【Python】Python数据分析基础技术03

Bertha 。 2022-06-13 00:10 199阅读 0赞

#### 一、numpy ####

##### 关键词：开源 数据计算扩展 #####

主要是用于处理 Python在数据、数值处理中速度比较慢的问题。  
功能：ndarray 多维操作 线性代数  
官网：[http://www.numpy.org/][http_www.numpy.org]

下载了Anaconda之后，很多我们常用的库已经是安装好的。  
打开Anaconda Prompt，输入conda list，就会发现已经拥有了很多库啦。

除此之外，若import numpy报错，可参考一下知乎大神们的回答：  
[https://www.zhihu.com/question/28132194][https_www.zhihu.com_question_28132194]

在Python中，有一个数据类型 list，在list中，我们可以存放多种不同类型的数据，但当我们数据量越来越大的时候，由于Python每次都需要去判断一下数据的类型，运算速度就会很慢了。

numpy的ndarray中，每个只可以拥有一种数据类型

#-*- coding:utf-8 -*-
    
    import numpy as np
    def main():
        lst = [[1,3,5],[2,4,6]]
        print(type(lst))
        np_lst = np.array(lst)
        print(type(np_lst))
    
    if __name__ == "__main__":
        main()
    
    输出结果：
    <class 'list'>
    <class 'numpy.ndarray'>

简单列举ndarray中的数据类型：  
bool,int,int8,int16,int32,int64,int128,unit8,unit16,unit32,unit64,unit128,float16,float32,float64,complex64/128，str  
上边的u，就代表unsigned

ndarray是numpy最基础的数据结构，这个数据结构的属性：

lst = [[1,3,5],[2,4,6]]
    np_lst = np.array(lst,dtype=np.float)
    print(np_lst.shape)  #该数组的形状
    打印结果：(2, 3)
    print(np_lst.ndim)  #该数组的维度
    打印结果：2
    print(np_lst.dtype)
    打印结果：float64
    print(np_lst.itemsize)
    打印结果：8（64位占8个字节）
    print(np_lst.size)
    打印结果：6（一共6个元素）

#### 常见数组 ####

print(np.zeros([2,4]))
        print(np.ones([3,5]))
        打印结果：
        [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]
    [[ 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1.]]
    
    
    print(np.random.rand(2,4))
    打印结果：2行4列的随机数（0~1之间的随机数）
    [[ 0.51822084 0.1033368 0.10229034 0.47420062] [ 0.06186117 0.65672721 0.72348707 0.76551658]]
     print(np.random.rand())
     打印结果：0.92446879327  一个随机数
    
    print(np.random.randint(1,10))
    #打印一个1~10的整数
    
    print(np.random.randint(1,10.3))
    #打印三个1~10之间的整数  [8,3,7]
    
    print(np.random.randn())
    #打印一个标准的正太分布随机数
    print(np.random.randn(2,3))
    #生成2行3列的正太分布随机数
    print(np.random.chioce([10,20,30]))
    #生成的随机数，只能在10 20 30 中间进行选择
    print(np.random.beta(1,10,100))
    #生成100个从1~10的随机数
    ……………………还有许多

#### numpy常见操作 ####

print(np.arange(1,11))
    [ 1  2  3  4  5  6  7  8  9 10]
    
    print(np.arange(1,11).reshape([2,5]))
    等价于
    print(np.arange(1,11).reshape([2,-1]))
    会得到一个2行3列的ndarray
    lst = np.arange(1,11).reshap([2,-1])
    print(np.exp(lst))  #自然指数
    print(np.exp2(lst)) #自然指数的平方
    print(np.sqrt(lst)) #开方
    print(np.sin(lst))  #正弦
    print(np.log(lst))  #对数

lst = np.array([[[1,2,3,4], [4,5,6,7]],
                        [[7,8,9,10], [10,11,12,13]]])
        print(lst.sum())   #112
        print(lst.sum(axis=2))  #这个axis最大是维度减一，这个是用来判断，我们执行操作的维度。
        举个例子，上面，如果axis是0的话，就是最外层的数组进行相加，即[[1,2,3,4],[4,5,6,7]]与[[7,8,9,10]，[10,11,12,13]]进行相加，得到的结果是：
        [[ 8 10 12 14] [14 16 18 20]]
        如果axis是1的话，就再深入一层进行相加，即[1,2,3,4],[4,5,6,7],[7,8,9,10]，[10,11,12,13]进行相加，得到的结果是
        [[ 5 7 9 11] [17 19 21 23]]
        如果axis是2的话，就是每个[]内的元素进行相加，得到的结果是[[10 22] [34 46]]
        除了sum还可以有max,min等
        lst1 = np.array([1,2,3,4])
        lst2 = np.array([5,10,15,20])
        print(np.dot(lst1.reshape([2,2]),lst2.reshape([2,2])))     点乘
      1*5+2*15  1*10+2*20
      3*5+4*15  3*10+4*20
        还可以进行两个ndarray的加减乘除等等运算

在python中，两个list相加表示追加，在numpy中，也可以实现追加，要使用函数concatenate  
print(np.concatenate((lst1,lst2),axis=0))  
可以实现两个ndarray的追加  
\[ 1 2 3 4 5 10 15 20\]  
两个list实现上下追加，使用vstack  
print(np.vstack(lst1,lst2))  
\[\[ 1 2 3 4\]  
\[ 5 10 15 20\]\]  
hstack实现的效果和concatenate一样  
\[ 1 2 3 4 5 10 15 20\]

print(np.split(lst1,2)) 把lst1分成2份  
\[array(\[1, 2\]), array(\[3, 4\])\]  
print(np.copy(lst1)) \#拷贝

[http_www.numpy.org]: http://www.numpy.org/
[https_www.zhihu.com_question_28132194]: https://www.zhihu.com/question/28132194