dataframe数组做元素_Python学习第三步：多维数组和数据清洗的基本过程

一、多维数组

（一）NumPy(Numerical Python)

导入NumPy，import numpy as np

1、NumPy特点：

• 高性能科学计算和数据分析的基础包，提供多维数组对象
• ndarray，多维数组(矩阵)，具有矢量运算能力，快速、节省空间
• 矩阵运算，无需循环，可完成类似Matlab中的矢量运算
• 线性代数、随机数生成

补充：

• SciPy，import scipy as sp
• 在NumPy库的基础上增加了众多的数学、科学及工程常用的库函数
• 线性代数、常微分方程求解、信号处理、图像处理、稀疏矩阵等

2、NumPy数据结构

ndarray，N维数组对象(矩阵)

• ndim属性，维度个数
• shape属性，各维度大小
• dtype属性，数据类型

3、多维数组的创建

• np.array(collection)，collection为序列型对象(list)，嵌套序列(list of list)

l = [1,2,3,4,5,6]
data = np.array(l)
print(data)
print('维度个数:',data.ndim)
print('各维度大小:',data.shape)
print('数据类型:',data.dtype)
>>>[1 2 3 4 5 6]
   维度个数:1
   各维度大小:(6,)
   数据类型:int32

• np.zeros(), np.ones() 指定大小的全0或全1数组
  • 注意:第一个参数是元组，用来指定大小，如(3,4)

zeros_arr = np.zeros((2,3))
ones_arr = np.ones((2,2))
print(zeros_arr)
print(ones_arr)
>>>[[0. 0. 0.]
    [0. 0. 0.]]
   [[1. 1.]
    [1. 1.]]

• np.random.rand()，生成指定形状的随机数组

rand_arr = np.random.rand(2,2)
print(rand_arr)
>>>[[0.03744583 0.77484823]
    [0.18944974 0.76420786]]

• np.arange()，类似range函数，生成等差数组序列

arr = np.arange(10)
print(arr)
>>>[0 1 2 3 4 5 6 7 8 9]

• 转换形状，reshape()
• 转换数据类型，astype()

arr2 = arr.reshape((2,5))
print(arr2)
>>>[[0 1 2 3 4]
    [5 6 7 8 9]]
print(arr2.dtype)
>>>int64
arr3 =