版权声明: https://blog.csdn.net/Wang_Jiankun/article/details/83958397
Python 数据分析与展示笔记1 – NumPy 基础
Python 数据分析与展示系列笔记是笔者学习、实践Python 数据分析与展示的相关笔记
课程链接: Python 数据分析与展示
参考文档:
NumPy 官方文档(英文)
NumPy 官方文档(中文)
PIL 官方文档
一、NumPy 简介
1、安装与导入
# 安装
pip install numpy
# 导入
import numpy as np
2、ndarray 数组
ndarray 数组:
- ndarray 可以表示 N 维数组
- ndarray 数组对象的运算是经过优化的,可以去掉元素间运算所需的循环,提升运算速度
- 数组中的数据类型最好一样,才能发挥优化的性能
ndarray 对象的属性:
属性 | 说明 |
---|---|
.ndim | 秩,即轴的数量或维度的数量 |
.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False |
intc | 与C语言中的int类型一致,一般是int32或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,取值:[‐128, 127] |
int16 | 16位长度的整数,取值:[‐32768, 32767] |
int32 | 32位长度的整数,取值:[‐231, 231‐1] |
int64 | 64位长度的整数,取值:[‐263, 263‐1] |
uint8 | 8位无符号整数,取值:[0, 255] |
uint16 | 16位无符号整数,取值:[0, 65535] |
uint32 | 32位无符号整数,取值:[0, 232‐1] |
uint64 | 32位无符号整数,取值:[0, 264‐1] |
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 |
二、ndarray 数组的操作
1、创建 ndarray 数组
方法 | 说明 |
---|---|
np.array(list/tuple, dtype) | 从列表、元组等中创建 |
np.arange(n, dtype) | 类似range()函数,返回ndarray类型,元素从0到n‐1 |
np.ones(shape, dtype) | 根据shape生成一个全1数组,shape是元组类型 |
np.zeros(shape, dtype) | 根据shape生成一个全0数组,shape是元组类型 |
np.full(shape,val, dtype) | 根据shape生成一个数组,每个元素值都是val |
np.eye(n, dtype) | 创建n*n单位矩阵,即对角线为1,其余为0 |
np.ones_like(a, dtype) | 根据数组a的形状生成一个全1数组 |
np.zeros_like(a, dtype) | 根据数组a的形状生成一个全0数组 |
np.full_like(a,val, dtype) | 根据数组a的形状生成一个数组,每个元素值都是val |
np.linspace(start,end,num) | 从start到end等间距地填充num各数据,形成数组 |
np.concatenate((a,b)) | 将两个或多个数组合并成一个新的数组 |
2、ndarray 数组的变换
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 |
.astype(new_type) | 不改变数组元素,改变元素的数据类型 |
.tolist() | 转化为列表 list 类型 |
3、ndarray 数组的索引和切片
方法 | 说明 |
---|---|
.[index] | 索引,index从0开始,-1表示倒数第一个 |
.[start, end, dist] | 切片,从 star t到 end,间距为 dist |
4、Numpy 一元函数
函数 | 说明 |
---|---|
np.abs(x)、np.fabs(x) | 计算数组各元素的绝对值 |
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值或floor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.cos(x)、np.cosh(x) | |
np.sin(x)、np.sinh(x) | |
np.tan(x)、np.tanh(x) | 计算数组各元素的普通型和双曲型三角函数 |
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(‐) |
5、Numpy 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() | |
np.minimum(x,y) np.fmin() | 元素级的最大值/最小值计算 |
np.mod(x,y) | 元素级的模运算 |
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 |
> < >= <= == != | 两个数组各元素进行算术比较,产生布尔型数组 |
6、NumPy 统计函数
函数 | 说明 |
---|---|
sum(a, axis=None) | 根据给定轴axis计算数组a相关元素之和,axis整数或元组 |
mean(a, axis=None) | 根据给定轴axis计算数组a相关元素的期望,axis整数或元组 |
average(a,axis=None,weights=None) | 根据给定轴axis计算数组a相关元素的加权平均值 |
std(a, axis=None) | 根据给定轴axis计算数组a相关元素的标准差 |
var(a, axis=None) | 根据给定轴axis计算数组a相关元素的方差 |
min(a)、max(a) | 计算数组a中元素的最小值、最大值 |
argmin(a)、argmax(a) | 计算数组a中元素最小值、最大值的降一维后下标 |
unravel_index(index, shape) | 根据shape将一维下标index转换成多维下标 |
ptp(a) | 计算数组a中元素最大值与最小值的差 |
median(a) | 计算数组a中元素的中位数(中值) |
7、NumPy 随机函数
函数 | 说明 |
---|---|
np.random.rand(d0,d1,…,dn) | 根据d0‐dn创建随机数数组,浮点数,[0,1),均匀分布 |
np.random.randn(d0,d1,…,dn) | 根据d0‐dn创建随机数数组,标准正态分布 |
np.random.randint(low[,high,shape]) | 根据shape创建随机整数或整数数组,范围是[low, high) |
np.random.seed(s) | 随机数种子,s是给定的种子值 |
np.random.shuffle(a) | 根据数组a的第1轴进行随排列,改变数组x |
np.random.permutation(a) | 根据数组a的第1轴产生一个新的乱序数组,不改变数组x |
np.random.choice(a[,size,replace,p]) | 从一维数组a中以概率p抽取元素,形成size形状新数组, replace表示是否可以重用元素,默认为False |
np.random.uniform(low,high,size) | 产生具有均匀分布的数组,low起始值,high结束值,size形状 |
np.random.normal(loc,scale,size) | 产生具有正态分布的数组,loc均值,scale标准差,size形状 |
np.random.poisson(lam,size) | 产生具有泊松分布的数组,lam随机事件发生率,size形状 |
8、NumPy 梯度函数
函数 | 说明 |
---|---|
np.gradient(f) | 计算数组f中元素的梯度,当f为多维时,返回每个维度梯度, 中间元素的梯度=(后-前)/2,最左/上边元素=(后-自己),最右/下边元素=(自己-前), |
三、NumPy 数据存取
1、一维/二维数组(通常为csv格式)
函数原型:
# 保存
np.savetxt(frame, array, fmt='%.18e', delimiter=None)
# 读取
np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False)
参数:
- frame:保存的文件名,可以是.gz或.bz2的压缩文件格式
- array:存入文件的数组
- fmt:写入文件的格式,例如:%d %.2f %.18e
- delimiter:分割字符串,默认是任何空格,csv文件为逗号
- dtype : 数据类型,可选
- unpack : 如果True,读入属性将分别写入不同变量
2、任意维度(通常为文本格式)
- 被拉平为一维数组存入
- 读取时需要知道数组原本的维度,才能正确还原
函数原型:
# 保存
ndarray.tofile(frame, sep='', format='%s')
# 读取
np.fromfile(frame, dtype=float, count=‐1, sep='')
参数:
- frame:保存的文件名,文件、字符串类型
- dtype:数据类型,可选
- sep:数据分割字符串,如果是空串,写入文件为二进制
- format:写入数据的格式
- count:读入元素个数,‐1表示读入整个文件
3、NumPy 自己的类型
- 可以保存任意维度的数组,直接读取就能正确还原
函数原型:
# 保存
np.save(fname, array) # npy格式
np.savez(fname, array) # npz格式,为npy的压缩形式
# 读取
np.load(fname)
参数:
- frame:文件名,.npy / .npz 格式
- array:存入文件的数组
GOOD LUCK!