python数据分析Numpy库的常用操作

numpy库的引入:

import numpy as np

1、numpy对象基础属性的查询

lst = [[1, 2, 3], [4, 5, 6]]

def numpy_type():
    print(type(lst))
    data = np.array(lst, dtype=np.float64)  # array将数组转为numpy的数组

    # bool,int,int8,int16,int32,int64,int128,uint8,uint32,
    # uint64,uint128,float16/32/64,complex64/128

    print(type(data))  # 数据类型
    print(data.shape)  # 几行几列
    print(data.ndim)  # 空间维数
    print(data.dtype)  # 元素类型
    print(data.itemsize)  # 元素所占字节
    print(data.size)  # 元素总数

2、numpy的数组的常用操作

def numpy_array():
    # 输出2行4列的全0的numpy的array数组
    print(np.zeros([2, 4]))  # 一般用于数据初始化

    # 输出3行5列的全1的numpy的array数组
    print(np.ones([3, 5]))

    # 随机数
    print(np.random.rand(2, 4))  # 生成2行4列的随机数矩阵,此时默认元素大小在0到1
    print(np.random.rand())  # 打印一个随机数,此时默认元素大小在0到1
    print(np.random.rand(1, 10, 3))  # 三个参数分别对应x、y、z轴,表示三维矩阵

    # 与rand不同randint的三个参数表示范围[1,10)内的3个元素的一维数组
    print(np.random.randint(1, 10, 3))  

    print(np.random.randint(1, 10))  # randint必须传入参数范围,这表示返回一个范围内的随机数
    print(np.random.randn())  # 返回一个标准正态分布的随机数
    print(np.random.randn(2, 4))  # 返回2行4列符合标准正态发布的随机数
    print(np.random.choice([10, 2, 3, 1, 5, 6]))  # 从可迭代数组中随机返回一个
    print(np.random.beta(1, 10, 100))  # 随机生成[1,10]里符合beta发布的100元素的一维数组

    lst1 = np.array([10, 20, 30, 40])
    lst2 = np.array([4, 3, 2, 1])
    # 直接操作
    print(lst2 + lst1)
    print(lst2 - lst1)
    print(lst2 / lst1)
    print(lst2 * lst1)
    print(lst2 ** lst1)  # 平方

    # 点乘
    print(np.dot(lst1.reshape([2, 2]), lst2.reshape([2, 2])))

    # 追加
    print(np.concatenate((lst2, lst1), axis=0))  # 0水平追加,1竖向追加
    print(np.vstack((lst2, lst1)))  # 竖向追加
    print(np.hstack((lst2, lst1)))  # 水平追加

    # 分裂
    print(np.split(lst2, 2))  # 分成2份

    # 拷贝
    print(np.copy(lst2))

3、numpy常用数据操作方法

def numpy_handle():
    print(np.arange(1, 11))  # 生成[1,11)里的整数的一维数组,默认按1递增
    print(np.arange(1, 11).reshape([2, 5]))  # reshape方法可以将矩阵重构为x行y列的矩阵
    print(np.arange(1, 11).reshape([2, -1]))  # 也可以使用缺失值-1实现相同的效果
    data = np.arange(1, 11).reshape([2, -1])
    print(np.exp(data))  # 自然指数e的指数操作
    print(np.exp2(data))  # 自然指数e的平方操作
    print(np.sqrt(data))  # 开方操作
    print(np.sin(data))  # 三角函数
    print(np.log(data))  # 对数操作
    print(data.max())  # 最大值
    print(data.min())  # 最小值

4、numpy里axis的理解

def numpy_axis():
    data = np.array([
        [[1, 2, 3, 4],
         [5, 6, 7, 8]],
        [[9, 10, 11, 12],
         [13, 14, 15, 16]],
        [[17, 18, 19, 20],
         [20, 21, 22, 23]]
    ])
    # axis从外而内的渗入,值越大渗透入层数越多,最大为n-1
    # axis=0,表示从外而内n+1层,即1进行解析
    print(data.sum(axis=2))  # 求和  #这里渗入了3层
    print(data.max(axis=1))  # 获取最大值
    print(data.min(axis=0))  # 获取最小值

5、numpy里常用的线性代数计算

这里记得引入依赖:

from numpy.linalg import *  # 引入线性方程组的依赖
def numpy_line():
    from numpy.linalg import *  # 引入线性方程组的依赖
    print(np.eye(3))  # 阶级为3的单位矩阵
    lst3 = np.array([[1, 2],
                     [3, 4]])
    print(inv(lst3))  # 逆矩阵
    print(lst3.transpose())  # 转置矩阵
    print(det(lst3))  # 行列式
    print(eig(lst3))  # 体征值和体征向量,第一个表示体征值,第二个表示体征向量
    y = np.array([[5.], [7.]])
    print(solve(lst3, y))  # 求解线性矩阵方程

了解更多参考官方手册:NumPy 参考手册 | NumPy 中文

到此这篇关于python数据分析Numpy库的常用操作的文章就介绍到这了,更多相关python数据分析 Numpy库内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • 使用Python NumPy库绘制渐变图案

    目录 1. 导入模块 2. 基本绘画流程 3. 生成随机彩色图像 4. 生成渐变色图像 5. 在渐变色背景上画曲线 6. 使用颜色映射(ColorMap) 7. 展示NumPy的魅力 NumPy也可以画图吗?当然!NumPy不仅可以画,还可以画得更好.画得更快!比如下面这幅画,只需要10行代码就可以画出来.若能整明白这10行代码,就意味着叩开了NumPy的大门.请打开你的Python IDLE,跟随我的脚步,一起来体验一下交互式编程的乐趣吧,看看如何用NumPy画图,以及用NumPy可以画出什么

  • python扩展库numpy入门教程

    目录 一.numpy是什么? 二.numpy数组 2.1 数组使用 2.2 创建数组 1. 使用empty创建空数组 2. 使用arange函数创建 3. 使用zeros函数生成数组 4. ones函数生成数组 5. diag函数生成对角矩阵 6. N维数组 2.3 访问数组元素 三.了解矩阵 3.1 广播 一.numpy是什么? 扩展库numpy是Python支持科学计算的重要扩展库,是数据分析和科学计算领域如scipy.pandas.sklearn 等众多扩展库中的必备扩展库之一,提供了强大

  • python numpy库介绍

    目录 1.NumPy( Numeric Python) 2.numpy的引用 3.Ndarray 引入n维数组的意义 ndarray的组成 ndarray对象的属性 3.数据类型 ndarray数组的创建 adarray数组的变换 ndarray数组运算 4.索引与切片 5.随机数函数 6.统计函数 7.梯度函数 8.副本与视图 numpy线性代数 数组与标量之间的运算 常用numpy.linalg函数总结 1.NumPy( Numeric Python) numpy是一个开源的python科学

  • python数据分析Numpy库的常用操作

    numpy库的引入: import numpy as np 1.numpy对象基础属性的查询 lst = [[1, 2, 3], [4, 5, 6]] def numpy_type(): print(type(lst)) data = np.array(lst, dtype=np.float64) # array将数组转为numpy的数组 # bool,int,int8,int16,int32,int64,int128,uint8,uint32, # uint64,uint128,float16

  • Python数据分析之Matplotlib的常用操作总结

    目录 使用准备 1.简单的绘制图像 2.视图面板的常用操作 3.样式及各类常用修饰属性 4.legend图例的使用 5.添加文字等描述 6.不同类型图像的绘制 总结 使用准备 使用matplotlib需引入: import matplotlib.pyplot as plt 通常2会配合着numpy使用,numpy引入: import numpy as np 1.简单的绘制图像 def matplotlib_draw(): # 从-1到1生成100个点,包括最后一个点,默认为不包括最后一个点 x

  • python库sklearn常用操作

    目录 前言 一.MinMaxScaler 前言 sklearn是python的重要机器学习库,其中封装了大量的机器学习算法,如:分类.回归.降维以及聚类:还包含了监督学习.非监督学习.数据变换三大模块.sklearn拥有完善的文档,使得它具有了上手容易的优势:并它内置了大量的数据集,节省了获取和整理数据集的时间.因而,使其成为了广泛应用的重要的机器学习库. sklearn是一个无论对于机器学习还是深度学习都必不可少的重要的库,里面包含了关于机器学习的几乎所有需要的功能,因为sklearn库的内容

  • python pymysql库的常用操作

    批量插入 import pymysql def insert_to_mysql(to_db_list): mysql_db = pymysql.connect(host="HOST_IP", port=3306, user="username", password="password", database="db", charset="utf8") cursor = mysql_db.cursor() sq

  • Python数据分析Numpy中常用相关性函数

    目录 摘要: 一.股票相关性分析 二.多项式 三.求极值的知识 摘要: NumPy中包含大量的函数,这些函数的设计初衷是能更方便地使用,掌握解这些函数,可以提升自己的工作效率.这些函数包括数组元素的选取和多项式运算等.下面通过实例进行详细了解. 前述通过对某公司股票的收盘价的分析,了解了某些Numpy的一些函数.通常实际中,某公司的股价被另外一家公司的股价紧紧跟随,它们可能是同领域的竞争对手,也可能是同一公司下的不同的子公司.可能因两家公司经营的业务类型相同,面临同样的挑战,需要相同的原料和资源

  • Python数据分析 Numpy 的使用方法

    目录 简介 多维数组创建 数组的数据类型 数组维度 简介 使用 Python 进行数据分析时,比较常用的库有 Numpy.Pandas.Matplotlib,本篇文章就来说一下 Numpy 的使用方法,编辑器就使用上篇文章说过的 Jupyter. Numpy 是一个Python扩展库,专门做科学计算,也是大部分 Python 科学计算库的基础,Numpy 提供了多维数组对象 ndarray,它是一系列同类型数据的集合,可以进行索引.切片.迭代等操作. 我们可以使用以下命令进行安装: pip in

  • 浅谈numpy库的常用基本操作方法

    NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推.在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量.比如说,二维数组相当于是一个一维数组,而这个一维数组中每个元素又是一个一维数组.所以这个一维数组就是NumPy中的轴(axes),而轴的数量--秩,就是数组的维数. 1.创建矩阵 Numpy库中的矩阵模块为ndarray对象,有很多属性:T,data, dtype,flags,flat,imag,real,size, itemsiz

  • python使用NumPy文件的读写操作

    一.使用NumPy读写文本文件 在数据分析中,经常需要从文件中读取数据或将数据写入文件,常用的存储文件的格式有文本文件.CSV格式文件.二进制格式文件和多维数据文件等. 1.将1维或2维数组写入TXT文件或CSV格式文件 在NumPy中,使用savetxt()函数可以将1维或2维数组写入后缀名为txt或csv的文件.函数格式为: **numpy.savetxt(fname,array,fmt='%.18e',delimiter=None,newline='\n', header='', foot

  • python 的numpy库中的mean()函数用法介绍

    1. mean() 函数定义: numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue at 0x40b6a26c>)[source] Compute the arithmetic mean along the specified axis. Returns the average of the array elements. The average is taken over

  • Python的numpy库中将矩阵转换为列表等函数的方法

    这篇文章主要介绍Python的numpy库中的一些函数,做备份,以便查找. (1)将矩阵转换为列表的函数:numpy.matrix.tolist() 返回list列表 Examples >>> >>> x = np.matrix(np.arange(12).reshape((3,4))); x matrix([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> x.tolist() [[0, 1, 2

随机推荐