《利用Python进行数据分析·第2版》第四章笔记

4.1 NumPy的ndarray：一种多维数组对象
创建ndarray
data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
ndarray的数据类型
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr1.astype(np.int32)
NumPy数组的运算
arr * arr
arr - arr
1 / arr
arr ** 0.5
arr2 > arr (返回一个布尔数组)
基本的索引和切片
一维数组
arr[5:8] #切片
arr[5:8] = 12 #赋值
arr_slice = arr[5:8] #此时修改arr_slice的数值，arr中也会一起变（广播），产的是视图，不是副本
arr_slice[:] = 64 #所有赋值
arr[5:8].copy() #用次方法产生副本，而非视图（不会影响原arr）
高维数组（arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])）
arr2d[2]#访问1行
arr2d[1,2]#访问一个数据
切片索引
布尔型索引
花式索引（fancy indexing）（是将数据复制）
数组转置.T和轴对换.transpose()
4.2 通用函数：快速的元素级数组函数
np.sqrt(arr) #开根号
np.exp(arr) #求指数
np.maximum(x, y) #2个array中较大数
remainder, whole_part = np.modf(arr) #分理arr中小数点前和后的数据成2个array
等等（图片）
4.3 利用数组进行数据处理
将条件逻辑表述为数组运算result = np.where(cond, xarr, yarr)
数学和统计方法
arr.mean()#axis=1 /0 横轴/纵轴
np.mean(arr)
arr.sum()
arr.cumsum()#累加和，产生一个数组 #axis=1 /0 横轴/纵轴
等等（图片）
用于布尔型数组的方法
bools.any()
bools.all()
排序arr.sort()#更新元array
arr.sort(1) #多维度数组
large_arr = np.random.randn(1000)
large_arr.sort()
large_arr[int(0.05 * len(large_arr))] # 5% quantile
唯一化以及其它的集合逻辑
np.unique() #它用于找出数组中的唯一值并返回已排序的结果
等等（图片）
4.4 用于数组的文件输入输出
np.save(‘some_array’, arr)#保存一个数组
np.load(‘some_array.npy’)
np.savez(‘array_archive.npz’, a=arr, b=arr)#保存多个数组
np.savez_compressed(‘arrays_compressed.npz’, a=arr, b=arr) #数据压缩保存
4.5 线性代数
x.dot(y)等价于np.dot(x, y)
np.dot(x, np.ones(3)) #一个二维数组跟一个大小合适的一维数组的矩阵点积运算之后将会得到一个一维数组
x @ np.ones(3) #@符（类似Python 3.5）也可以用作中缀运算符，进行矩阵乘法
等等（图片）
4.6 伪随机数生成
samples = np.random.normal(size=(4, 4)) #用normal生成标准正态分布的4×4样本数组
等等（图片）
4.7 示例：随机漫步