数据分析常用库——numpy

Numpy库：（快速、方便、科学计算的基础库）

一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库,常用于大型、多维数组上执行数值计算。

Numpy中的轴（axis）：
简单理解为方向，使用0,1,2…数字表示，对于一位数组，只有一个0轴，对于二维数组，有0轴和1轴，对于三维数组有0,1,2轴。

Numpy数组的广播原则：

如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相符或者其中一方的长度为1，则认为它们是广播兼容的，广播会在缺失和（或）长度为1的维度上进行。

值得一提的是：numpy数组的广播机制，在计算过程中，加减乘除的值会被广播到所有的元素上面

Numpy常用操作：

创建：a = np.array([1,2,3,4,5]) / a = np.array(range(1,6)) / a = np.arange(1,6)：类型为ndarray数组
指定常见数据类型dtype、修改数组的数据类型astype
a = np.array([1,0,1,0], dtype=np.fool)
查看数组的形状：a.shape
修改数组的形状：a.reshape(返回的输出值，原数组不变)
把数组转化为一维度数组：a.flatten() 不能用a.reshape(1,12):尝试一下发现并非一维数组

Numpy读取数据:

CSV：逗号分隔值文件/显示：表格状态
源文件：换行和逗号分隔行列的格式化文本，每一行的数据表示一条记录

对于txt文件：np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

dtype：默认情况下对于较大的数据会将其变为科学技术的方式
delimiter：分隔字符串，默认是任何空格，改为 逗号（指定边界符号是什么，不指定将会导致每行数据为一个整体的字符串而报错）
skiprows：跳过前X行们一般跳过第一行表头
usecols：读取指定的行列，索引，元组类型

 unpack：若True，读入属性将分别写入不同数组变量，False读入数据值写入一个数组变量，默认为	    False（效果实例：默认是False(0)，默认情况下有多少条数据就会有多少行，为True(1)的情况下，每一列数据会组成一行，原始数据有多少列，加载出来的数据就会有多少行，相当于转置的效果numpy中转置的处理方t.transpose()/t.swapaxes(1,0)/t.T）

Numpy索引和切片：

取行/列：a[1]:取一行 a[:,2]:取一列 a[1:3]:取多行 a[:,2:4]:取多列
		a[[1,3],:] / a[:,[2,4]]:取特定行列

Numpy中数据的修改：a[1:3,2:4]=0

Numpy中布尔索引：t[t<10]=0

	 三元运算符：np.where(t<10,0,10):小于10替换为0，其余替换为10
	 clip(裁剪):t.clip(10,18)：小于10替换为10，大于18替换为18，nan不会被替换

Numpy中的nan和inf：

当读取本地的文件为float时，若有缺失，就会出现nan（或者做了不合适计算）
Inf表示正无穷、-inf表示负无穷
注意： 两个nan是不相等的
判断nan的个数：np.count_nanzero(t!=t)/判断是否为nan：np.isnan(t)
nan和任何值计算都为nan

Numpy中常用函数：

求和：t.sum(axis=None)
均值：t.mean(a,axis=None) 受离群点的影响较大
中值：np.median(t,axis=None)
最大值：t.max(axis=None)
最小值：t.min(axis=None)
极值：np.ptp(t,axis=None) 即最大值和最小值只差
标准差：t.std(axis=None)
获取最大值最小值的位置
np.argmax(t,axis=0)
np.argmin(t,axis=1)
创建一个全0的数组: np.zeros((3,4))
创建一个全1的数组:np.ones((3,4))
创建一个对角线为1的正方形数组(方阵)：np.eye(3)

处理缺失值，用pandas库更方便
numpy中复制用函数a=b.copy()
数据拼接：np.vstack((t1,t2)):竖直拼接 / np.hstack((t1,t2)):水平拼接
行列交换：t[[1,2],:]=t[[2,1],:]:行交换 / t[:,[0,2]]=t[:,[2,0]]:列交换

ps:数据分析这部分是根据黑马视频写的，也不知道有没有侵权…大家一起学习，有需要资源的朋友可以留言
剩下的再发现的问题，随时补充吧