[-2⁶³ ，2⁶³-1]
  • uint8 : 8位无符号整数，取值：【0,255】
  • uint16 : 16位无符号整数,取值：【0,65535】
  • uint32：32位无符号整数，取值：【0,2³²-1】
  • uint64：64位无符号整数，取值：【0,2⁶⁴-1】
  • 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位符号位，8位指数，23位尾数
  • float64 : 64位半精度浮点数：1位符号位，11位指数，52位尾数。
  • complex64 ： 复数类型，实部和虚部都是32位浮点数
  • conplex128：复数类型，实部和虚部都是64位浮点数
• 对比: Python语法仅支持整数、浮点数和复数3中类型
  • 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Numpy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。
• ndarray实例：

x = np.array([0,1,2,3,4],[9,8,7,6])
x.shape
x.dtype
x
x.itemsize
x.size

• ndarray数组可以由非同质对象构成。
• 非同质ndarray元素为对象类型。
• 非同质ndarray对象无法有效发挥Numpy优势，尽量避免使用。

3、ｎｄａｒｒａｙ数组的创建方法

• 从Python中列表、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Python中的列表，元组等类型创建Ndarray数组。
  • x = np.array(lise/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

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素之都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线位1，其余为0
np.ones_like(a)	根据数组a的形状生成一个全1的数组
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，每个元素之都是val
np.linspace()	根据起止数据等间距第填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

• 实例：

np.arange(10)
np.ones(3,6)
np.zeros((3,6),dtype=np.int32)
np.eye(5)
x = np.ones(2,3,4)
x.shape
np.ones_like(x)
np.zeros_like(x)
np.full_like(x)
a = np.linspace(1,10,4)
a
-- 参数4表示 4个元素
b = np.linspace(1,10,4,endpoint=False)
b
c = np.concatenate((a,b))

4、ndarray数组的维度变换

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

• 实例：

a = np.ones((2,3,4),dtype=np.int32)
a.reshape((3,8))
a
a.resize((3,8))
a
a.flatten()
a
b=a.flatten()
b

5、ndarray数组的类型变换

new_a = a.astype(new_type)

a = np.ones((2,3,4),dtype=np.int）
a
b = a.astype(np.float)
b

• astype()方法一定会创建新的数组(原始数据的一个拷贝），即使两个类型一致。

6、ndarray数组向列表的转换

ls = a.tolist()

a = np.full((2,3,4),25,dtype=np.int32)

a.tolist()

7、ndarray数组的操作：索引和切片

• 索引：获取数组中特定位置元素的过程
• 切片：获取数组元素子集的过程

a = np.array([9,8,7,6,5])
a[2]
a[1:4:2]
--起始编号:终止编号（不含）:步长 ，3元素以冒号分割

• 多维数组的索引：

a = np.arange(24).reshape((2,3,4)
a
a[1,2,3]
a[0,1,2]
a[-1,-2,-3]
a[:,1,-3]
a[:,1:3,:]
a[:,:,::2]

8、ndarray数组的运算

• 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

a = np.arange(24),reshape((2,3,4)
a
a.mean()
a = a/a.mean()
a

• 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)	计算数组个元素的绝对值
np.sqrt(x)	计算数组个元素的平方根
np.square(x)	计算数组个元素的平方
np.log(x) np.log10(x) np.log2(x)	计算数组个元素的自然对数，10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值和floor值
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组个元素的小数和整数部分以两个独立数组形式返回
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)	计算数组个元素的符号值，1（+），0，-1（-）

a = np.araneg(24).reshape((2,3,4))
np.square(x)
a = np.sqrt(a)
np.mod(a)

• 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.fmax() np.minimum(x,y) 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中各元素值得符号赋值给数组x对应元素
< > >= <= == !=	算术比较，产生布尔型数组

a = np.arange(24).reshape((2,3,4))
b = np.sqrt(a)
np.maximun(a,b)
a > b