Python数据分析与展示：NumPy库入门

NumPy库入门

数据的维度

从一个数据到一组数据：表达一个含义到表达多个含义

维度：一组数据的组织形式

---

一维数据

一维数据由对等关系的有序或无序数据组成，采用线性方式组织。对应列表、数组、集合等概念。

列表：数据类型可以不同。

数组：数据类型必须相同。

二维数据

二维数据由多个一维数组组成，是一维数据的组合形式。

多维数据

多维数据由一维数据或者二维数据在新维度上扩展形成，

高维数据——键值对

仅仅使用最基本的二元关系展示数据之间的复杂结构。

---

数据维度的python表示

• 一维数据：列表和集合类型（有序和无序的区别）

• 二维数据：列表类型

• 多维数据：列表类型

• 高维数据：字典类型或数据表示格式(JSON、XML、和YAML格式)

---

NumPy的数组对象：ndarray

NumPy是一个开源的python科学计算基础库。

• 一个强大的N维数组对象：ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

NumPy是Scipy、Pandas等数据处理和科学计算库的基础。

---

Numpy的引用

import numpy as np #np为引入模块的别名 这样做是为了每次调用numpy库时更加简略且易读。

---

N维度数组对象：ndarray

例：计算A²+B²，其中A和B为一维数组。

• 原始代码：

def pysum():
    a = [0, 1, 2, 3, 4]
    b = [9, 8, 7, 6, 5]
    c = []
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
        
    return c
print(pysum())

• 调用numpy库的科学计算方法：

import numpy as np
def npsum():
    a = np.array([0, 1, 2, 3, 4])#用 np.array()生成数组a
    b = np.array([9, 8, 7, 6, 5])
    
    c= a**2 + b**3#直接把数组a和b视作两个数据，当他们维度相同时可以直接进行运算
    
    return c
print(npsum())

• 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。

• 通过设置专门的数组对象，经过优化，可以提升这类应用的运算速度。（numpy的底层实现是由c来完成的，运算更加高效）

• 数组对象采用相同的数据类型，有助于节省运算和存储空间。

ndarray是一个多维数组对象，由两部分构成：

1. 实际的数据
2. 描述这些数据的元数据（数据维度、数据类型等）

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或者维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

ndarray的元素类型

数据类型	说明
bool	布尔类型，True或者False
intc	与C语言中的int类型一致，一般是int32或者int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
int8	字节长度的整数 [-128,127]
int16	16位长度的整数 [-32768,32767]
int32	32位长度的整数 [-2^31, 2^31-1]
int64	64位长度的整数 [-2^63, 2^63-1]
uint8	8位无符号整数 [0,255]
uint16	16位无符号整数 [0,65535]
uint32	32位无符号整数 [0,2^32-1]
uint64	64位无符号整数 [0,2^64-1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

对比：Python语法仅支持整数、浮点数和复数三种类型。

• 科学计算涉及数据较多，对存储和性能都有较高要求。

• 对元素类型精细定义，有助于NumPy合理使用存储空间并且优化性能。

• 对元素类型精细定义，有助于程序猿对程序规模有合理的评估。

  

  ---

ndarray数组的创建和变换

ndarray数组的创建

• 从python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)#用dtype指定每个元素的数据类型，当不指定类型时，NumPy将跟据数据情况关联一个dtype类型

• 最常用的方法：使用NumPy中函数创建ndarray数组

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
np.ones(shape)	跟据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	跟据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	跟据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余都是0
np.ones_like(a)	跟据数组a的形状生成一个全1数组
np.zeros_like(a)	跟据数组a的形状生成一个全0数组
np.full_like(a,val)	跟据数组a的形状生成一个数组，每个元素值都是val
np.linspace()	跟据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并称为一个新的数组

#需要注意的是，除非用户用detype()来指定，ones(),zeros(),eye()等函数生成的元素都是浮点数类型，只有arange()生成的数组元素是整数类型。

ndarray数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换。

ndarray数组的维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

ndarray数组的类型变换

new_a = a.astype(new_type)

ls = a.tolist()#ndarray数组向列表的转换

#使用astype()方法一定会创建一个新的数组（是原始数据的一个拷贝，即使两个类型一致）。

---

ndarray数组的操作

数组的索引和切片

• 索引：获取数组中特定位置元素的过程
• 切片：获取数组中元素子集的过程

ndarray数组的运算

数组与标量之间的运算

用函数对数组进行运算

即为对数组中每一个元素进行运算。

常用的一元函数：

函数	说明
np.abs(x) np.fabs(x)	计算数组各个元素的绝对值
np.sqrt(x)	计算数组各元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x)	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值（不超过元素的整数值）或floor值（小于元素的最大整数值）
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+)，0，-1(-)
np.sin/cos/tan(x)	计算数组各元素的普通型三角函数
np.sinh/cosh/tanh(x)	计算数组各元素的双曲型三角函数

对两个数组进行计算的二元函数：

函数	说明
+ - * / **	两个数组各元素进行对应运算
np.maximum(x,y) np.fmax()	元素的最大值计算
np.minmun(x,y) np.fmin()	元素的最小值计算
np.mod(x,y)	元素的模运算
np.copysign(x,y)	将数组y中各元素值的符号赋值给数组x对应元素
> < <= >= == ! !=	算术比较，产生布尔型数组

#所有视频截图均来自中国大学mooc北京理工大学嵩天老师的课程
《Python数据分析与展示》