3.数据分析-Numpy_②

import numpy as np
import matplotlib.pyplot as plt

from pylab import mpl
#显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]
#设置正常显示字符
mpl.rcParams["axes.unicode_minus"] = False

---

一、 ndarry运算

1.1 逻辑运算

#生成10名同学，5门功课的数据
score1 = np.random.randint(40,101,(10,5)) 

#取出最后4名同学的成绩，用于逻辑判断
test_score =  score1[6:,:]

#逻辑判断，如果大于60的就标记为True，否则为False
test_score > 60

#BOOL赋值，将满足条件的设置为指定的值-布尔索引
test_score[test_score < 60]=0
test_score[test_score > 60]=1
test_score

array([[1, 1, 1, 1, 1],
       [0, 0, 0, 0, 1],
       [1, 1, 1, 0, 1],
       [1, 1, 0, 1, 1]])

1.2 通用判断函数

score2 = np.random.randint(40,101,(10,5)) 
score2

array([[83, 89, 46, 43, 43],
       [92, 59, 43, 50, 41],
       [70, 74, 61, 85, 43],
       [54, 92, 89, 96, 44],
       [99, 53, 51, 64, 61],
       [50, 80, 41, 96, 58],
       [45, 85, 56, 70, 54],
       [82, 82, 68, 67, 72],
       [88, 40, 56, 92, 44],
       [49, 64, 91, 67, 75]])

np.all() => 判断是否全部符合要求

# 判断前两名同学的成绩是否全部及格
np.all(score2[0:2,:] > 60)

False

np.any() => 判断是否有任意符合要求的

# 判断前两名同学的成绩是否有大于90分的
np.any(score2[0:2,:] > 90)

True

1.3 np.where(三元运算符）

score3 = np.random.randint(40,101,(10,5)) 
score3

array([[ 57,  74,  87,  67,  43],
       [ 73,  73,  61,  55,  47],
       [ 80,  95,  91,  47,  98],
       [ 56,  69,  77,  92, 100],
       [ 47,  67,  48,  50,  72],
       [ 52,  66,  87,  59,  89],
       [100,  86,  90,  61,  85],
       [ 48,  40,  68,  90,  73],
       [ 57,  81,  70,  53,  62],
       [ 89,  41,  95,  53,  62]])

# np.where() => 通过使用np.where能够进行更加复杂的运算

#判断前四名学生，前四门课程中，成绩大于60的设置为1，否则为0
temp = score3[:4,:4]
np.where(temp > 60,1,0)

array([[0, 1, 1, 1],
       [1, 1, 1, 0],
       [1, 1, 1, 0],
       [0, 1, 1, 1]])

np.where(np.logical_and(temp > 60,temp < 90),1,0)

array([[0, 1, 1, 1],
       [1, 1, 1, 0],
       [1, 0, 0, 0],
       [0, 1, 1, 0]])

np.where(np.logical_or(temp > 90,temp < 60),1,0)

array([[1, 0, 0, 0],
       [0, 0, 0, 1],
       [0, 1, 1, 1],
       [1, 0, 0, 1]])

1.4 统计指标

score4 = np.random.randint(40,101,(10,5)) 
score4

array([[51, 75, 99, 54, 65],
       [41, 91, 74, 48, 86],
       [62, 88, 59, 40, 85],
       [60, 63, 46, 70, 87],
       [60, 66, 69, 62, 51],
       [70, 78, 55, 48, 42],
       [52, 81, 63, 69, 96],
       [53, 94, 81, 58, 78],
       [80, 42, 42, 73, 60],
       [60, 81, 54, 58, 47]])

# min(a,axis) => 最小值
# max(a, axis) => 最大值
# median(a, axis) => 中值
# mean(a, axis, dtype) => 平均值 
# std(a, axis, dtype) => 标准差
# var(a,axis, dtype) => 方差

#对前四名学生的成绩，进行统计
temp = score4[:4,:]
temp

array([[51, 75, 99, 54, 65],
       [41, 91, 74, 48, 86],
       [62, 88, 59, 40, 85],
       [60, 63, 46, 70, 87]])

#进行统计的时候，axis 轴的取值并不一定，Numpy中不同的API轴的值都不一样
#在这里，axis O代表列,axis 1代表行去进行统计
print("前四名学生，各成绩的最大分数：{}".format(np.max(temp,axis=0)))
print("前四名学生，各成绩的最小分数：{}".format(np.min(temp,axis=0)))
print("前四名学生，各成绩的波动情况：{}".format(np.std(temp,axis=0)))
print("前四名学生，各成绩的平均分数：{}".format(np.mean(temp,axis=0)))

前四名学生，各成绩的最大分数：[62 91 99 70 87]
前四名学生，各成绩的最小分数：[41 63 46 40 65]
前四名学生，各成绩的波动情况：[ 8.32165849 11.14394454 19.7040605  11.          9.12071817]
前四名学生，各成绩的平均分数：[53.5  79.25 69.5  53.   80.75]

---

二、 数组间的运算

2.1 四则运算

#数组和列表的对比
arr = np.random.randint(0,10,(2,3)) 
lt = [1,2,3,4,5,6]
arr,lt

(array([[5, 4, 2],
        [4, 1, 2]]),
 [1, 2, 3, 4, 5, 6])

#加法
arr + 3

array([[8, 7, 5],
       [7, 4, 5]])

# 除法
arr / 2

array([[2.5, 2. , 1. ],
       [2. , 0.5, 1. ]])

# 乘法
arr *3,lt * 3

(array([[15, 12,  6],
        [12,  3,  6]]),
 [1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6])

2.2 数组与数组的运算

a1 = np.array([[27,15,6],[9,18,27]],dtype=np.int32)
a2 = np.array([[9,5,2],[3,6,9]],dtype=np.int32)
a3 = np.array([[1,2,3,4,5],[6,7,8,9,10]],dtype=np.int32)

#数组相同的结构可以运算，不同的则会报错
a1 * a2
# a1 * a

array([[243,  75,  12],
       [ 27, 108, 243]])

2.3 广播机制

#满足条件
# 1.数组的某一维度等长;
# 2.其中一个数组的某一维度为1.

a4 = np.array([[9,5,8]],dtype=np.int32)
a5 =  np.array([[1],[2],[3],[4]],dtype=np.int32)

a4 + a5

array([[10,  6,  9],
       [11,  7, 10],
       [12,  8, 11],
       [13,  9, 12]])

# 测试
a1.shape,a2.shape,a3.shape,a4.shape,a5.shape

((2, 3), (2, 3), (2, 5), (1, 3), (4, 1))

#有一就ok,相同就ok
a1 + a4

array([[36, 20, 14],
       [18, 23, 35]])

---

三、 矩阵

3.1 矩阵和向量

3.1.1 矩阵

#矩阵(natrix),和array的区别矩阵必须是二维的,但是array可以是多维的

3.1.5 向量

#向量是一种特殊的矩阵,一般都是列向量

3.2 加法和标量乘法

#矩阵的加法:行列数相等的可以相加
#矩阵的乘法:每个元素都要乘

3.3 矩阵向量乘法

#矩阵乘法遵循准则:(M行,N列)*(N行,L列)=(M行,L行)

3.4矩阵乘法

# m×n矩阵乘以n×o矩阵，变成m×o矩阵

3.5 矩阵乘法的性质

# 矩阵的乘法不满足交换律：A×B≠B×A 矩阵的乘法满足结合律。即：A×（B×C）=（A×B）×C 单位矩阵：在矩阵的乘法中，有一种矩阵起着特殊的作用，如同数的乘法中的 1,我们称 这种矩阵为单位矩阵．它是个方阵，一般用 I 或者 E 表 示，从 左上角到右下角的对角线（称为主对角线）上的元素均为 1 以外全都为 0。

---

四、 资料网盘

百度云盘：https://pan.baidu.com/s/1puAwMn8QFGiUcrmQtnoiPw ；
提取码：echo