（1）Python数据分析-Numpy相关

本文是Numpy相关介绍，如果需要了解Pandas和Matplotlib的知识，可以看我写的另外两篇博客，如下：

（2）Python数据分析-Pandas相关

（3）Python数据分析-Matplotlib相关

Numpy导入

import numpy as np

部分Python知识介绍

• / - 除法

• // - 整除，向下取整

• ** - 乘方

• math.sin - sin()在math库内

• 字典遍历
  for key,val in dict.items():
  print(key,val)

• 函数map，映射作用，可替代循环
  out = list(map(func, list))

• 函数filter，映射后过滤，保留结果为True的项
  out = list(filter(BOOL类型的 func, list))

Numpy相关

• 创建ndarray，可以传入列表、元组、两者混合物[(),[]]
  dtype 可指定数据的类型
  a = np.array([1,2,3,4],dtype=int)

• 检测a是否为ndarray
  type(a)

• 检测a中数据的类型
  a.dtype

• 判定a是几维数组
  a.ndim

• 判定a中数据的总数
  a.size

• 判定a的形状
  a.shape

矩阵生成

生成全0/全1矩阵，传入[3,3]或者(3,3)均可，不可np.zeros(3,3)

a = np.zeros((3,3)) 
a = np.ones([4,4])

生成序列0-9，默认间隔为1

np.arange(0,10)

生成序列[0,3,6,9]，间隔为3

np.arange(0,12,3)

生成0-12间的序列（包括12），[0,4,8,12]，一共4个数

np.linspace(0,12,4)

随机数部分

• 生成0-1间的随机数
  np.random.random()

• 生成low - high-1 范围内的整数随机数，共total个
  np.random.randint(low,high,total)

数学运算

• 加减乘除：
  ndarray的 ±*/ 运算 均是元素级的，逐个运算

• 矩阵积：
  np.dot(A,B)
  A.dot(B)

• numpy内置了许多数学函数
  np.sin()
  np.sqrt()

• 矩阵变形
  A = np.arange(0,9).reshape(3,3)
  A.shape = (3,3)

• 多维矩阵转化为一维
  A.ravel()

• 选取某个元素
  A[1,2]
  A[[0,1],2]

• 逐个遍历元素
  for i in A.flat:
  print(i)

• 按照行或者列处理数据（axis=0 是列，=1 是行）：
  np.apply_along_axis(np.mean, axis=0,arr=A)

数组合并

（1）多维数组两两合并

np.vstack((A,B)) 竖直合并
np.hstack((A,B)) 水平合并
np.concatenate([A,B],axis=0) 竖向合并
np.concatenate([A,B],axis=1) 横向合并

（2）一维数组多个合并

np.column_stack((a,b,c)) 每个一维数组作为一列
np.row_stack((a,b,c)) 每个一维数组作为一行

数组切分

（1）将数组分为两部分

[B,C] = np.hsplit(A,2) 竖着切分，分为两部分
[B,C] = np.vsplit(A,2) 横着切分，分为两部分

（2）将数组分为多部分

[A1,A2,A3] = np.split(A,[1,3],axis=1) 竖着切分，分为三部分，分为0列、1和2列、3列
[A1,A2,A3] = np.split(A,[1,3],axis=0) 横着切分，分为三部分，分为0行、1和2行、3行

数组复制，产生新对象

A.copy()

Numpy文件读写

（1）二进制文件读写

写：np.save('A', A)  保存为A.npy
读：A = np.load('A.npy')

（2）读取csv文件

names 是指数据是否有列标题，有则为True
data = np.genfromtxt('data.csv', deletechars=',', names=True)

data['列标题'] 取一列数据
data[0] 取一行数据