python|python数据分析基础003 -numpy的使用（详解) 数据分析|numpy

文章目录

前言
（一）numpy基础介绍
- 1.什么是numpy
- 2.为什么要学习numpy
- ?3.numpy的应用
- 4.numpy的安装
- 5.numpy库的导入
（二）numpy创建数组（矩阵）
- 1.创建数组（array）
- 2.数据类型（dtype）
- 3.数据类型的操作
- - 3.1 定义数据类型
  - 3.2 调整数据类型
  - 3.3 保留n位小数
（三）数组的计算
- 1.查看数组形状
- - 1.1 创建一维数组
  - 1.2 创建二维数组
  - 1.3 创建三维数组
- 2. 修改数组形状
- - 2.1 将1维数组变为3维数组
  - 2.2 将3维数组变到1维数组
- 3.数组的计算
- - 3.1 数组与数字的计算
  - - 3.1.1 加法
    - 3.1.2 减法
    - 3.1.3 乘法
    - 3.1.4 除法
  - 3.2 数组与数组的计算
  - - 3.2.1 广播原则
    - ?3.2.2 加法
    - 3.2.2 减法
    - 3.2.2 乘法
    - 3.2.2 除法
?结语

作者简介：苏凉（在python路上）
博客主页：苏凉.py的博客
名言警句：海阔凭鱼跃，天高任鸟飞。
要是觉得博主文章写的不错的话，还望大家三连支持一下呀！！！
关注?点赞收藏

【python|python数据分析基础003 -numpy的使用（详解)】
前言

numpy通常可以和matplotlib一起使用。两者相结合可以更有效的帮助我们进行数据的分析。
接下来我们一起进入python的科学计算基础库numpy的学习吧。
前期回顾：matplotlib绘制数据可视化图形

（一）numpy基础介绍

文章图片

1.什么是numpy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

2.为什么要学习numpy NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

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

?3.numpy的应用

NumPy 通常与 SciPy（Scientific Python）Matplotlib（绘图库）一起使用，这种组合广泛用于替代MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

4.numpy的安装

pip install numpy -i https://www.pypi.douban.com/simple

5.numpy库的导入

import numpy as np

（二）numpy创建数组（矩阵）

注：Python 没有内置对数组的支持，但可以使用 Python 列表代替。

1.创建数组（array）

使用array的三种方法创建数组，返回的数组类名为numpy.ndarray类

a = np.array([5,6,7,8,9]) b = np.array(range(5,10)) c = np.arange(5,10) print(a,type(a)) print(b,type(b)) print(c,type(c)) # 结果：[5 6 7 8 9]

2.数据类型（dtype）

使用dtype方法可以返回数据类型

print(a.dtype,b.dtype,c.dtype) # 结果：int32 int32 int32

附：numpy中常见的数据类型：

文章图片

3.数据类型的操作 3.1 定义数据类型

使用dtype参数指定数据类型

x1 = np.array(range(5,10),dtype = 'float') print(x1,x1.dtype) # 结果： [5. 6. 7. 8. 9.] float64

bool类型返回true和false

x2 = np.array([0,1,1,0,1,0,1],dtype=bool) print(x2,x2.dtype) # 结果：[FalseTrueTrue FalseTrue FalseTrue] bool

3.2 调整数据类型

调整数据类型用到astype方法，可以将原数据类型调整到我们想要的数据类型

x3 = np.array(range(5,10),dtype = 'int8') x4 = x3.astype('int32') print(x3.dtype,x4.dtype) # 结果：int8 int32

3.3 保留n位小数

在numpy中保留n位小数用到的是round方法

例：保留3位随机小数

x5 = random.random() x6 = np.round(x5,3) print(x6) # 结果：0.313

（三）数组的计算

数组分为一维数组，二维数组和多维数组。接下来就让我们一起看看在numpy中如何对数组进行操作的吧！！

1.查看数组形状

shape()方法查看数组形状可以判断出这是几维数组

1.1 创建一维数组

a = np.array(range(13)) print(a,a.shape)

结果：

文章图片

1.2 创建二维数组

a1 = np.array([[1,2,3],[4,5,6],[7,8,9]]) print(a1) print(a1.shape)

结果：

文章图片

1.3 创建三维数组

a2 = np.array([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]]) print(a2) print(a2.shape)

结果：

文章图片

可以看出shape方法返回的值中有多少个该数组就是几维数组。

2. 修改数组形状

在numpy中用reshape()方法修改数组的形状可以将n维数组修改到m维数组。

2.1 将1维数组变为3维数组

a3= np.array(range(24)) print(a3.shape) #原a3为1维数组 a4 = a3.reshape(2,3,4) print(a4) print(a4.shape)

结果：

文章图片

2.2 将3维数组变到1维数组

a5 = a4.reshape(24,) print(a5) print(a5.shape)

结果：

文章图片

在numpy中将多维数组变到1维数组还有一种方法，那就是flatten()方法，这种方法适用于我们不知道有多少个数组元素时使用。

a5 = a4.flatten() print(a5) print(a5.shape)

结果和上面相同。
3.数组的计算 3.1 数组与数字的计算
3.1.1 加法

数组内的每个元素都加上这个数。

import numpy as npa = np.array(range(24)) b = a.reshape(4,6) print(b) print(b+1)

结果：

文章图片

3.1.2 减法

数组内的每个元素都减去这个数。

import numpy as npa = np.array(range(24)) b = a.reshape(4,6) print(b) print(b-1)

结果：

文章图片

3.1.3 乘法

数组内的每个元素都乘以这个数。

import numpy as npa = np.array(range(24)) b = a.reshape(4,6) print(b) print(b*2)

结果：

文章图片

3.1.4 除法

数组内的每个元素都除以这个数。

import numpy as npa = np.array(range(24)) b = a.reshape(4,6) print(b) print(b/2)

结果：

文章图片

特殊情况：当数组的元素除以0时，0/0返回的值时nan，而非0元素/0时返回的值为inf。

文章图片

3.2 数组与数组的计算

前提：两数组的元素应该相同（当多维与一维计算时，应保证一维数组与多维数组的行或列相同）

3.2.1 广播原则

如果两个数组的后缘维度(trailing dimension，即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或)长度为1的维度上进行。
通俗的来说就是当两数组的shape的值从末尾开始，若两数组的值相同或其中有一个的值为1，则这两个数组可以进行计算（加减乘除）。

?3.2.2 加法