Python数据分析（一）：NumPy

一、数据的维度

一个数据：表达一个含义，如：3.14
一组数据：表达一个或多个含义，如：3.14，3.134
维度：一组数据的组织形式

1、一维数据

一维数据由对等关系的有序或无序数据构成，采用线性方式组织。

3.1413，3.1398，3.1404，3.1401，3.1349，3.1376
对应列表、数组和集合等概念

2、列表和数组

一组数据的有序结构
区别：

1. 列表：数据类型可以不同
2. 数组：数组类型相同

3、二维数据

二维数据由多个一维数据构成，是一组数据的组合形式。
表格是典型的二维数据，其中，表头是二维数据的一部分。

4、多维数据

多维数据由一维或者二维数据在新维度上扩展形成。

5、高维数据

高维数据仅利用最基本的二元关系展示数据间的复杂结构。（键值对）

6、数据维度的Python表示

1. 一维数据：列表和集合类型

[ 3.1398，3.1349，3.1376 ] 有序
{ 3.1398，3.1349，3.1376 } 无序

2. 二维数据：列表类型
3. 多维数据：列表类型

[ [ 3.1398，3.1349，3.1376 ] ,
[ 3.1398，3.1349，3.1376 ] ]

4. 高维数据：字典类型或数据表示格式

dict = {
“firstName” : “Tian”,
“lastName” : “Song” ,
}

二、NumPy

NumPy是一个开源的Python科学计算基础库。

1. 一个强大的N维数组对象ndarray
2. 广播功能函数
3. 整合C/C++/Fortran代码的工具
4. 线性代数、傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础。

NumPy的引用

import numpy as np

三、N维数组对象：ndarray

例：计算A²+B³，其中，A和B是一维数组

import numpy as np
def npSum():
    a = np.array([0, 1, 2, 3, 4])
    b = np.array([9, 8, 7, 6, 5])
    c = a ** 2 + b ** 3
    return c
print(npSum())

1. 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
2. 设置专门的数组对象，经过优化，可以提升这类应用的运算速度。
3. 科学计算中，一个维度所有数据的类型往往相同。
4. 数组对象采用相同的数据类型，有助于节省运算和存储空间。
5. ndarray数组可以由非同质对象构成。
6. 非同质ndarray元素为对象类型
7. 非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用

ndarray是一个多维数组对象，由两部分组成：

1. 实际的数据
2. 描述这些数据的元数据（数据维度、数据类型等）

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

1、ndarray实例

np.array()生成一个ndarray数组
np.array()输出成 [ ] 形式，元素由空格分割。
轴（axis）：保存数据的维度
秩（rank）：轴的数量

2、ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度数量
.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n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

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

In：a.ndim
Out[3]: 2

In：a.shape
Out[4]: (2, 5)