学习笔记-数据分析numpy的使用(精简)

---

Numpy的简介

NumPy，是科学计算基础的一个库，提供了大量关于科学计算的相关功能.
例如，线性变换，数据统计，随机数生成等。
其提供的最核心的类型为多维数组类型（ndarray）.

---

导入Numpy包

import numpy as np

---

ndarray数组的创建

# 使用 np.array来创建数组
np.array([1, 2, 3])
np.array([[1, 2, 3], [4, 5, 6]])

# 使用arange来创建 ndarray（步长可以指定浮点类型，其余的和range差不多）
np.arange(10)
np.arange(5, 10)
np.arange(1, 9, 2)

# 创建值全为1的数组，参数shape指定数组的形状。
np.ones(shape=(2, 3))

# 创建值全为1的数组，参数（数组）来指定数组的形状。
# 【创建一个与参数数组形状相同的数组。】
t = np.array([[1, 2], [3, 4]])
np.ones_like(t)

# 创建一个值全为0的数组。
np.zeros(shape=(5, 5))

# 创建一个值全为0的数组。数组的形状与参数数组的形状相同。
t = np.array([[1, 2], [3, 4]])
np.zeros_like(t)

# 创建一个数组，数组的元素是未经初始化的。【值依然是程序上一次运行所遗留的值。】
np.empty((5, 5))

# 创建一个数组，数组的元素是未经初始化的。通过参数（另外一个数组）指定创建数组的形状。
t = np.array([[1, 2], [3, 4]])
np.empty_like(t)

# 创建数组，第1个参数指定数组的形状，第2个参数指定填充值。
np.full((2, 3), 10)

# 创建数组，第1个参数（数组类型）指定数组的形状，第2个参数指定填充值。
np.full_like(t, 100)

# 创建单位矩阵，参数指定长度。
np.eye(5)
np.identity(5)

# 创建一个数组，数组的元素是等差数列。
# 第1个参数：起始点。
# 第2个参数：终止点。
# num: 指定的元素的个数，默认为50。
# endpoint: 是否包含终止点，默认为True。
np.linspace(1, 40, num=30, endpoint=False)

# 创建数组，数组元素在对数级别上等差，实际数值等比的数列。
# 第1个参数，起始点。base^start
# 第2个参数, 终止点: base^stop
# num：数组元素的个数。
# endpoint：是否包含终止点，默认为True。
# base：指定底数
np.logspace(1, 10, 10, base=2)

创建小结：
arange与linspace方法。
arange侧重的是固定的增量，设置起始值和终止值，固定的增量，生成固定区间、固定步长的