python Numpy 的基础用法以及 matplotlib 基础图形绘制

python Numpy 的基础用法以及 matplotlib 基础图形绘制

1. 环境搭建

1.1 Anaconda

​ anaconda 集成了数据分析，科学计算相关的所有常用安装包，比如Numoy、Scipy、Matplotlib、Ipython 等等。

1.2 pycharm

​ 非常好用的python集成开发环境。

2. Numpy是什么

• Numpy 是 python 的开源的数值计算扩展

• 可用来存储和处理大型矩阵，比python自身数据结构高效

• Numpy 将python 变成一种免费的强大的Matlab系统

  2.1 Numpy的核心数据对象ndarray

  ​ 相当于一个矩阵，存储了我们所需要的一些数据

  2.1.1 创建ndarray数据对象的三种方式

• 从python的基础数据对象转化

  import numpy as np
  list1 = [1,2,3]
  x1 = np.array(list1)
  print(x1)    ----->   array([1,2,3])   # numpyarray 对象
  

• 通过Numpy内生的函数生成

  x1 = np.arange(3)
  print(x1)  -----> array([0,1,2])
  

• 从硬盘文件读取数据

• x1 = np.loadtxt('文件名',delimiter='已什么符号做分割',skiprows=跳过第几行,usecols=(用到第几列，列数 ，列数.. )，unpack=False)    # 返回数组
  
  
  # 其他参数  
  
  import matplotlib.dates as mdates
  
  converters = {
       0:mdates.strpdate2num('%m/%d/%Y')}  # 转换日期格式的数据  23/2/2021 0是列数
  
  

  2.1.2 基本操作

  c = np.arange(11)
  c+c      # 矩阵加法
  c-c      # 矩阵减法 等等
  
  # 索引和切片
  c[0]    ----> 0
  c[3]    ----> 3
  c[-1]   ----> 10
  
  c[0:5]  ----> array([0,1,2,3,4])   # 等等python list 支持的切片语法
  
  # numpy 中经常用到的统计函数
     min  max  medain mean (均值) variance (方差) sort
     
  # numpy 中调用一个函数
  	np.func(x)    x.func()
  	# 列：
  		c = np.random.randint(1,100,10) # 随机生成10个1-100的整数 
  		np.max(c)   np.mean(c)  或 c.max()  c.min()
  		两者区别在于 使用第一种 会生成一个新的序列 
  				   使用第二种 c 变化 并不产生一个新的序列	
  

  3. 0 matplotlib 的使用：

  3.1 : 散点图

  ​ 顾名思义就是由一些散乱的点组成的图表，这些点在哪个位置，是由其X值和Y值确定的。所以 也叫 做XY散点图。

  ​

散点图最大作用就是验求两个变量的相关性

相关性： 正相关 、负相关、 不相关

​ 正相关：散点图有明显向右上的趋势

​ 负相关：散点图有明显的右下趋势

​ 不相关 ： 散点图没有明显的趋势

实列 ：股票价格涨幅

# 散点图实例   列如 身高和体重的散点图
import matplotlib.pyplot as plt

height = [161,170,183,190,156]
weight