认识达内从这里开始

认真做教育专心促就业

python数据分析进阶之numpy（一）

发布：达内培训
来源：互联网
时间：2018-06-23 15:59

    python数据分析进阶之numpy
    1.简介
    达内培训的老师说，Numpy库是进行数据分析的基础库,panda库就是基于Numpy库的,在计算多维数组与大型数组方面使用最广,还提供多个函数操作起来效率也高
    2.Numpy库的安装
    linux(Ubuntu和debian)下:sudo apt-get install python-numpy
    linux(fedora)下:sudo yum install numpy scipy
    conda isntall numpy
    3.ndarray,numpy的核心
    1 array方法下的几个属性 2 >>> a=np.array([1,2,3]) 3 >>> a 4 array([1, 2, 3]) 5 >>> type(a) 6 <class 'numpy.ndarray'> 7 >>> a.dtype 8 dtype('int32') 9 >>> a.ndim10 111 >>> a.size12 313 >>> a.shape14 (3,)15 >>> a.itemsize16 4
    3,如何创建数组
    1 >>> c=np.array([[1,2,3],[4,5,6]]) 列表为参数2 >>> c3 array([[1, 2, 3],4 [4, 5, 6]])5 >>> c=np.array(((1,2,3),(4,5,6))) 元组也可以作为参数6 >>> c7 array([[1, 2, 3],8 [4, 5, 6]])
    在创建数组的时候也可以指定类型,常用都有int-,int8,int16,int32,int64,float_,float16,32,64,uint8,16,32,64
    1 >>> c=np.array([[1,2,3],[4,5,6]],dtype=complex)2 >>> c3 array([[ 1.+0.j, 2.+0.j, 3.+0.j],4 [ 4.+0.j, 5.+0.j, 6.+0.j]])5 >>> c.dtype6 dtype('complex128')7 >>> c.dtype.name8 'complex128'
    自带的数组创建方法
    >>> np.zeros((3,3))
    array([[ 0., 0., 0.],
    [ 0., 0., 0.],
    [ 0., 0., 0.]])>>> np.ones((3,3))
    array([[ 1., 1., 1.],
    [ 1., 1., 1.],
    [ 1., 1., 1.]])>>> np.arange(0,10)
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> np.arange(0,12,3)
    array([0, 3, 6, 9])>>> np.arange(0,4,0.6)
    array([ 0. , 0.6, 1.2, 1.8, 2.4, 3. , 3.6])>>> np.arange(0,12).reshape(3,4)
    array([[ 0, 1, 2, 3],
    [ 4, 5, 6, 7],
    [ 8, 9, 10, 11]])>>> np.linspace(0,10,5)
    array([ 0. , 2.5, 5. , 7.5, 10. ])>>> np.random.random(6)
    array([ 0.90252601, 0.85271104, 0.17201238, 0.9884257 , 0.74112411,
    0.28453949])>>> np.random.random((3,3))
    array([[ 0.98041444, 0.40374122, 0.1174572 ],
    [ 0.8121098 , 0.24770467, 0.9823125 ],

[ 0.22909469, 0.96560959, 0.47319287]])

达内培训

    4.说完了数组的创建方法,下面讲下数组的计算方法
    1 >>> a=np.arange(4) 2 >>> a 3 array([0, 1, 2, 3])算术运算符 4 >>> a+4 5 array([4, 5, 6, 7]) 6 >>> a*2 7 array([0, 2, 4, 6]) 8 >>> a 9 array([0, 1, 2, 3])10 >>> a*a11 array([0, 1, 4, 9])12 >>> b=np.arange(4,8)13 >>> b14 array([4, 5, 6, 7])15 >>> a*np.sin(b)16 array([-0. , -0.95892427, -0.558831 , 1.9709598 ])17 >>> a*np.sqrt(b)18 array([ 0. , 2.23606798, 4.89897949, 7.93725393])矩阵相乘19 >>> A=np.arange(9).reshape(3,3)20 >>> A21 array([[0, 1, 2],22 [3, 4, 5],23 [6, 7, 8]])24 >>> B=np.ones((3,3))25 >>> B26 array([[ 1., 1., 1.],27 [ 1., 1., 1.],28 [ 1., 1., 1.]])29 >>> A*B30 array([[ 0., 1., 2.],31 [ 3., 4., 5.],32 [ 6., 7., 8.]])33 >>> np.dot(A,B)34 array([[ 3., 3., 3.],35 [ 12., 12., 12.],36 [ 21., 21., 21.]])37 >>> A38 array([[0, 1, 2],39 [3, 4, 5],40 [6, 7, 8]])41 >>> a42 array([0, 1, 2, 3])自增自减运算符43 >>> a+=444 >>> a45 array([4, 5, 6, 7])46 >>> a*=247 >>> a48 array([ 8, 10, 12, 14])通用函数49 >>> np.sin(a)50 array([ 0.98935825, -0.54402111, -0.53657292, 0.99060736])51 >>> np.sqrt(a)52 array([ 2.82842712, 3.16227766, 3.46410162, 3.74165739])53 >>> np.log(a)54 array([ 2.07944154, 2.30258509, 2.48490665, 2.63905733])聚合函数55 >>> a.sum()56 4457 >>> a.min()58 859 60 >>> a.max()61 1462 >>> a.mean()63 11.064 >>> a.std()65 2.236067977499789866 >>>
    5.索引机制,切片和迭代方法
    1)索引机制
    1 >>> np.arange(9) 2 array([0, 1, 2, 3, 4, 5, 6, 7, 8]) 一维数组根据索引取数 3 >>> a=np.arange(9) 4 >>> a[2] 5 2 6 >>> a[[2,3,4]] 7 array([2, 3, 4]) 8 >>> A=np.arange(10,19).reshape((3,3)) 9 >>> A10 array([[10, 11, 12],        矩阵根据索引取数11 [13, 14, 15],12 [16, 17, 18]])13 >>> A[1,2]14 1515 >>> A[[1,2],[2,2]]16 array([15, 18])
    2)切片操作(所谓切片,就是用冒号隔开的数字置于方括号里)
    1 >>> a=np.arange(10,16) 一维数组的切片操作 2 >>> a 3 array([10, 11, 12, 13, 14, 15]) 4 >>> a[1:5] 5 array([11, 12, 13, 14]) 6 >>> a[1:5:2] 7 array([11, 13]) 8 >>> a[::2] 9 array([10, 12, 14])10 >>> a[:5:2]11 array([10, 12, 14])12 >>> a[:5:]13 array([10, 11, 12, 13, 14])
    二维数组矩阵的切片
    1 >>> A=np.arange(10,19).reshape((3,3)) 2 >>> A[0,:] 3 array([10, 11, 12]) 4 >>> A 5 array([[10, 11, 12], 6 [13, 14, 15], 7 [16, 17, 18]]) 8 >>> A[:,0] 9 array([10, 13, 16])10 >>> A[0:2,0:2] 行列的切片11 array([[10, 11],12 [13, 14]])13 >>> A[[0,2],0:2] 行,或列的不连续切片14 array([[10, 11],15 [16, 17]])
    6数组的遍历方法
    1 >>> for i in a: 2 print(i) 3 4 5 10 6 11 7 12 8 13 9 1410 1511 >>> for row in A:12 print(row)13 14 15 [10 11 12]16 [13 14 15]17 [16 17 18]18 >>> for item in A.flat:19 print(item)20 21 22 1023 1124 1225 1326 1427 1528 1629 1730 1831 >>> np.apply_along_axis(np.mean,axis=0,arr=A) 更优雅的迭代方法,应用自定义函数32 array([ 13., 14., 15.])33 >>> np.apply_along_axis(np.mean,axis=1,arr=A)34 array([ 11., 14., 17.])35 >>> def foo(x):36 return x/237 38 >>> np.apply_along_axis(foo,axis=1,arr=A)39 array([[ 5. , 5.5, 6. ],40 [ 6.5, 7. , 7.5],41 [ 8. , 8.5, 9. ]])
    7.对数组的的元素应用条件,返回boolean值
    1 >>> A=np.random.random((4,4)) 2 >>> A 3 array([[ 0.70709738, 0.80240902, 0.94803025, 0.98312311], 4 [ 0.07900716, 0.93118649, 0.75250378, 0.35555096], 5 [ 0.66154306, 0.96191193, 0.15286704, 0.44050484], 6 [ 0.87358818, 0.23117656, 0.59518599, 0.58695854]]) 7 >>> A<0.5 8 array([[False, False, False, False], 9 [ True, False, False, True],10 [False, False, True, True],11 [False, True, False, False]], dtype=bool)12 >>> A[A<0.5]13 array([ 0.07900716, 0.35555096, 0.15286704, 0.44050484, 0.23117656])
    以上就是达内培训给大家做的内容详解,更多关于达内培训的学习,请继续关注达内培训

< 上一篇：java工程师工资多少？-达内培训

下一篇：python数据分析进阶之numpy >