Python数据分析与展示（一）—Numpy

数据维度的 Python 表示

一维数据：列表和集合类型

列表（有序）
[3.1398,3.1349,3.1376]
集合（无序）
{3.1398,3.1349,3.1376}

二维数据：列表类型

[[3.1398,3.1349,3.1376],
 [3.1413,3.1404,3.1401]]

多维数据：列表类型

Numpy的数组对象：ndarray

1、数组类型相对列表类型具有的优势
• 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
• 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

2、ndarray实例

In [4]: data = [6,7.5,8,0,-1]
In [5]: arr1 = np.array(data)
In [6]: arr1
Out[6]: array([ 6. ,  7.5,  8. ,  0. , -1. ])
In [7]: data = [[1,2,3,4],[5,6,7,8]]
In [8]: arr2 = np.array(data)
In [9]: arr2
Out[9]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

3、ndarray对象的属性

4、ndarray的元素类型


对比Python语法仅支持整数、浮点数和复数3种类型，ndarray有以下优点
• 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

5、ndarray数组的创建方法

（1）从列表、元组等类型创建ndarray数组
x = np.array([0,1,2,3])
（2）使用Numpy中的函数创建ndarray数组，如：arange,ones,zeros...
In [13]: np.ones((3,6))
Out[13]:
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])