Python数据分析与展示基础篇一
NumPy库入门
数据的维度
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
- 一维数据:列表和集合类型
- 二维数据:列表类型
- 多维数据:列表类型
- 高维数据:字典类型(键值对)或数据表示格式(XML,JSON,YAML)
NumPy的数组对象
NumPy的N维数组对象:ndarray
import numpy as np
- 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
- 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
ndarray是一个多维数组对象,由两部分构成:
- 实际的数据
- 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
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
ndarray对象的属性:
属性 | 说明 |
---|---|
.ndim | 秩,即轴的数量或维度的数量 |
.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 |
ndarray数组可以由非同质对象构成,非同质ndarray元素为对象类型。但非同质ndarray对象无法有效发挥NumPy优势,尽量避免使用
ndarray数组的创建和变换
创建:
- 从Python中的列表、元组等类型创建ndarray数组
x=np.array(list/tuple)
x=np.array(list/tuple,dtype=np.float32)
当np.array()不指定dtype时, NumPy将根据数据情况关联一个dtype类型
- 使用NumPy中函数创建ndarray数组,如,arange, ones,zeros等
函数 | 说明 |
---|---|
np.arange(n) | 类似range()函数,返回ndarray类型,元素从0到n-1 |
np.ones(shape) | 根据shape生成一个全1数组,shape是元组类型 |
np.zeros(shape) | 根据shape生成一个全0数组,shape是元组类型 |
np.full(shape,val) | 根据shape生成一个数组,每个元素值都是val |
np.eye(n) | 创建也给正方的n*n单位矩阵,对角线为1,其余全为0 |
np.ons_like(a) | 根据数组a的形状生成一个全1数组 |
np.zeros_like(a) | 根据数组a的形状生成一个全0数组 |
np.full_like(a,val) | 根据数组a的形状生成一个数组,每个元素值都是val |
np.linespace() | 根据起止数据等间距地填充数据,形成数组 |
np.concatenate() | 将两个或多个数组合并成一个新的数组 |
ndarray数组的