数据分析必备：一步步教你如何用numpy改变数据处理（4）

介绍：
NumPy中的数组是一种高效的多维数组对象，通常称为ndarray（N-dimensional array），用于存储和操作大量数据。以下是关于NumPy数组的一些基本信息：
创建方法：可以通过传递一个Python列表并使用np.array()函数来创建NumPy数组。这个数组可以是一维的，也可以是多维的。
数据类型：在创建数组时，可以指定数据类型，如整型、浮点型或复数型等。这有助于确保数组中的数据具有一致的类型，从而提高数据处理的效率和准确性。
属性：NumPy数组具有形状（shape）、数据类型（dtype）和维度（ndim）等属性，这些属性描述了数组的结构特征。
操作：NumPy提供了丰富的数组操作功能，包括数学运算、逻辑运算、数组变形、切片和索引等，这些都是在进行科学计算和数据分析时非常有用的功能。
性能：由于NumPy底层是用C语言编写的，因此它的数组操作速度非常快，尤其是在处理大型数据集时，性能优势明显。
应用：NumPy数组广泛应用于机器学习、图像处理、信号处理等领域，是Python科学计算生态系统中的核心组件之一。
内存管理：NumPy数组在内存中是连续存储的，这意味着它们可以直接访问内存地址，从而进一步提高了数据处理的速度。
兼容性：NumPy数组与许多其他Python库兼容良好，例如Pandas、Matplotlib和SciPy等，这使得它成为数据分析和科学计算中不可或缺的工具。
广播：NumPy支持广播功能，允许在不同形状的数组之间进行操作，这大大简化了复杂数学运算的实现。
通用函数：NumPy还提供了一系列通用函数（ufuncs），这些函数可以对数组中的每个元素进行操作，而不需要编写循环。
了解和掌握NumPy数组的使用对于进行高效的科学计算和数据分析是非常重要的。通过学习和实践，你可以更好地利用NumPy的强大功能来解决各种计算问题。

1、NumPy 从已有的数组创建数组

本章节我们将学习如何从已有的数组创建数组。
numpy.asarray
numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。

numpy.asarray(a, dtype = None, order = None)

参数说明：

实例
将列表转换为 ndarray:

import numpy as np 
x =  [1,2,3] 
a = np.asarray(x)  
print (a)

输出结果为：

[1  2  3]

将元组转换为 ndarray:

import numpy as np 
 
x =  (1,2,3) 
a = np.asarray(x)  
print (a)

输出结果为：

[1  2  3]

将元组列表转换为 ndarray:

import numpy as np 
x =  [(1,2,3),(4,5)] 
a = np.asarray(x)  
print (a)

输出结果为：

[(1, 2, 3) (4, 5)]

设置了 dtype 参数：

import numpy as np 
x =  [1,2,3] 
a = np.asarray(x, dtype =  float)  
print (a)

输出结果为：

[ 1.  2.  3.]

numpy.frombuffer
numpy.frombuffer 用于实现动态数组。

numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

注意：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。
参数说明：

import numpy as np 
 
s =  b'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print (a)

输出结果为：

[b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']

import numpy as np
s =  'Hello World'
a = np.frombuffer(s, dtype =  'S1')
print (a)

输出结果为：

['H' 'e' 'l' 'l' 'o' ' ' 'W' 'o' 'r' 'l' 'd']

1.1 、numpy.fromiter

numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1)

import numpy as np 
 
# 使用 range 函数创建列表对象  
list=range(5)
it=iter(list)
 
# 使用迭代器创建 ndarray 
x=np.fromiter(it, dtype=float)
print(x)

输出结果为：

[0. 1. 2. 3. 4.]

2、 NumPy 从数值范围创建数组

这一章节我们将学习如何从数值范围创建数组。

2.1numpy.arange

numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)

根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。
参数说明：

实例
生成 0 到 4 长度为 5 的数组:

mport numpy as np
x = np.arange(5)  
print (x)

输出结果如下：

[0  1  2  3  4]

设置返回类型位 float:

import numpy as np
 
# 设置了 dtype
x = np.arange(5, dtype =  float)  
print (x)

输出结果如下：

[0.  1.  2.  3.  4.]

设置了起始值、终止值及步长：

import numpy as np
x = np.arange(10,20,2)  
print (x)

输出结果如下：

[10  12  14  16  18]

2.2、numpy.linspace

numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

参数说明：

以下实例用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。

import numpy as np
a = np.linspace(1,10,10)
print(a)

输出结果为：

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

设置元素全部是1的等差数列：

import numpy as np
a = np.linspace(1,1,10)
print(a)

输出结果为：

[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

将 endpoint 设为 false，不包含终止值：

import numpy as np
 
a = np.linspace(10, 20,  5, endpoint =  False)  
print(a)

输出结果为：

[10. 12. 14. 16. 18.]

如果将 endpoint 设为 true，则会包含 20。
以下实例设置间距。

import numpy as np
a =np.linspace(1,10,10,retstep= True)
print(a)
# 拓展例子
b =np.linspace(1,10,10).reshape([10,1])
print(b)

输出结果为：

(array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]), 1.0)
[[ 1.]
 [ 2.]
 [ 3.]
 [ 4.]
 [ 5.]
 [ 6.]
 [ 7.]
 [ 8.]
 [ 9.]
 [10.]]

2.3、numpy.logspace

numpy.logspace 函数用于创建一个于等比数列。格式如下：

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

base 参数意思是取对数的时候 log 的下标。

import numpy as np
# 默认底数是 10
a = np.logspace(1.0,  2.0, num =  10)  
print (a)

输出结果为：

[ 10.           12.91549665     16.68100537      21.5443469  27.82559402      
  35.93813664   46.41588834     59.94842503      77.42636827    100.    ]

将对数的底数设置为 2 :

import numpy as np
a = np.logspace(0,9,10,base=2)
print (a)

输出结果

[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]