乐愚社区Beta

 Python  >  Python 数据分析(一):NumPy 基础知识

Python 数据分析(一):NumPy 基础知识

旁观者  L21  • 2021-03-07 • 回复 0 • 只看楼主举报    

1. 简介

NumPy(Numerical Python)是一个开源的 Python 科学计算扩展库,主要用来处理任意维度数组与矩阵,通常对于相同的计算任务,使用 NumPy 要比直接使用 Python 基本数据结构要简单、高效的多。安装使用 pip install numpy 命令即可。

2. 使用

2.1 ndarray

ndarray 即 n 维数数组类型,它是一个相同数据类型的集合,以 0 下标为开始进行集合中元素的索引。

创建数组可以使用 NumPy 的 array 方法,具体格式如下:

array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

  • p_object:数组或嵌套的数列

  • dtype:数组元素的数据类型

  • copy:是否需要复制

  • order:创建数组的样式,C 为行方向,F 为列方向,A 为任意方向(默认)

  • subok:默认返回一个与基类类型一致的数组

  • ndmin:生成数组的最小维度

当然,还可以使用 arange 方法,下面看一下具体使用示例。

创建数组

看一下如何创建一维数组

import numpy as np
arr1 = np.array([1, 2, 3, 4, 5])arr2 = np.array(range(1, 6))arr3 = np.arange(1, 6)print (arr1)print (arr2)print (arr3)

看一下如何创建多维数组,以二维数组为例

import numpy as np
arr = np.array([[1, 2], [3, 4], [5, 6]])print(arr)

常用属性

通过示例来看一下 ndarray 对象的常用属性

import numpy as np
arr = np.array([1, 2, 3])# 元素类型print(arr.dtype)# 形状print(arr.shape)# 元素个数print(arr.size)# 维度print(arr.ndim)# 每个元素大小(字节)print(arr.itemsize)

改变数组的形状

import numpy as np
arr = np.arange(30)print(arr)# 变成二维数组arr.shape = (5, 6)print(arr)# 变成三维数组arr = arr.reshape((2, 3, 5))print(arr)

2.2 数据类型

通过下表来看一下 NumPy 的常用数据类型。

类型 描述
int_ 默认的整数类型(类似于 C 语言中的 long,int32 或 int64)
intc 与 C 的 int 类型一样,一般是 int32 或 int 64
intp 用于索引的整数类型(类似于 C 的 ssize_t,一般情况下仍然是 int32 或 int64)
int8 字节(-128 to 127)
int16 整数(-32768 to 32767)
int32 整数(-2147483648 to 2147483647)
int64 整数(-9223372036854775808 to 9223372036854775807)
uint8 无符号整数(0 to 255)
uint16 无符号整数(0 to 65535)
uint32 无符号整数(0 to 4294967295)
uint64 无符号整数(0 to 18446744073709551615)
bool_ 布尔型数据类型(True 或者 False)
float_ float64 类型的简写
float16 半精度浮点数,包括:1 个符号位,5 个指数位,10 个尾数位
float32 单精度浮点数,包括:1 个符号位,8 个指数位,23 个尾数位
float64 双精度浮点数,包括:1 个符号位,11 个指数位,52 个尾数位
complex_ complex128 类型的简写,即 128 位复数
complex64 复数,表示双 32 位浮点数(实数部分和虚数部分)
complex128 复数,表示双 64 位浮点数(实数部分和虚数部分)

通过示例来看一下如何修改数据类型。

import numpy as np
arr1 = np.array([1, 2, 3])arr2 = np.array([1.111, 2.222, 3.333])# 当前数据类型print(arr1.dtype)# 修改数据类型arr1 = arr1.astype(np.int64)print(arr1.dtype)# 保留一位小数arr2 = np.round(arr2, 1)print(arr2)

2.3 索引与切片

NumPy 数组支持索引、切片操作,还可以进行迭代,先看一下一维数组。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])print(arr[3])# 修改元素值arr[3] = 10print(arr[3])print(arr[2:])print(arr[2:4])print(arr[4:])for i in arr: print(i)

再看一下多维数组的这些操作。

import numpy as np
arr = np.arange(12).reshape(3, 4)print(arr)# 取某一个值print(arr[2, 3])# 取多个不连续的值print(arr[[0, 2],[1, 3]])# 取一行print(arr[0])# 连续取多行print(arr[1:])# 取不连续的多行print(arr[[0, 2]])# 取一列print(arr[:, 0])# 连续取多列print(arr[:, 2:])# 取不连续的多列print(arr[:, [0, 2]])

2.4 副本与视图

视图(浅复制)只是原有数据的一个引用,通过该引用可访问、操作原有数据,如果我们对视图进行修改,它会影响原始数据,因为浅复制共享内存。

副本(深复制)是对数据的完整拷贝,如果我们对副本进行修改,它不会影响到原始数据,因为深复制不共享内存。

调用 ndarray 的 view() 方法会产生一个视图,下面通过示例来看一下。

import numpy as np
a = np.arange(6).reshape(2,3)# 创建视图b = a.view()print('a的id:', id(a))print('b的id:', id(b))# 修改 b 的形状b.shape = 3,2print('a的形状:')print(a)print('b的形状:')print(b)print(a is b)

调用 ndarray 的 copy() 方法会产生一个副本,下面通过示例来看一下。

import numpy as np
a = np.arange(1, 6)# 创建副本b = a.copy()print(a is b)b[1] = 10print(a[1])print(b[1])

2.5 轴的概念

NumPy 中的轴简单来说就是方向的意思,使用数字 0、1、2 表示,一维数组只有 0 轴,二维数组有 0、1 轴,三维数组有 0、1、2 轴,了解轴的相应概念可以方便我们进行相应计算。

2.6 基本运算

数组与数字之间运算

看一下数组与数字之间的加、减、乘、除运算。

import numpy as np
arr = np.arange(12).reshape(3, 4)print(arr + 3)print(arr - 1)print(arr * 2)print(arr / 3)

数组与数组之间运算

看一下数组与数组之间的运算。

import numpy as np
# 相同行数,相同列数a = np.arange(12).reshape(3, 4)b = np.arange(20, 32).reshape(3, 4)print(a + b)print(b * a)# 相同行数c = np.arange(12).reshape(3, 4)d = np.arange(3).reshape(3, 1)print(c + d)print(c - d)# 相同列数e = np.arange(12).reshape(4, 3)f = np.arange(3).reshape(1, 3)print(e * f)print(e - f)

常用数学运算

import numpy as np
arr = np.array([[33, 55], [11, 66], [22, 99]])print(arr)# 最大值print(np.max(arr))# 最小值print(np.min(arr))# 某一轴上的最大值print(np.max(arr, 1))# 某一轴上的最小值print(np.min(arr, 1))# 平均值print(np.mean(arr))# 某一行、一列的平均值print(np.mean(arr, axis=1))# 最大值索引print(np.argmax(arr))print(np.argmax(arr, axis=1))# 最小值索引print(np.argmin(arr))print(np.argmin(arr, axis=1))# 极差print(np.ptp(arr))print(np.ptp(arr, axis=1))# 方差print(np.var(arr))# 标准差print(np.std(arr))# 中位数print(np.median(arr))

2.7 常用操作

添加操作

NumPy 的 append() 方法可以在数组的末尾添加值,该操作会分配至整个数组,并把原数组复制到新数组,该操作需保证输入的维度匹配,下面看一下使用示例。

import numpy as np
arr = np.array([[1, 3, 5], [2, 4, 6]])# 添加元素print(np.append(arr, [1, 1, 3]))# 沿 0 轴添加元素print(np.append(arr, [[1, 1, 3]], axis=0))# 沿 1 轴添加元素print(np.append(arr, [[1, 1, 3], [2, 1, 5]], axis=1))

我们还可以使用 insert() 方法进行添加操作,该方法在给定索引前沿给定轴向数组中插入值,下面看一下使用示例。

import numpy as np
arr = np.array([[1, 3, 5], [2, 4, 6]])# 添加元素print(np.insert(arr, 1, [1, 1, 3]))# 沿 0 轴添加元素print(np.insert(arr, 1, [1, 1, 3], axis=0))# 沿 1 轴添加元素print(np.insert(arr, 1, [1, 5], axis=1))

删除操作

NumPy 的 delete() 可以对数组进行删除操作,下面看一下使用示例。

import numpy as np
arr = np.array([[1, 3, 5], [2, 4, 6]])# 删除元素print(np.delete(arr, 1))# 沿 0 轴删除元素print(np.delete(arr, 1, axis=0))# 沿 1 轴删除元素print(np.delete(arr, 1, axis=1))

去重操作

NumPy 的 unique() 方法可以去除数组中的重复元素。

import numpy as np
arr = np.array([1, 3, 5, 2, 4, 6, 1, 5, 3])# 去除重复元素print(np.unique(arr))# 去重数组的索引数组u, indices = np.unique(arr, return_index=True)print(indices)# 去重元素的重复数量u, indices = np.unique(arr, return_counts=True)print(indices)

END


还没注册帐号?快来注册社区帐号,和我们一起嗨起来!
关于本社区

集各类兴趣爱好于一身的轻量化交流社区,在此您可以和他人一起分享交流您觉得有价值的内容,社区鼓励大家发表原创内容,为社区添砖加瓦!

发帖奖励 → 社区版规 → 招聘版主 →
推荐版块
扫描二维码下载社区APP
回到顶部