数据分析三大法宝之numpy

哈喽！大家好！很高兴与大家分享自己numpy的学习笔记。以下的笔记内容如有不足之处或错误，欢迎补充和斧正。

俗话说：“工欲善其事,必先利其器”。

1.numpy模块介绍

• NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。

2.numpy创建数组

1) array
2) zero()
3） ones()
4） linespace()
5） arange()
6） random系列

2.1创建一维数组	
# 首先要导入numpy模块
import numpy as np    #  以下操作都基于此，不在一一导入		
arr = np.array([1,2,3])
arr

运行结果：
array([1, 2, 3])

2.2创建二维数组（可以拓宽到多维数组）
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr

运行结果：
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

2.3创建一维的等差数列数组，num是元素的个数
np.linspace(0,10,num=6)

运行结果：
array([ 0.,  2.,  4.,  6.,  8., 10.])

2.4创建3行3列元素为1的二维数组
np.ones(shape=(3,3))

运行结果：
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

2.5 创建一维等差数列 step为等差值
np.arange(10,30,step=2)

运行结果：
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28])

2.6 创建4行4列随机元素的数组 (0,20)为随机范围，size=（行，列）
np.random.randint(0,20,size=(4,4))

运行结果：
array([[ 5, 16,  5, 13],
       [ 7, 11,  3, 15],
       [ 3, 17, 18, 19],
       [ 8, 14, 16,  3]])

3.数组与列表的区别（类比法）

    - 列表中存储的数据类型可以不一样
	- 数组中存储的数据类型必须一样

举例说明

列表：
list = [1,'a','abc','你好']
list

运行结果：
[1, 'a', 'abc', '你好']

数组：
arr=np.array([1,2,3])
arr

运行结果：
array([1, 2, 3])

4.numpy的常用属性

	- shape
    - ndim
    - size
	- dtype

创建一个随机数组为以下数组属性的演示做准备

arr = np.random.randint(0,10,size=(5,6))
arr

运行结果：
array([[13, 41, 79, 33, 24, 44],
       [73, 24, 93, 28, 60, 12],
       [78, 41,  8,  9, 31,  3],
       [ 8,  2, 28, 77, 62, 48],
       [14, 65, 87, 38, 38, 58]])

4.1 arr.shape # 返回的是数组的形状(即5行6列)
运行结果：(5,6)

4.2 arr.ndim # 返回数组的维度(即二维)
运行结果：2

4.3 arr.size # 返回数组元素的个数
运行结果：30

4.4 arr.dtype #返回数组元素的类型
运行结果：dtype('int64')

4.5 type(arr) #数组的数据类型
运行结果：numpy.ndarray

5.numpy的数据类型

注意：

array(dtype=?):可以设定数据类型
arr.dtype = '?':可以修改数据类型

举例

# 创建一个数组作为演示（未改变元素类型时）
arr = np.array([6,6,6])
arr.dtype

运行结果：
dtype('int32')

# 改变元素类型之后
arr = np.array([6,6,6],dtype='int64')
arr.dtype

运行结果：
dtype('int64')

6.numpy的索引和切片操作（通用）

6.1 numpy的索引的操作

# 创建一个随机数组作为演示
arr = np.random.randint(1,10,size=(3,3))
arr

运行结果：
array([[6, 5, 2],
       [3, 8, 6],
       [4, 8, 4]])

1） 取出数组中下标为1的行数据(注意：下标的索引是从0开始)
arr[1]

运行结果：
array([3, 8, 6])

2） 取出数组中多行的数据
arr[[1,2]]  # 取出第1行和第三行的数据

运行结果：
array([[6, 5, 2],
       [4, 8, 4]])

6.2 numpy的切片的操作

1）切出arr数组的前两行的数据
arr[0:2]

运行结果：
array([[6, 5, 2],
       [3, 8, 6]])

2）切出arr数组中的前两列
# 前一个冒号为行切片,0:2为列切片，即arr[行切片,列切片]
arr[:,0:2]  

运行结果：
array([[6, 5],
       [3, 8],
       [4, 8]])

3) 切出前两行的前两列的数据
arr[0:2,0:2]

运行结果：
array([[6, 5],
       [3, 8]])

4) 将数组的行倒置(列倒置：arr[:,::-1])
arr[::-1]

运行结果：
array([[4, 8, 4],
       [3, 8, 6],
       [6, 5, 2]])

6.3 numpy的变形reshape

# arr为3行3列二维数组
array([[6, 5, 2],
       [3, 8, 6],
       [4, 8, 4]])


#将二维的数组变形成1维,9为数组元素的个数
arr.reshape((9,))

运行结果：
array([6, 5, 2, 3, 8, 6, 4, 8, 4])

# 将一维变形成多维
arr.reshape((3,3))

运行结果：
array([[6, 5, 2],
       [3, 8, 6],
       [4, 8, 4]])