Python之Numpy入门教程

最新推荐文章于 2024-07-24 23:27:06 发布
最新推荐文章于 2024-07-24 23:27:06 发布
阅读量396 收藏 2
点赞数 1
文章标签： python 开发语言 后端 numpy 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40697046/article/details/121151915
版权
本文介绍了numpy库的基本使用，包括创建和操作数组、数据类型、形状变换、数组计算、读取数据、索引切片、数值修改、布尔索引、三元运算、数值裁剪、nan与inf处理以及常用统计函数。还展示了如何通过numpy处理和分析数据，例如对YouTube视频数据进行统计分析。
摘要由CSDN通过智能技术生成

numpy

文章目录

什么是numpy？

  • 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，多用于在大型、多维数组上执行数值运算

numpy创建数组（矩阵）

创建数组

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array(range(1,6))
c = np.arange(1,6)
# a, b, c内容相同

arange与range的区别

  • range:（只能创建int型list）

    range(start, end, step) # 返回一个list对象也就是range.object

  • arange：（与range类似，可以使用float型数据）

    arange(start, end, step) # 但是返回一个array对象

数组的类名

type(a)
<class 'numpy.ndarray'>

数据的类型

a.dtype
dtype('int32')

数据类型的操作

# 指定创建的数组的数据类型
    a = np.array([1,0,1,0], dtype=np.bool)
    a
    array([ True, False,  True, False])
 
# 修改数组的数据类型
    a.astype(np.int8)
    array([1, 0, 1, 0], dtype=int8)
   
# 修改浮点型的小数位数
    d
    array([1.456456, 2.44893 , 3.218   , 4.4894  , 5.4561  ])
    np.round(d,2)
    array([1.46, 2.45, 3.22, 4.49, 5.46])

举例：

# coding=utf-8
import random

import numpy as np


t1 = np.array([1,2,3,4])
print(t1)
print(type(t1))

t2 = np.array(range(10))
print(t2)

t3 = np.arange(4,10,2)
print(t3)
print(type(t3))

print(t3.dtype)
print("*"*100)

# numpy中的数据类型
t4 = np.array(range(1,4),dtype="i1")
print(t4)
print(t4.dtype)

# numpy中的bool类型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

# astype 调整数据类型
t6 = t5.astype("int8")
print(t6)
print(t6.dtype)

# numpy中的小数
t7 = np.array([random.random() for i in range(10)])
print(t7)
print(t7.dtype)

t8 = np.round(t7,2)
print(t8)

输出结果为

[1 2 3 4]
<class 'numpy.ndarray'>
[0 1 2 3 4 5 6 7 8 9]
[4 6 8]
<class 'numpy.ndarray'>
int32
****************************************************************************************************
[1 2 3]
int8
[ True  True False  True False False]
bool
[1 1 0 1 0 0]
int8
[0.56633182 0.20426739 0.28094801 0.02718695 0.04238068 0.36150382
 0.23685325 0.8804967  0.22810048 0.42815056]
float64
[0.57 0.2  0.28 0.03 0.04 0.36 0.24 0.88 0.23 0.43]

数组的形状

a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,90]])
a.shape		# 查看数组的形状
a.reshape(3,4)		# 修改数组形状 (返回修改后的矩阵，但a的形状不会改变)

数组与数的计算

数组a与数字b的计算是b与a中每一位进行计算，这是由numpy的广播机制造成的，在运算过程中，加减乘除的值被广播到所有的元素上面。

数组与数组计算

数组与数组间的计算遵循广播原则（如果两个数组的后援维度（即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为他们是广播兼容的。广播会在缺失和（或）长度为1 的维度上进行）

nump读取数据

参数解释
frame文字、字符串或产生器
dtype数据类型、默认 np.float 默认科学计数法
delimiter分割字符串、默认是空格
skiprows跳过前x行
usecols读取指定的列，索引，元组类型
unpack如果为 True，读入属性将分别写入不同数组变量，相当于转置的效果，如果为 false，读入数据只写入一个数据变量，默认False
# coding=utf-8
import numpy as np

us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

# delimiter按照","进行分割
# t1 = np.loadtxt(us_file_path,delimiter=",",dtype="int",unpack=True)
t2 = np.loadtxt(us_file_path,delimiter=",",dtype="int")

# print(t1)
print(t2)

numpy索引和切片

对于刚刚加载出来的数据,我如果只想选择其中的某一列(行)我们应该怎么做呢?

a[1]	# 取一行
a[:,2]	# 取一列
a[1:3]	# 取多行
a[:,2:4]	# 取多列

numpy中数值的修改

b
array([1, 2, 3, 4, 5])
b[2] = 0		# 将第三列的值变为0
b
array([1, 2, 0, 4, 5])

numpy中的布尔索引

t = np.arange(24).reshape((4,6))
t
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
t[t < 10] = 0 
t
array([[ 0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
t > 10
array([[False, False, False, False, False, False],
       [False, False, False, False, False,  True],
       [ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True]])

numpy中的三元运算符

t = np.arange(24).reshape((4,6))
t
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
np.where(t<10,0,20)
array([[ 0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0, 20, 20],
       [20, 20, 20, 20, 20, 20],
       [20, 20, 20, 20, 20, 20]])
t	# 并没有修改t中的值
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

numpy中的clip（裁剪）

t
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
t.clip(10,18)
array([[10, 10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 18, 18, 18, 18, 18]])

numpy中的nan和inf

  • nan(NAN,Nan):not a number表示不是一个数字

  • 什么时候numpy中会出现nan：

    当我们读取本地的文件为float的时候，如果有缺失，就会出现nan

    当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

  • inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷

  • 什么时候回出现inf包括（-inf，+inf）

    比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

那么如何指定一个nan或者inf呢？注意他们的type类型

a = np.inf
type(a)
<class 'float'>
a = np.nan
type(a)
<class 'float'>
numpy中nan的注意点

  1. 两个nan是不相等的

  2. np.nan != np.nan 为 true

  3. 利用以上的特殊性，判断数组中nan的个数

  4. 由于2，如何判断一个数字是否为nan呢？

    通过np.isnan(a)来判断，返回bool类型，比如希望把nan替换为0

  5. nan和任何值计算都为nan

  6. 替换nan时，一般把缺失的数值替换为均值（中值）

numpy中常用的统计函数

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)
练习：
# coding=utf-8
import numpy as np

us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

# t1 = np.loadtxt(us_file_path,delimiter=",",dtype="int",unpack=True)
t2 = np.loadtxt(us_file_path,delimiter=",",dtype="int")

# print(t1)
print(t2)

print("*"*100)

#取行
# print(t2[2])

#取连续的多行
# print(t2[2:])

#取不连续的多行
# print(t2[[2,8,10]])

# print(t2[1,:])
# print(t2[2:,:])
# print(t2[[2,10,3],:])

#取列
# print(t2[:,0])

#取连续的多列
# print(t2[:,2:])

#取不连续的多列
# print(t2[:,[0,2]])

#去行和列，取第3行，第四列的值
# a = t2[2,3]
# print(a)
# print(type(a))

#取多行和多列，取第3行到第五行，第2列到第4列的结果
#去的是行和列交叉点的位置
b = t2[2:5,1:4]
# print(b)

#取多个不相邻的点
#选出来的结果是（0，0） （2，1） （2，3）
c = t2[[0,2,2],[0,1,3]]
print(c)

  • 希望了解英国的youtube中视频的评论数和喜欢数的关系，应该如何绘制改图

    # coding=utf-8
import numpy as np

us_data = "./youtube_video_data/US_video_data_numbers.csv"
uk_data = "./youtube_video_data/GB_video_data_numbers.csv"

#加载国家数据
us_data = np.loadtxt(us_data,delimiter=",",dtype=int)
uk_data = np.loadtxt(uk_data,delimiter=",",dtype=int)

# 添加国家信息
#构造全为0的数据
zeros_data = np.zeros((us_data.shape[0],1)).astype(int)
ones_data = np.ones((uk_data.shape[0],1)).astype(int)

#分别添加一列全为0,1的数组
us_data = np.hstack((us_data,zeros_data))
uk_data = np.hstack((uk_data,ones_data))


# 拼接两组数据
final_data = np.vstack((us_data,uk_data))
print(final_data)

在这里插入图片描述

数组的拼接

  • # t1, t2为维数相同的数组
np.vstack((t1,t2)) # 竖直拼接
np.hstack((t1,t2)) # 水平拼接

数组的行列交换

  • t[[1,2],:] = t[[2,1],:]		# 行交换
t[:,[0,2]] = t[:,[2,0]]		# 列交换

例子：现在希望把之前案例中两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源）

# coding=utf-8
import numpy as np

us_data = "./youtube_video_data/US_video_data_numbers.csv"
uk_data = "./youtube_video_data/GB_video_data_numbers.csv"

#加载国家数据
us_data = np.loadtxt(us_data,delimiter=",",dtype=int)
uk_data = np.loadtxt(uk_data,delimiter=",",dtype=int)

# 添加国家信息
#构造全为0的数据
zeros_data = np.zeros((us_data.shape[0],1)).astype(int)
ones_data = np.ones((uk_data.shape[0],1)).astype(int)

#分别添加一列全为0,1的数组
us_data = np.hstack((us_data,zeros_data))
uk_data = np.hstack((uk_data,ones_data))


# 拼接两组数据
final_data = np.vstack((us_data,uk_data))
print(final_data)

numpy更多好用的方法

1.获取最大值最小值的位置

  1. np.argmax(t,axis=0)

  2. np.argmin(t,axis=1)

2.创建一个全0的数组: np.zeros((3,4))

3.创建一个全1的数组:np.ones((3,4))

4.创建一个对角线为1的正方形数组(方阵)：np.eye(3)

numpy随机生成数

在这里插入图片描述

numpy的注意点copy和view

  1. a = b 完全不复制，a, b相互影响
  2. a = b[ : ]，视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的。
  3. a = b.copy()，复制，a和b互不影响
qq_40697046
关注
Python之numpy详细教程
风口IT猪的成长录
07-02 2万+
Numpy学习笔记Numpy介绍ndarray介绍ndarray与Python原生list运算效率对比ndarray的优势内存块风格ndarray支持并行化运算（向量化运算）效率远高于纯Python代码Numpy安装N维数组-ndarrayarray 创建ndarray的属性ndarray的形状ndarray的类型总结基本操作生成数组的方法生成0和1的数组np.empy()从现有数组生成关于array和asarray的不同生成固定范围的数组np.linspace (start, stop, num, end
Python NumPy教程
从零开始的教程世界
07-16 512
Welcome to Python NumPy tutorial. In our previous tutorial, we learned about Python switch case. In this tutorial we will install NumPy and look into NumPy array and some matrix operations such as add...
python之numpy详细教程-Python中的Numpy入门教程
weixin_39611161的博客
11-11 209
1、Numpy是什么很简单，Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。 在以下的代码示例中，总是先导入了numpy：代码如下:>>> import numpy as np>>> p...
35个NumPy数据科学核心方法，从入门到精通
最新发布
csdn1561168266的博客
07-24 1772
NumPy数组支持丰富的元素级数学运算，这些运算可以对数组中的每个元素单独进行。创建一个填充零的NumPy数组是很常见的，可以通过使用NumPy中的。使用NumPy库之前，首先需要进行导入，在Python中，通常将。重塑是指在不改变其数据的情况下给NumPy数组一个新的形状。如果想从NumPy数组中移除长度为一的轴，请用。类似地，如果想返回沿轴的最小值的索引，请使用。要确定NumPy数组中非零元素的索引，请使用。要计算NumPy数组的标准差沿指定数组，使用。要找到NumPy数组中值的平均值沿轴，使用。
Python Numpy 教程
07-28 283
Numpy的意思是numeric python，它是一个用于计算、处理多维数组的python包，在人工智能/深度学习项目中得到广泛应用。 对象 本教程面向初学者或专业人士。 预备知识 熟悉Python编程。Python编程可参考我们的Python 教程。 Python Numpy 教程 Numpy 介绍 Numpy 安装 NumPy ndarray NumPy 数据类型 NumP...
Python Numpy基础教程
weixin_30747253的博客
06-16 288
Python Numpy基础教程 本文是一个关于Python numpy的基础学习教程，其中，Python版本为Python 3.x 什么是Numpy Numpy = Numerical + Python，它是Python中科学计算的核心库，可以高效的处理多维数组的计算。并且，因为它的许多底层函数是用C语言编写的，所以运算速度敲快。 基础知识 ndarray NumPy的主要对象是同类型的多维数...
Python Numpy库教程
weixin_53598445的博客
01-18 5057
这里写目录标题语法基础二级目录三级目录 语法基础 代码缩进：C，C++等语言通过一些停顿符号，如分号、大括号来进行代码缩进。而通过代码缩进量来保持对应语句逻辑的一致性，不一致的缩进会导致代码运行的错误。 二级目录 三级目录 ............
python之numpy入门（详细）
Mr.kun的博客
08-17 1093
文章目录何为numpynumpy入门初始化操作广播机制（与列表的区别）索引选取与切片数据转换与规整逻辑条件下的筛选通用序列函数数据本地序列化操作 何为numpy numpy是python里面专门用于处理高维数据计算的包，十分的方便！ 具体来说，numpy可以说是数据分析领域的基础数组。底层实现中使用了C语言和Fortran语言的机制分配内存。可以理解它的输出是一个非常大且连续的并由同类型的数据组成的内存区域。 作用：可以构造一个比普通列表大的多的数组，并且可以很灵活的对其中所有的元素进行并行化操作。 我个人
Python科学计算之NumPy入门教程
09-21
### NumPy基础知识与应用 #### 一、NumPy简介 NumPy是Python中非常重要的一个科学计算库，它为Python提供了高效的操作大型数值数组的能力。相比于普通的Python列表，NumPy数组能够提供更快的运行速度以及更少的...
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf
06-11
Python的Numpy库是进行数值计算的核心工具，尤其在科学计算和数据分析领域有着广泛的应用。Numpy库的主要特点是它的ndarray对象，这是一个高效处理多维数据的结构。它与Python的列表不同，ndarray的元素类型是固定的...
Python基础 Numpy菜鸟教程
weixin_46262668的博客
10-09 3036
Numpy Python
python numpy 教程
01-30
内容列表 Python 列表,字典,集合,元组 Numpy 数组,访问数组,数组类型,数组计算,广播 SciPy 图像操作, Matplotlib 绘制图形
Python之Numpy详细教程
02-24
NumPy是一个Python包。它代表“NumericPython”。它是一个由多维数组对象和用于处理数组的例程集合组成的库。Numeric，即NumPy的前身，是由JimHugunin开发的。也开发了另一个包Numarray，它拥有一些额外的功能。2005年，TravisOliphant通过将Numarray的功能集成到Numeric包中来创建NumPy包。这个开源项目有很多贡献者。使用NumPy，开发人员可以执行以下操作：数组的算数和逻辑运算。傅立叶变换和用于图形操作的例程。与线性代数有关的操作。NumPy拥有线性代数和随机数生成的内置函数。NumPy通常与SciPy（Scientific
超详细的python_numpy教程
06-12
是七月在线david老师的numpy视频对应讲义，特别详细清楚！
Python之Numpy的超实用基础详细教程
09-18
【Python之Numpy的超实用基础详细教程】 Numpy是Python中用于科学计算的核心库，它的功能强大，尤其在处理大型多维数组和矩阵时表现出色。Numpy提供了高效的数值计算功能，支持广泛的数学操作，如线性代数、傅立叶...
python numpy教程_Python之NumPy使用教程
weixin_39588223的博客
11-23 265
1.NumPy概述NumPy(Numerical Python)是用Python进行科学计算的基础软件包。包含以下特点：强大的N维数组对象Array成熟的函数库用于集成C/C++和Fortran代码的工具实用的线性代数、傅立叶变换和随机生成函数2.NumPy安装pip install numpy或pip3 install numpy3.NumPy引入import numpy as np#为了方便实...
【Python】Numpy简明教程
sgzqc的专栏
04-18 1334
1. 引言 本文主要介绍Python中专门用于数据处理的库–Numpy,使用它可以快速地构建复杂的矩阵操作。 闲话少说，我们直接开始吧！ 2. 什么是Numpy? Numpy是Numerical Python的缩写，它包含多维矩阵对象和多种数据操作函数。使用Numpy，可以方便地对数据执行数学和逻辑运算。 在Python中，我们经常需要使用数组进行操作，但它们处理起来很慢。NumPy旨在提供一个比传统Python列表快50倍的数组对象。NumPy中的数组对象称为ndarray，它提供了许多功能强大的函数，使
Python NumPy入门教程：数据科学基石
本篇教程是关于NumPy入门，由Travis E. Oliphant博士撰写，发布日期为2006年12月7日。教程的目标读者主要是学习NumPy、Theano等科学计算库的人员，特别是对于那些希望深入了解Python数值处理能力的开发者而言，这是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值