数据分析-Numpy
什么是Numpy
NumPy这个词来源于两个单词-- Numerical和Python。 NumPy是Python中的一个运算速度非常快的一个数学库，它非常重视数组，很多的数据科学的包都是依赖于Numpy的。它允许你在Python中进行向量和矩阵计算，并且由于许多底层函数实际上是用C编写的，因此你可以体验在原生Python中永远无法体验到的速度。
安装
pip install numpy
ndarray
numpy所有的操作都是围绕着数组展开的，这个数组的名字就叫做 ndarray ,在学习ndarray数组之前肯定有人会说这个东西和Python中的列表差不多啊，为什么不用列表呢，列表还要方便些。但是事实上通过ndarray不管是方便还是效率都远远地提升了。
ndarray数组创建
数组内的元素类型必须一致
数组大小不可修改
| 方法 | 描述 |
|---|---|
| array() | 将python的列表转换为数组，可选择显式指定dtype |
| arange() | range的numpy版，支持浮点数 |
| linspace() | 类似arange()，第三个参数为数组长度 |
| zeros() | 根据指定形状和dtype创建全0数组 |
| ones() | 根据指定形状和dtype创建全1数组 |
| empty() | 根据指定形状和dtype创建空数组（随机值） |
| eye() | 根据指定边长和dtype创建单位矩阵 |
import numpy as np
lis = [1,2,3,4,5]
np.array(lis)
array([1, 2, 3, 4, 5])
np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(0.5,10.5,1)
array([0.5, 1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5, 9.5])
#取范围内的n个数，差值相同
np.linspace(1,10,10)
array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
np.zeros((2,2))
array([[0., 0.],
[0., 0.]])
#ones和empty和zeros类似，但是empty会优先找内存中的数据，不一定是随机的
np.eye(4,4)
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
常用属性
| 属性 | 描述 |
|---|---|
| T | 数组的转置（对高维数组而言） |
| dtype | 数组元素的数据类型 |
| size | 数组元素的个数 |
| ndim | 数组的维数 |
| shape | 数组的维度大小（以元组形式） |
| itemsize | 每个项占用的字节数 |
| nbytes | 数组中的所有数据消耗掉的字节数 |
数据类型
dtype
| 类型 | 描述 |
|---|---|
| 布尔型 | bool_ |
| 整型 | int_ int8 int16 int32 int 64 |
| 无符号整型 | uint8 uint16 uint32 uint64 |
| 浮点型 | float_ float16 float32 float64 |
#查看数据类型
zx = np.ones((10,10))
zx.dtype
dtype('float64')
#修改数据类型
data = zx.astype(np.int16)
data.dtype
dtype('int16')
#注意
int8占1个字节,1字节(byte)占8位(bit)
其中最高位代表符号位 1-负号；0-正号
范围为1 1 1 1 1 1 1 1到0 1 1 1 1 1 1 1
1 0 0 0 0 0 0 为-128 0 0 0 0 0 0 0 0为0，一共256个数
范围-128-127
运算
#乘数字
z1 = [1,2,3,4,5,6]
z1 = np.array(z1)
z1 * 2
array([ 2, 4, 6, 8, 10, 12])
#乘数组，注意要一样的数组才能计算
z2 = [4,4,4,2,1,8]
z1 * z2
array([ 4, 8, 12, 8, 5, 48])
#除此之外加减乘除类似
索引切片
#维度转换
data = np.ones((10))
#转2X5的二维
zx = data.reshape(2,5)
#转一维
zx.reshape(10)
切片,索引
zx=([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23],
[24, 25, 26, 27, 28, 29]])
data = np.array(zx)
#0
data[0,0]
#8,9 14,15
data[1:3,2:4]
#3x3
data[:3,:3]
#步长2
data[::2,::2]
布尔型索引-筛选数据
#筛选大于5的数据
a[a>5]
他会把每一个数据和5比较，如果满足条件就返回数据
一元函数
| 函数 | 功能 |
|---|---|
| abs、fabs | 分别是计算整数和浮点数的绝对值 |
| sqrt | 计算各元素的平方根 |
| square | 计算各元素的平方 |
| exp | 计算各元素的指数e**x |
| log | 计算自然对数 |
| sign | 计算各元素的正负号 |
| ceil | 计算各元素的ceiling值 |
| floor | 计算各元素floor值，即小于等于该值的最大整数 |
| rint | 计算各元素的值四舍五入到最接近的整数，保留dtype |
| modf | 将数组的小数部分和整数部分以两个独立数组的形式返回，与Python的divmod方法类似 |
| isnan | 判断数组中的缺失值 |
| isinf | 表示那些元素是无穷的布尔型数组 |
| cos，sin，tan | 普通型和双曲型三角函数 |
二元函数
| 函数 | 功能 |
|---|---|
| add | 将数组中对应的元素相加 |
| subtract | 从第一个数组中减去第二个数组中的元素 |
| multiply | 数组元素相乘 |
| divide、floor_divide | 除法或向下圆整除法（舍弃余数） |
| power | 对第一个数组中的元素A，根据第二个数组中的相应元素B计算A**B |
| maximum，fmax | 计算最大值，fmax忽略NAN |
| miximum，fmix | 计算最小值，fmin忽略NAN |
| mod | 元素的求模计算（除法的余数） |
数学统计
| 函数 | 功能 |
|---|---|
| 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 |
随机数
| 函数 | 功能 |
|---|---|
| rand | 返回给定维度的随机数组（0到1之间的数） |
| randn | 返回给定维度的随机数组 |
| randint | 返回给定区间的随机整数 |
| choice | 给定的一维数组中随机选择 |
| shuffle | 原列表上将元素打乱（与random.shuffle相同） |
| uniform | 给定形状产生随机数组 |
| seed | 设定随机种子（使相同参数生成的随机数相同） |
| standard_normal | 生成正态分布的随机样本数 |
参考链接
https://www.cnblogs.com/xiaoyuanqujing/articles/11647031.html
