版权声明： https://blog.csdn.net/Wang_Jiankun/article/details/83958397
Python 数据分析与展示笔记1 – NumPy 基础
Python 数据分析与展示系列笔记是笔者学习、实践Python 数据分析与展示的相关笔记
课程链接： Python 数据分析与展示
参考文档：
NumPy 官方文档（英文）
NumPy 官方文档（中文）
PIL 官方文档
一、NumPy 简介
1、安装与导入
# 安装
pip install numpy
# 导入
import numpy as np
2、ndarray 数组
ndarray 数组：
- ndarray 可以表示 N 维数组
- ndarray 数组对象的运算是经过优化的，可以去掉元素间运算所需的循环，提升运算速度
- 数组中的数据类型最好一样，才能发挥优化的性能
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 的元素类型：
| 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：[‐231, 231‐1] |
| int64 | 64位长度的整数，取值：[‐263, 263‐1] |
| 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, 232‐1] |
| uint64 | 32位无符号整数，取值：[0, 264‐1] |
| 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 |
二、ndarray 数组的操作
1、创建 ndarray 数组
| 方法 | 说明 |
|---|---|
| np.array(list/tuple, dtype) | 从列表、元组等中创建 |
| np.arange(n, dtype) | 类似range()函数，返回ndarray类型，元素从0到n‐1 |
| np.ones(shape, dtype) | 根据shape生成一个全1数组，shape是元组类型 |
| np.zeros(shape, dtype) | 根据shape生成一个全0数组，shape是元组类型 |
| np.full(shape,val, dtype) | 根据shape生成一个数组，每个元素值都是val |
| np.eye(n, dtype) | 创建n*n单位矩阵，即对角线为1，其余为0 |
| np.ones_like(a, dtype) | 根据数组a的形状生成一个全1数组 |
| np.zeros_like(a, dtype) | 根据数组a的形状生成一个全0数组 |
| np.full_like(a,val, dtype) | 根据数组a的形状生成一个数组，每个元素值都是val |
| np.linspace(start,end,num) | 从start到end等间距地填充num各数据，形成数组 |
| np.concatenate((a,b)) | 将两个或多个数组合并成一个新的数组 |
2、ndarray 数组的变换
| 方法 | 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 |
| .astype(new_type) | 不改变数组元素，改变元素的数据类型 |
| .tolist() | 转化为列表 list 类型 |
3、ndarray 数组的索引和切片
| 方法 | 说明 |
|---|---|
| .[index] | 索引，index从0开始，-1表示倒数第一个 |
| .[start, end, dist] | 切片，从 star t到 end，间距为 dist |
4、Numpy 一元函数
| 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(‐) |
5、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 |
| > < >= <= == != | 两个数组各元素进行算术比较，产生布尔型数组 |
6、NumPy 统计函数
| 函数 | 说明 |
|---|---|
| sum(a, axis=None) | 根据给定轴axis计算数组a相关元素之和，axis整数或元组 |
| mean(a, axis=None) | 根据给定轴axis计算数组a相关元素的期望，axis整数或元组 |
| average(a,axis=None,weights=None) | 根据给定轴axis计算数组a相关元素的加权平均值 |
| std(a, axis=None) | 根据给定轴axis计算数组a相关元素的标准差 |
| var(a, axis=None) | 根据给定轴axis计算数组a相关元素的方差 |
| min(a)、max(a) | 计算数组a中元素的最小值、最大值 |
| argmin(a)、argmax(a) | 计算数组a中元素最小值、最大值的降一维后下标 |
| unravel_index(index, shape) | 根据shape将一维下标index转换成多维下标 |
| ptp(a) | 计算数组a中元素最大值与最小值的差 |
| median(a) | 计算数组a中元素的中位数（中值） |
7、NumPy 随机函数
| 函数 | 说明 |
|---|---|
| np.random.rand(d0,d1,…,dn) | 根据d0‐dn创建随机数数组，浮点数，[0,1)，均匀分布 |
| np.random.randn(d0,d1,…,dn) | 根据d0‐dn创建随机数数组，标准正态分布 |
| np.random.randint(low[,high,shape]) | 根据shape创建随机整数或整数数组，范围是[low, high) |
| np.random.seed(s) | 随机数种子，s是给定的种子值 |
| np.random.shuffle(a) | 根据数组a的第1轴进行随排列，改变数组x |
| np.random.permutation(a) | 根据数组a的第1轴产生一个新的乱序数组，不改变数组x |
| np.random.choice(a[,size,replace,p]) | 从一维数组a中以概率p抽取元素，形成size形状新数组， replace表示是否可以重用元素，默认为False |
| np.random.uniform(low,high,size) | 产生具有均匀分布的数组,low起始值,high结束值,size形状 |
| np.random.normal(loc,scale,size) | 产生具有正态分布的数组,loc均值,scale标准差,size形状 |
| np.random.poisson(lam,size) | 产生具有泊松分布的数组,lam随机事件发生率,size形状 |
8、NumPy 梯度函数
| 函数 | 说明 |
|---|---|
| np.gradient(f) | 计算数组f中元素的梯度，当f为多维时，返回每个维度梯度， 中间元素的梯度=(后-前)/2，最左/上边元素=(后-自己)，最右/下边元素=(自己-前)， |
三、NumPy 数据存取
1、一维/二维数组（通常为csv格式）
函数原型：
# 保存
np.savetxt(frame, array, fmt='%.18e', delimiter=None)
# 读取
np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)
参数：
- frame：保存的文件名，可以是.gz或.bz2的压缩文件格式
- array：存入文件的数组
- fmt：写入文件的格式，例如：%d %.2f %.18e
- delimiter：分割字符串，默认是任何空格，csv文件为逗号
- dtype : 数据类型，可选
- unpack : 如果True，读入属性将分别写入不同变量
2、任意维度（通常为文本格式）
- 被拉平为一维数组存入
- 读取时需要知道数组原本的维度，才能正确还原
函数原型：
# 保存
ndarray.tofile(frame, sep='', format='%s')
# 读取
np.fromfile(frame, dtype=float, count=‐1, sep='')
参数：
- frame：保存的文件名，文件、字符串类型
- dtype：数据类型，可选
- sep：数据分割字符串，如果是空串，写入文件为二进制
- format：写入数据的格式
- count：读入元素个数，‐1表示读入整个文件
3、NumPy 自己的类型
- 可以保存任意维度的数组，直接读取就能正确还原
函数原型：
# 保存
np.save(fname, array) # npy格式
np.savez(fname, array) # npz格式，为npy的压缩形式
# 读取
np.load(fname)
参数：
- frame：文件名，.npy / .npz 格式
- array：存入文件的数组
GOOD LUCK!