数据分析Numpy库入门
NumPy库入门
Python组织不同维度数据的方式
一维数据：用列表，例如：[3.1398, 3.1349, 3.1376] 有序；和集合类型，例如： {3.1398, 3.1349, 3.1376} 无序。
二维数据：列表类型
多维数据：列表类型，例如：[ [3.1398, 3.1349, 3.1376], [3.1413, 3.1404, 3.1401] ]
高维数据：字典类型，例如：dict = {“firstName” :“Tian”, “lastName” : “Song”, }，或者数据表示格式：JSON、XML和YAML格式等。
NumPy简介
NumPy是一个开源的Python科学计算基础库，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
NumPy是SciPy、Pandas等数据处理或科学计算库的基础
NumPy的引用，引入模块的别名：import numpy as np。尽管别名可以省略或更改，建议使用这个约定的别名。
NumPy的数组对象：ndarray
Python已有列表类型，为什么需要一个数组对象(类型)？
1.ndarray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；
2.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；
3.实际观察可以发现：在科学计算中，一个维度所有数据的类型往往相同；
4.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：
• 实际的数据
• 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在程序中的别名是:array，轴(axis): 保存数据的维度；秩(rank)：轴的数量。
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数组元素类型
|
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：[‐2^31 , 2^31‐1] |
|
int64 |
64位长度的整数，取值：[‐2^63 , 2^63‐1] |
|
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, 2^32‐1] |
|
uint64 |
32位无符号整数，取值：[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 |
说明：浮点数的表示：(符号)尾数 *10^指数，复数的表示：实部(.real)+ j虚部(.imag)。
ndarray为什么要支持这么多种元素类型？对比：Python语法仅支持整数、浮点数和复数3种类型。
1.科学计算涉及数据较多，对存储和性能都有较高要求；
2.对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能；
3.对元素类型精细定义，有助于程序员对程序规模有合理评估
注意：ndarray数组可以由非同质对象构成，非同质ndarray元素为对象类型，但是非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用。
ndarray数组的创建方法
1.从Python中的列表、元组等类型创建ndarray数组
2.使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
3. 从字节流（raw bytes）中创建ndarray数组
4.从文件中读取特定格式，创建ndarray数组
（1）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)，当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。
（2）使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等。
|
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) |
根据shape生成一个全1数组，shape是元组类型 |
|
np.zeros(shape) |
根据shape生成一个全0数组，shape是元组类型 |
|
np.full(shape,val) |
根据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，其余为0 |
|
np.ones_like(a) |
根据数组a的形状生成一个全1数组 |
|
np.zeros_like(a) |
根据数组a的形状生成一个全0数组 |
|
np.full_like(a,val) |
根据数组a的形状生成一个数组，每个元素值都是val |
（3）使用NumPy中其他函数创建ndarray数组：
|
函数 |
说明 |
|
np.linspace() |
根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成一个新的数组 |
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
|
函数 |
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 |
注意：astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。
ndarray数组的操作
索引：获取数组中特定位置元素的过程；切片：获取数组元素子集的过程。
一维数组的索引和切片：与Python的列表类似：
ndarray数组的运算
数组与标量之间的运算作用于数组的每一个元素
NumPy一元函数，对ndarray中的数据执行元素级运算的函数
|
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(‐) |
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 |
|
> < >= <= == != |
算术比较，产生布尔型数组 |
总结