数据分析入门——numpy
一、什么是numpy
Numpy提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于处理多维数组（矩阵）的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。
二、快速入门numpy库
1.导入numpy（安装anaconda已带很多科学计算包，无需安装导入即可）
导入画图工具matplotlib，用于数据分析与可视化
打开一张猫的图片，发现计算机眼里，它只是一个数组，这样numpy也就上场了！：
使用type就能发现，他是Numpy的ndarray，使用imshow()可以查看这只可爱的猫：
三、创建numpy.ndarray
1.使用np.array，由python的list创建
多维数组合理：
通过shape查看是几行几列的：
图片的分别为长宽加最后一维：颜色
2.通过rountines函数创建ndarray
ones:创建指定形状数组，数据元素使用1来填充
使用imshow则可以显示这张图片了：
plt.imshow(n3)
// zeros同理
使用其他自定义数字，通过full创建：
通过eye创建对角线矩阵：对角线为1，其他均为0（满秩）
通过linspace创建有规律的数组：（默认取样数量num为50个）
通过arange创建数组，在给定区间创建均匀间隔的值：（左闭右开）
通过randint生成随机数组，例如0到100之间，生成5个数：
通过randn生成一个标准正太分布的数组
通过normal生成自定义的正太分布（其中loc参数表示拐点,scale表示波动性）
通过random.random生成0-1左闭右开的随机数组
四、ndarray的基本操作
1.索引
和列表完全一致，使用下标取值
多维同理，例如使用randint(0,100,(3,4))创建的3行四列数组，使用n1[0,1]取出第0行第1个
2.切片
一维数组与列表切片完全一致，多维同理
多维数组和一维数组是同理的（比如3维数组可以看成元素是2维的1维数组），多维数组的切片，就是三维切哪些，二维切哪些，一维切哪些
使用-1的步长表示反转：n1[::-1]
3.变形
使用reshape，传入tuple进行变形操作（多维数组传入负数直接变成一维数组：cat.reshape(-1)）
4.级联
np.concatenate() ，参数是列表（可以传List或者tuple），纬度和形状必须相同，通过axis可以改变级联的方向
使用axis改变级联方向
图片同理：
使用np.hstack与np.vstack进行纬度变更，分别是变成水平与垂直转换，来处理自己
5.切分
使用split切分，在索引位置切分，分成多个数组：
使用vsplit与hsplit进行垂直于水平切分：
6.副本
需要注意的是所有赋值运算不会给ndarray创建副本，原对象的改变，也会改变ndarray的值（两个ndarray之间赋值，赋值的改变会影响被赋值的对象） ，要使用副本，使用copy：n2 = n1.copy()。否则直接 n2 = n1，n1会影响n2的值
五、ndarray的聚合操作
可以直接调用ndarray的函数操作，例如求最大最小值：
推荐使用np.max等操作，可以控制对某个轴（axis = 0时是Y轴）求最大值：
其他几个max、min、sum等同理
NumPy：数学和统计方法
常用函数：
sum 求和
cumsum 求前缀和
mean 求平均数
std 求标准差
var 求方差
min 求最小值
max 求最大值
argmin 求最小值索引
argmax 求最大值索引
六、ndarray的矩阵操作
1.算数运算
基础的加减乘除（通过基础的 + -等计算符号，或者通过np.add等进行操作）
2.矩阵积dot
必须是shape相反的,n行m列，乘以m行n列
矩阵乘法原理如下：
七、ndarray广播机制
1) 为缺失元素补1
2）假定缺失元素用已有值补充
https://www.cnblogs.com/jiaxin359/p/9021726.html
例如，一个2行3列的数组与一行3列的数组进行相加，就会有广播机制：
八、ndarray的排序
1.快速排序
np.sort():不改变输入
ndarray.sort():本地处理，不占用空间，但改变输入
2.部分排序
只取最大的k个值或最小的k个值:np.partition(n,k)：k为正时为最小的几个数，k为负时为最大的几个数（但这几个数并没有排序）
参考：https://blog.csdn.net/qq_37007384/article/details/88668729
