# Python 数据分析三剑客 numpy / pandas / matplotlib （numpy篇①）

写在前面

本来想直接入坑 matplotlib 的，但是因为看了看网友们说的基本都是入门 pandas 和 numpy 开始，还是循序渐进吧，急不得急不得…

正餐开始

本部分采用的编译环境是 jupyter notebook ，之前虽然有简单使用过（还能回想起当时初入门都花了好长时间）不管怎么说，现在再和着视频学习吧~老师和同学们都要寻求转型呢

之前一直忽略了 Edit 这个部分（也无怪，之前都是自己一个人摸索呜呜呜 ），甚至删掉 Cell 都是用小剪刀（那可真是黑历史了（擦汗） ）

选中绿色部分是对代码进行编译，选中蓝色部分即可对 Cell 进行操作（比如按两下DD即可删除，按一下C对 Cell 内容进行复制等操作）

若要快速运行代码：
shift+enter 键同时按 即可快速运行该 Cell 内代码并将光标定位到下一行
ctrl+enter 键同时按 即可快速运行该 Cell 内代码，光标不进行移动

对比 pycharm 里面的 Ctrl+Shift+f10

标题、Markdown、Cell 的区别

Numpy

产生数组

import numpy as np

一般不推荐使用 import numpy* 因为部分函数可能有冲突，害怕报错

接下来的操作都是默认导入了 numpy 包的

从列表产生数组

l = [1,2,3,4,5]
a = np.array(l)
a

从列表传入

np.array([1,2,3,4,5])

生成全为0的数组

np.zeros(5)

生成全为1的数组

np.ones(5)

注意：上述出来的结果均默认为浮点数，若想将其转化为整数类型，则需：

np.ones(5,dtype = "int")

可以使用 fill 方法将数组设定为指定值

a = np.array([1,2,3,4,5])
a.fill(5)
a

即可利用 fill() 方法将内容进行替换。但是如果是小数的话，会依据 a 的默认值，所得结果依然为整数：

想要正确进行 fill() 操作需要先对格式进行定义：

a = a.astype("float")
a.fill(2.5)
a

且一定记得要用个参数对 a.astype() 的内容进行接收

• 与列表不同，数组中要求所有元素的 dtype 是一样的，如果传入参数的类型与数组类型不一样，需要按照已有的类型进行转换。

还可以使用一些特定的方法生成特殊的数组

生成整数序列：

a = np.arange(1,10)
a

左闭右开的一个区间，所以生成的答案为 1—9

同时可以设置步长：

a = np.arange(1,10,2)
a

采用 arange() 方法，左闭右开的一个区间，所以生成的答案为 1，3，5，7，9

生成等差数列：

a = np.linspace(1,20,20)
a

采用 linspace() 方法，生成一个左右闭合的区间，里面生成20个数字

a = np.linspace(1,20,41)
a

生成随机数

• 生成随机数

a = np.random.rand(10)
a

array([0.08325194, 0.87338858, 0.35452514, 0.01557608, 0.24605199,0.88970188, 0.31528014, 0.99042108, 0.54581469, 0.52036265])

• 生成随机整数
  需要规定前后及生成个数

a = np.random.randint(1,10,10)
a

array([2, 3, 8, 3, 7, 3, 3, 8, 7, 4])

• 生成二项分布随机数

a = np.random.randn(10)
a

array([ 0.64359913, 0.34418811, -1.02005962, 1.0522183 , -0.57950052, -0.08133944, 0.07244462, 0.66275307, 0.08665061, 0.52686807])

数组属性

查看类型:

如果是查看数组的类型（当然这个没啥好看的，数组的类型就是数组类型…）

a = np.array([1,2,3,4,5])
type(a)

numpy.ndarray

查看数组中的数据类型∶

我们主要想查看的是 array 里面的内容是什么，采用的是 dtype() 方式

a.dtype

dtype(‘int32’)

查看形状，会返回一个元组，每个元素代表这一维的元素数目∶

a.shape

(5,)

查看数组里面元素的数目∶

a.size

5

查看数组的维度:

a.ndim

1 | 备注:维度的英文为 Dimensionality

索引与切片

索引第一个元素

a = np.array([1,2,3,4,5])
a[0]

修改第一个元素的值

a[0] = 10

切片，支持负索引：

a[1:3]
a[1:-2]	#等价于上式
a[-4:3]	#等价于上式

省略参数

a[::2]	#从开头取到结尾，间隔为2
a[2:]	#从2取到结尾
a[:-1]	#从开头取到倒数第二个元素

numy现实作用：假设我们记录一部电影的累计票房，可以这样计算每天的票房：

ob = np.array([12000,123123,234344,423233,453325])
ob2 = ob[1:]-ob[:-1]
ob2

多维数组及其属性

array还可以用来生成多维数组

a = np.array([[1,2,3,4],[5,6,7,8]])

查看形状

a.shape

(2, 4) 代表是一个2行4列的数组

查看总的元素个数

a.size

查看维数

a.ndim

多维数组索引

对于二维数组，可以传入两个数字来索引：

a = array([[1, 2, 3, 4] , [5, 6, 7, 8]])

a[1,3]

8

其中，1是行索引，3是列索引，中间用逗号隔开，事实上，Python会将它们看成一个元组（1，3），然后按照顺序进行对应。

可以利用索引给它赋值：

a[1,3] = -3

a = array([[ 1, 2, 3, 4] , [ 5, 6, 7, -3]])

事实上，我们还可以使用单个索引来索引一整行内容：

a[1]

array([ 5, 6, 7, -3])

Python会将这单个元组当成对第一维的索引，然后返回对应的内容。

a[:,2]

array([3, 7])

多维数组切片

多维数组，也支持切片操作，想得到第一行的第4和第5两个元素：

a[0,3:5]

得到最后两行的最后两列：

a[4:,4:]

得到第三列：

a[:,2]

每一维都支持切片的规则，包括负索引，省略：

例如，取出3,5行的奇数列

a[2::2,::2]