《PySpark大数据分析实战》-21.NumPy介绍数组的运算

📋 博主简介

• 💖 作者简介：大家好，我是wux_labs。😜
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 📝 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~🔥
• 📝 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~🔥
• 🎉 请支持我：欢迎大家 点赞👍+收藏⭐️+吐槽📝，您的支持是我持续创作的动力~🔥

《PySpark大数据分析实战》-21.NumPy介绍数组的运算

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第3章第2节的内容：NumPy介绍数组的运算。

图书在：当当、京东、机械工业出版社以及各大书店有售！

数学计算库NumPy介绍

NumPy（Numerical Python）是Python中科学计算的基础包，是用于科学计算和数值分析的一个重要库。它提供了多维数组对象（ndarray），各种派生对象，以及用于数组快速操作的通用函数、线性代数、傅里叶变换、随机数生成等功能，是Python科学计算中必不可少的库。要在项目中使用NumPy，需要在Python环境中安装NumPy，命令如下：

$ pip install numpy

在使用时需要在Python脚本中导入numpy，以及其他必要的包，代码如下：

import numpy as np
import random
import time

数组的运算

NumPy提供了丰富的数组操作函数和运算符，能够快速高效地进行多维数组的运算，并且数组的运算会作用到数组中的每个元素上。

算术运算

NumPy中的数组支持常见的加、减、乘、除、幂等算术运算，并支持数组与标量的运算。这些算术运算符在 NumPy 中的实现方式与 Python 的内置运算符有所不同，能够更快地处理大型数据集。在下面的案例中，创建了两个数组并实现了数组之间的运算，代码如下：

# 创建两个一维数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print("数组相加结果：", a + b)
print("数组相乘结果：", a * b)
print("数组相除结果：", a / b)
print("数组幂的结果：", a ** 2)

执行代码，输出结果为：

数组相加结果： [5 7 9]
数组相乘结果： [ 4 10 18]
数组相除结果： [0.25 0.4  0.5 ]
数组幂的结果： [1 4 9]

统计运算

NumPy提供了多种统计函数，包括均值、方差、标准差、最小值、最大值等，能够方便地进行数据统计和分析。在下面的案例中，定义了一个数组并统计了各个统计项，代码如下：

a = np.array([1, 2, 3, 4])

print("数组均值是：", np.mean(a))
print("数组方差是：", np.var(a))
print("数组标准差：", np.std(a))
print("数组最小值：", np.min(a))
print("数组最大值：", np.max(a))

执行代码，输出结果如下：

数组均值是： 2.5
数组方差是： 1.25
数组标准差： 1.118033988749895
数组最小值： 1
数组最大值： 4

逻辑运算

NumPy支持多种逻辑运算符，包括与、或、非等，能够方便地进行逻辑运算。在下面的案例中，定义了两个数组并实现了逻辑运算，代码如下：

a = np.array([True, False, True])
b = np.array([False, False, True])
print("逻辑与：", np.logical_and(a, b))
print("逻辑或：", np.logical_or(a, b))
print("逻辑非：", np.logical_not(a, b))

执行代码，输出结果如下：

逻辑与： [False False  True]
逻辑或： [ True False  True]
逻辑非： [False  True False]

矩阵运算

NumPy提供了多种矩阵运算函数，包括矩阵乘法、矩阵求逆、矩阵行列式等，能够方便地进行矩阵运算。在下面的案例中，定义了两个矩阵并实现了矩阵的运算，代码如下：

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print("矩阵相加：\n", A + B)
print("矩阵相乘：\n", np.dot(A, B))
print("矩阵转置：\n", A.T)
print("矩阵求逆：\n", np.linalg.inv(A))

执行代码，输出结果如下：

矩阵相加：
 [[ 6  8]
 [10 12]]
矩阵相乘：
 [[19 22]
 [43 50]]
矩阵转置：
 [[1 3]
 [2 4]]
矩阵求逆：
 [[-2.   1. ]
 [ 1.5 -0.5]]

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。