Python数据分析学习笔记一

一、NumPy初识（1）

NumPy是python用于科学计算的一个重要的组成部分，可以使用IPython直接使用，或在程序中进行import numpy导入

---

1、NumPy数组创建和获取

NumPy数组一般要求是同一种类型的，但是也有例外；

快速生成某一个范围内的数组：numpy.arange(10);
可以生成从0开始到9的数组

获取数组的数据类型：
    a = numpy.arange(10)
    print a.dtype
    结果是：int64
确定数组维度：
    print a.shape
    结果是:(10,)
    在一维数组中，输出的是数组元素的个数

创建多维数组：
    b = numpy.array([numpy.arange(2),numpy.arange(2)])
    print m
    结果是:[
          [0 1]
          [0 1]
          ]
    在这里使用bumpy中的arange创建了两个一位数组，并将它们当作参数传递给了array函数中，并生成一个二维数组。
    **因为每次都要写numpy.这样的语法，所以可以使用import numpy as np简化.以后在程序中就可以使用np来代替numpy了.**

获取m数组的维度：print m.shape
    输出：（2，2）
    需要注意的是，获取的维度是Python的元组(tuple)

选取数组元素：
    首先需要注意的是，在Python中跟其他语言总一样，数组的下标计数也都是从0开始的；
    m = np.array(np.arange*(2),np.arange(2))
    print a[0,1]
    输出为: 1

2、NumPy数组的类型

NumPy在Python原有基础上，增加了许多种数据类型，如下图：
![NumPy中支持的数据类型](https://img-blog.csdn.net/20160427213825187)

指定数据类型：
    a = np.arange(10,dtype=np.uint16)

自定义数据类型：
    自定义数据类型是一种异构数据类型，可以当做电子表格或数据库中的一行数据的结构。例：
t = np.dtype([('name',np.str_,40),('numitems',np.int32),('price',np.float32)])
    在用array创建数组时，如果没有指定数据类型的时候，会默认为浮点数，而使用自定义数据类型的时候，则必须指定数据类型，否则将会报错,例：
    item = np.array([('Meaning of live DVD',42,32.1),('Butter',65,12.8)],dtype=t)
    print item[1]
    输出为:('Butter', 65, 12.800000190734863)  

3、一维数组的切片

NumPy中的数组切片根Python中的数组切片操作很像：

选取指定范围内的数据：
    t = np.arange(10)
    sub = t[3:7]
    print sub
    输出为:[3 4 5 6]

使用下标0～7之间的数据，步长为2进行数组的截取:
    t = np.arange(10)
    sub = t[0:7:2]
    print sub
    输出为:[0 2 4 6]
使用负数反转数组:
    t = np.arange(10)
    sub = t[::-1]
    print sub
    输出为:[9 8 7 6 5 4 3 2 1 0]

4、改变数组维度:

使用reshape函数进行数组维度的重新指定：
    原来数组为使用arange函数生成的有10个元素的一维数组，使用reshape函数使之变为2行5列的二维数组： 
    t = np.arange(10).reshape(2,5)
    print t
    输出为：[[0 1 2 3 4]
           [5 6 7 8 9]]

使用ravel函数将数组摊平，以上例中最终产生的二维数组为例：
    t = np.arange(10).reshape(2,5)
    print t.ravel()
    print t
    输出为:[0 1 2 3 4 5 6 7 8 9]
            [[0 1 2 3 4]
            [5 6 7 8 9]]
    由输出结果可以看出ravel函数会展开数组，但是不会改变数组本身，这也是NumPy中对于数组大部分的操作会出现的一种情况

使用flatten函数展开数组：
    t = np.arange(10).reshape(2,5)
    print t.flatten()
    print t
    输出为：[0 1 2 3 4 5 6 7 8 9]
            [[0 1 2 3 4]
            [5 6 7 8 9]]
    可以看出，flatten的功能与ravel相似,不过flatten会申请内存来接收结果

使用元组进行数组的维度改变：
    t = np.arange(12).reshape(3,4)
    print t
    t.shape = (2,6)
    print t
    输出为:
    第一次打印：[[ 0  1  2  3]
              [ 4  5  6  7]
              [ 8  9 10 11]]
    第二次打印:
            [[ 0  1  2  3  4  5]
            [ 6  7  8  9 10 11]]

使用transpose进行数组矩阵变换：
    t = np.arange(24).reshape(3,8)
    t = t.transpose()
    print t
    输出为：
        [[ 0  8 16]
        [ 1  9 17]
        [ 2 10 18]
        [ 3 11 19]
        [ 4 12 20]
        [ 5 13 21]
        [ 6 14 22]
        [ 7 15 23]]     
使用resize()来进行数组的维度变换：
    t = np.arange(24).reshape(2,12)
    print t
    t.resize((4,6))
    print t
    输出为:
    第一个打印：
    [[ 0  1  2  3  4  5  6  7  8  9 10 11]
     [12 13 14 15 16 17 18 19 20 21 22 23]]
    第二个打印:  
    [[ 0  1  2  3  4  5]
    [ 6  7  8  9 10 11]
    [12 13 14 15 16 17]
    [18 19 20 21 22 23]]
结果可以看出，resize()其实跟reshape的作用是一致的，但是resize()会改变数组本身的组成