前情提要:
数据分析:把一些看似杂乱无章的数据背后的信息提炼出来,总结出所研究
对象的内在规律
数据分析的三剑客: numpy,pandas,matplotlb
numpy是python语言的一个扩展程序库,支持大量的维度数组与矩阵的运算
,此外,也针对数组的运算,提供了大量的数学函数库
一: 创建ndarray
导包
import numpy as np
1: 创建数组 np.array()
1=>1: 创建一个一维数组
np.array([1,2,3,4,5])
输出:
array([1, 2, 3, 4, 5])
1=>2:创建一个二维数组
in: np.array([[1,2,3],[4,'a',6],[6,7,8]]) out: array([['1', '2', '3'], ['4', 'a', '6'], ['6', '7', '8']], dtype='<U11')
注意: numpy的默认的ndarray的所有数据元素的类型是相同的.
如果传进ladies列表中包含不同的类型,则统一为统一类型
优先级:
str>float>int
2:使用np的routines函数创建
包含以下常见创建方法:
2=>1:
np.ones(shape,dtype=None,order='c') 创建纯一的数组
in: np.ones(shape=(3,3)) out: Out[9]: array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])
2=>2:
np.zeros(shape,dtpye=None,order='c') 创建一个纯0的数组
in: np.zeros(shape=(3,3)) out array([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])
2=>3:
np.full(shape,fill_value,dtype=None,order='c') 创建一个所有数字都一样的列表
in: np.full(shape=(3,3),fill_value=100) out: array([[100, 100, 100], [100, 100, 100], [100, 100, 100]])
2=>4:
np.lispace(start,stop,num=50,endpoint=True. retstep=False, dtype=None)
等差数列
np.linspace(1,100,num=20)
Out[19]: