Python数据分析与展示①：numpy库

最新推荐文章于 2023-03-05 21:53:15 发布

Cloudcodes

最新推荐文章于 2023-03-05 21:53:15 发布

阅读量468

点赞数 1

分类专栏： Python数据分析与展示文章标签： python numpy 数据分析

本文链接：https://blog.csdn.net/qq_45004982/article/details/108895460

版权

Python数据分析与展示专栏收录该内容

5 篇文章 0 订阅

订阅专栏

numpy是一个开源的Python科学计算基础库，是Scipy、Pandas等数据处理或科学计算的库的基础。

Numpy数组对象：ndarray

ndarray是一个多维数组对象，由实际的数据和描述这些数据的元数据（数据维度、数据类型）构成。

1.ndarray对象的属性

.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中的n*m的值
.dype	ndarray对象元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

import numpy as np
a = np.array([[0,1,2,3,4],
			  [9,8,7,6,5]])

a.ndim
Out[2]: 2

a.shape
Out[3]: (2, 5)

a.size
Out[4]: 10

a.dtype
Out[5]: dtype('int32')

a.itemsize
Out[6]: 4

2.ndarray数组的创建

1）可以从python的列表、元组等类型创建

x = np.array([1,2,3,4])
y = np.array((5,6,7,8))
z = np.array([ [1,2],(8,9),[5,6] ])

2)使用numpy中函数创建

np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye（n）	创建一个正方的n*n矩阵，对角线为0，其余为0

a = np.arange(10)

a
Out[10]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

b = np.ones((3,6))   #np.zeros同理
b
Out[12]: 
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])

c = np.eye(3)
c
Out[17]: 
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

3)使用numpy中的其它函数创建

函数	说明
np.linspace()	根据起始数据等间距的填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

a = np.linspace(1,10,4)

a
Out[30]: array([ 1.,  4.,  7., 10.])

b = np.linspace(1,10,4,endpoint=False)   #不保留末尾等距划分

b
Out[33]: array([1.  , 3.25, 5.5 , 7.75])

c = np.concatenate((a,b))

c
Out[37]: array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

3.ndarray数组的变换

1）numpy数组的维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

'''
reshape
'''

a = np.ones((2,3,4))

a.shape
Out[47]: (2, 3, 4)

b = a.reshape(3,8)

b.shape
Out[49]: (3, 8)

a.shape   #a原维度不改变
Out[50]: (2, 3, 4)

'''
resize
'''

a = np.ones((2,3,4))

a.shape
Out[52]: (2, 3, 4)

a.resize((3,8))

a.shape     #维度改变
Out[54]: (3, 8)

'''
swapaxes
'''
b = np.ones((2,3,4))

b.shape
Out[71]: (2, 3, 4)

c = b.swapaxes(0,2)    #将b的第0个维度与第2个维度互换

c.shape
Out[73]: (4, 3, 2)

'''
flatten
'''
a = np.ones((2,3,4),dtype=np.int32)

a
Out[75]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

a.flatten()
Out[76]: 
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1])

2）numpy数组的类型变换

new_a = a.astype(new_type)

a = np.ones((2,3,4),dtype=np.int)
a
Out[78]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

b = a.astype(np.float)    #astype会创建一个新的数组

b
Out[80]: 
array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]])

3）数组向列表的转换

ls = a.tolist()

a = np.full((2,3,4),25,dtype=np.int32)

a
Out[82]: 
array([[[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]],

       [[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]]])

a.tolist()
Out[83]: 
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],
 [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]

4.ndarray数组的变换

索引：获取数组中特定位置元素的过程

a = np.arange(24).reshape((2,3,4))
a
Out[85]: 
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]]])

a[1,2,3]       #索引从0开始，即第二部分的第3行，第4列
Out[86]: 23

a[-1,-2,-3]    #负数索引从-1开始，即倒数第一部分的倒数第2行，倒数第3列
Out[87]: 17

切片：获取数组元素中子集的过程

a = np.arange(24).reshape((2,3,4))
a
Out[85]: 
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]]])
        
a[:,1:3,:]       #截取a的[第一维的全部,第二维的第2、3行,第三位的全部]
Out[88]: 
array([[[ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])

5.ndarray数组的运算

1）numpy一元函数

函数	说明
np.abs(x) np.fabs(x)	计算数组各元素的绝对值
np.sqrt(x)	计算数组各元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x)，np.log10(x)，np.log2(x)	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值或floor值

函数	说明
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x)，np.cosh(x)，np.sin(x)，np.sinh(x)，np.tan(x)，np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+), 0, ‐1(‐)

2）numpy二元函数

函数	说明
+ ‐ * / **	两个数组各元素进行对应运算
np.maximum(x,y)，np.fmax()，np.minimum(x,y)，np.fmin()	元素级的最大值/最小值计算
np.mod(x,y)	元素级的模运算
np.copysign(x,y)	将数组y中各元素值的符号赋值给数组x对应元素
> < >= <= == !=	算术比较，产生布尔型数组

数组运算易于理解，此处不再举例赘述。

6.Numpy的随机数函数

1)Numpy的random子库

函数	说明
rand(d0,d1…dn)	根据d0‐dn创建随机数数组，浮点数，[0,1)，均匀分布
randn(d0,d1,…,dn)	根据d0‐dn创建随机数数组，标准正态分布
randint(low,high,shape)	根据shape创建随机整数或整数数组，范围是[low, high)
seed(s)	随机数种子，s是给定的种子值

例：

import numpy as np
a = np.random.rand(2,3,4)
a
Out[2]: 
array([[[0.39053204, 0.82743388, 0.50418999, 0.26268148],
        [0.44582807, 0.67588104, 0.901828  , 0.38880247],
        [0.64931232, 0.94725549, 0.27874093, 0.88845778]],

       [[0.97217821, 0.86100128, 0.99515125, 0.15005931],
        [0.95351332, 0.21181722, 0.49377348, 0.10982361],
        [0.89535871, 0.99998956, 0.5386976 , 0.48568453]]])

b = np.random.randn(3,4,5)
b
Out[4]: 
array([[[ 1.48492942e+00,  1.22595943e+00,  5.95710613e-01,
         -3.70950955e-01, -1.56564895e+00],
        [ 1.27614086e+00, -5.46633298e-01,  1.83822611e-01,
          1.31067992e-01, -1.08394910e+00],
        [-1.35873177e-01,  5.45567627e-01, -9.37038456e-01,
          1.92297721e+00, -1.63785429e+00],
        [ 3.86016590e-01, -1.09928741e+00, -6.80522390e-01,
          6.75034591e-01, -6.82283409e-01]],

       [[-1.18106948e+00, -1.08124706e+00, -5.12746209e-01,
          1.53111161e+00,  9.14966592e-01],
        [-2.13841493e-01,  3.95984231e-01, -1.92235450e-01,
          8.43022247e-01,  5.93918469e-01],
        [-1.14287091e+00,  2.28588858e-01,  5.05621353e-01,
         -1.61885388e+00, -9.12511529e-01],
        [-2.25607175e-01, -1.17176332e+00, -4.70842178e-01,
         -1.48230718e+00,  4.94029408e-01]],

       [[-2.03243973e-01, -4.79461544e-01, -1.36359008e-01,
          1.20964184e+00, -9.04956841e-01],
        [-3.65109262e-01,  2.22399217e-01, -1.87962923e+00,
         -4.35371487e-01, -3.37020072e-01],
        [ 6.41337275e-02,  1.77665789e+00,  8.38965367e-01,
          1.06037641e+00,  2.03461935e-01],
        [ 9.07789904e-01,  1.79435419e+00,  1.16821130e-03,
         -3.36610743e-01, -1.19475602e-01]]])

c = np.random.randint(100,200,(3,4))
c
Out[6]: 
array([[189, 109, 174, 168],
       [132, 134, 114, 175],
       [157, 120, 133, 117]])

'''
seed()后，np,random.random()就可以产生一组随机数，
如果使用相同的seed()值，则每次生成的随机数都相同；
如果只设置一次或不设置seed()，那么每次生成的随机数不同.
下面介绍两次产生相同随机数：
'''
np.random.seed(10)
a = np.random.rand(2,3)
a
Out[18]: 
array([[0.77132064, 0.02075195, 0.63364823],
       [0.74880388, 0.49850701, 0.22479665]])

np.random.seed(10)
b = np.random.rand(2,3)
b
Out[21]: 
array([[0.77132064, 0.02075195, 0.63364823],
       [0.74880388, 0.49850701, 0.22479665]])

2）np.random的随机数函数2

函数	说明
uniform(low,high,size)	产生均匀分布的数组,low起始值,high结束值,size形状
normal(loc,scale,size)	产生正态分布的数组,loc均值,scale标准差,size形状
poisson(lam,size)	产生泊松分布的数组,lam随机事件发生率,size形状

import numpy as np
u = np.random.uniform(0,10,(3,4))
u
Out[23]: 
array([[6.06146751, 1.12664601, 5.43920447, 7.20798582],
       [8.65815366, 1.46701124, 1.0338107 , 4.90554679],
       [0.29179556, 5.9486095 , 2.05845476, 2.02802974]])

n = np.random.normal(10,5,(3,4))
n
Out[25]: 
array([[ 8.37229023, 13.1917399 , 16.49705952,  7.70581423],
       [ 3.72478643,  8.25315879, 11.20466294, 15.91706436],
       [12.8341268 ,  3.29857212, 15.90290114,  7.42705624]])

3)numpy的统计函数1

函数	说明
sum(a, axis=None)	根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a, axis=None)	根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis=None,weights=None)	根据给定轴axis计算数组a相关元素的加权平均值
std(a, axis=None)	根据给定轴axis计算数组a相关元素的标准差
var(a, axis=None)	根据给定轴axis计算数组a相关元素的方差

注：axis=None 是统计函数的标配参数

import numpy as np
a = np.arange(15).reshape(3,5)
a
Out[27]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
       
np.sum(a)
Out[28]: 105

np.mean(a)
Out[29]: 7.0

np.mean(a,axis=1)  #按行平均
Out[31]: array([ 2.,  7., 12.])

np.mean(a,axis=0)   #按列平均
Out[32]: array([5., 6., 7., 8., 9.])

np.average(a,axis=0,weights=[10,5,1]) #按列加权平均，如第三列：(2*10+7*5+12*1)/(10+5+1)=4.1875
Out[36]: array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])

np.std(a)
Out[37]: 4.320493798938574

np.var(a)
Out[38]: 18.666666666666668

3)numpy的统计函数2

函数	说明
min(a) max(a)	计算数组a中元素的最小值、最大值
argmin(a) argmax(a)	计算数组a中元素最小值、最大值的降一维后下标
unravel_index(index, shape)	获取第index个值的索引在一个多维数组(尺寸为shape)中的位置
ptp(a)	计算数组a中元素最大值与最小值的差
median(a)	计算数组a中元素的中位数（中值）

import numpy as np
a = np.array([[2,5,6],[7,6,1]])
a
Out[41]: 
array([[2, 5, 6],
       [7, 6, 1]])
       
np.max(a)
Out[42]: 7

np.argmin(a)   #从二维降至1维后为[2,5,6,7,6,1]，最小值为1，下标为5
Out[43]: 5

np.argmin(a,axis=0)#按列，对[2,7]来说，最小下标为0；对[5,6]来说，最小值下标为0,对[6,1]为1，故输出[0,0,1]
Out[44]: array([0, 0, 1], dtype=int64)

np.argmin(a,axis=1)#按行，对[2,5,6]来说，最小下标为0；对[7,6,1]来说，最小值下标为2,故输出[0,2]
Out[45]: array([0, 2], dtype=int64)

np.ptp(a)
Out[47]: 6

np.median(a)
Out[48]: 5.5

np.unravel_index(np.argmin(a),a.shape) #np.argmin(a)为5，获取第5个索引即1在原数组中的位置
Out[49]: (1, 2)

4）numpy的梯度函数

函数	说明
np.gradient(f)	计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

梯度：连续值之间的变化率，即斜率
XY坐标轴连续三个X坐标对应的Y轴值：a, b, c，其中，b的梯度是： (c‐a)/2

import numpy as np
a = np.random.randint(0,20,(5))
a
Out[66]: array([13,  2,  5, 17, 17])

np.gradient(a)
Out[67]: array([-11. ,  -4. ,   7.5,   6. ,   0. ])
#两端只有一侧值，中间部分存在两侧值
#依次为[(2-13)/1, (5-13)/2, (17-2)/2, (17-5)/2, (17-17)/1]