数据统计与分析-Numpy入门

I＇m happy2024-09-27 20:38

Numpy入门

新手建议使用pycharm当中的jupyter notebook模块

导包

python 复制代码 
import numpy as np
import pandas as pd
import os
os.chdir(r'D:\Workspace\Work-20\numpyProject') #做个演示,选择更改路径

1.演示Numpy的属性

演示

python 复制代码 
# 1. 创建1个 ndarray数组
arr = np.arange(15, dtype=np.int64).reshape((3, 5))  # 3行5列, 二维数组 = 3个一维数组拼接, 每个一维数组有5个元组.
# 2. 打印arr对象
arr
打印Numpy数据类型
python 复制代码 
打印arr的属性, 即: ndarray对象的属性.
print(f'arr的数据类型: {type(arr)}')  # <class 'numpy.ndarray'>
shape()形状维度
python 复制代码 
print(f'arr的形状(维度): {arr.shape}')  # (3, 5)
ndim() 轴
python 复制代码 
print(f'arr的轴: {arr.ndim}')  # 2, 几维数组, 轴就是几
dtype() 元素类型
python 复制代码 
print(f'arr的元素类型: {arr.dtype}')  # int
size()元素个数
python 复制代码 
print(f'arr的元素个数: {arr.size}')  # 15
itemsize()每个匀速所占大小
python 复制代码 
print(f'arr每个元素的大小: {arr.itemsize}')  # 4

2.创建Numpy对象

2.1数组方式创建,函数:arrray()

python 复制代码 
# 细节: 数组的元素类型要统一
# 1. 数组方式创建 ndarray对象(Numpy的核心对象, 即: n维数组)
arr1 = np.array([1, 2, 3])
print(f'arr的内容: {arr1}')
print(f'arr的类型: {type(arr1)}')
print(f'arr的元素类型: {arr1.dtype}')  # int32
python 复制代码 
# 2. 数组方式创建 ndarray对象(Numpy的核心对象, 即: n维数组)
arr2 = np.array([1.1, 2.3, 3.5])
print(f'arr2的内容: {arr2}')
print(f'arr2的类型: {type(arr2)}')
print(f'arr2的元素类型: {arr2.dtype}')  # float64

2.2创建空的ndarray对象

2.2.1 zeros()
python 复制代码 
# 细节:获取的元素类型都是: float64
# 1. 演示 zeros()函数, 创建1个全是0的ndarray对象.
arr3 = np.zeros((3, 5))  # 维度: 3行5列, 1个二维数组, 它有3个元素(每个都是1维数组), 且每个一维数组有5个元素.
print(f'arr3的内容: {arr3}')
print(f'arr3的类型: {type(arr3)}')
print(f'arr3的元素类型: {arr3.dtype}')  # float64
2.2.2 ones()
python 复制代码 
# 2. 演示 ones()函数, 创建1个 全是1的 ndarray对象.
arr4 = np.ones((2, 3))  # 维度: 2行3列, 1个二维数组, 它有2个元素(每个都是1维数组), 且每个一维数组有3个元素.
print(f'arr4的内容: {arr4}')
print(f'arr4的类型: {type(arr4)}')
print(f'arr4的元素类型: {arr4.dtype}')  # float64
2.2.3 empty()
python 复制代码 
# 3. 演示 empty()函数, 创建1个 内容随机且依赖内存状态的 ndarray对象.
arr5 = np.empty((2, 3))  # 维度: 2行3列, 1个二维数组, 它有2个元素(每个都是1维数组), 且每个一维数组有3个元素.
print(f'arr5的内容: {arr5}')
print(f'arr5的类型: {type(arr5)}')
print(f'arr5的元素类型: {arr5.dtype}')  # float64

2.3创建1个指定范围,步长的ndarray对象:arange()

python 复制代码 
# 1. 创建1个 指定范围,步长的 ndarray对象, arange()函数 类似于 Python中的 range()函数.
# 参1: 起始值(start), 参2: 结束值(不包括) stop,  参3: 步长, step.  参4: 数据类型, dtype
arr6 = np.arange(0, 10, 2, dtype=np.int64)
print(f'arr6的内容: {arr6}')
print(f'arr6的类型: {type(arr6)}')
print(f'arr6的元素类型: {arr6.dtype}')  # float64

2.4创建二维矩阵:matrix()

python 复制代码 
# 细节: mat() = matrix(), 效果一致.
# 1. 创建2维矩阵.
# arr7 = np.mat('1 2 3;4 5 6')
arr7 = np.matrix('1 2 3;4 5 6')
print(f'arr7的内容: {arr7}')
print(f'arr7的类型: {type(arr7)}')  # matrix类型是 ndarray类型的 子类型.
print(f'arr7的元素类型: {arr7.dtype}')  # float64
python 复制代码 
# 2. 创建2维矩阵.
arr8 = np.mat('1,2,3;4,5,6')
print(f'arr8的内容: {arr8}')
print(f'arr8的类型: {type(arr8)}')  # matrix类型是 ndarray类型的 子类型.
print(f'arr8的元素类型: {arr8.dtype}')  # float64
python 复制代码 
# 3. 创建2维矩阵.
arr9 = np.mat(([1, 2, 3], [4, 5, 6]))  # (第1个1维数组, 第2个一维数组...)
print(f'arr9的内容: {arr9}')
print(f'arr9的类型: {type(arr9)}')  # matrix类型是 ndarray类型的 子类型.
print(f'arr9的元素类型: {arr9.dtype}')  # float64

2.5创建随机的ndarray对象

2.5.1 random.rand():创建0.0 ~ 1.0区间的随机数.
python 复制代码 
# 1. random.rand()函数, 创建0.0 ~ 1.0区间的随机数.
arr10 = np.random.rand(3, 5)  # 3行5列
print(f'arr10的内容: {arr10}')
print(f'arr10的类型: {type(arr10)}')  # <class 'numpy.ndarray'>
print(f'arr10的元素类型: {arr10.dtype}')  # float64
2.5.2 random.randint():可以指定范围, 生成: 整数的随机数
python 复制代码 
# 2. random.randint()函数, 可以指定范围, 生成: 整数的随机数
arr11 = np.random.randint(1, 10, size=(3, 5))  # 3行5列
print(f'arr11的内容: {arr11}')
print(f'arr11的类型: {type(arr11)}')  # <class 'numpy.ndarray'>
print(f'arr11的元素类型: {arr11.dtype}')  # float64
2.5.3 random.unifom():可以指定范围, 生成: 小数的随机数
python 复制代码 
# 3. random.uniform()函数, 可以指定范围, 生成: 小数的随机数
arr12 = np.random.uniform(1, 10, size=(3, 5))  # 3行5列
print(f'arr12的内容: {arr12}')
print(f'arr12的类型: {type(arr12)}')  # <class 'numpy.ndarray'>
print(f'arr12的元素类型: {arr12.dtype}')  # float64

2.6类型转换

对象名.astype(np.类型)
python 复制代码 
# 1. 创建1个 ndarray对象, 元素类型为: float64
arr13 = np.zeros((3, 5), dtype=np.float64)
print(arr13)
print(arr13.dtype)  # float64
python 复制代码 
# 2. 把上述的 arr13 从 float64 => int32
arr14 = arr13.astype(np.int32)
print(arr14)
print(arr14.dtype)  # int32

2.7等差和等比数列

2.7.1等比数列
logspace(): 等比数列, 默认是: 10的幂, 且: 包左包右
python 复制代码 
# 1. logspace(): 等比数列, 默认是: 10的幂, 且: 包左包右
arr15 = np.logspace(1, 3, 5)  # 生成10 ^ 1 ~ 10 ^ 3之间, 5个元素
print(f'arr15的内容: {arr15}')
print(f'arr15的类型: {type(arr15)}')  # <class 'numpy.ndarray'>
print(f'arr15的元素类型: {arr15.dtype}')  # float64
logspace(): 等比数列, 默认是: 10的幂, 且: 包左包右, 指定底数.
base= 指定底数
python 复制代码 
# 2. logspace(): 等比数列, 默认是: 10的幂, 且: 包左包右, 指定底数.
arr15 = np.logspace(1, 3, 5, base=2)  # 生成2 ^ 1 ~ 2 ^ 3之间, 5个元素
print(f'arr15的内容: {arr15}')
print(f'arr15的类型: {type(arr15)}')  # <class 'numpy.ndarray'>
print(f'arr15的元素类型: {arr15.dtype}')  # float64
2.7.2等差数列
linspace默认包左包右, endpoint:默认是True既包括结束值
python 复制代码 
# 3. linspace(): 等差数列, 默认: 包左包右.
arr16 = np.linspace(1, 10, 5)  # 1 ~ 10之间的, 5个元素.
print(f'arr16的内容: {arr16}')
print(f'arr16的类型: {type(arr16)}')  # <class 'numpy.ndarray'>
print(f'arr16的元素类型: {arr16.dtype}')  # float64
python 复制代码 
# 4. linspace(): 等差数列, 默认: 包左包右.    endpoint: 默认是True(即: 包括结束值)
arr17 = np.linspace(1, 10, 5, endpoint=False)  # 1 ~ 10之间的, 5个元素.
print(f'arr17的内容: {arr17}')
print(f'arr17的类型: {type(arr17)}')  # <class 'numpy.ndarray'>
print(f'arr17的元素类型: {arr17.dtype}')  # float64

3.numpy的函数

3.1基本函数

python 复制代码 
# 1. 创建1个正太分布的 ndarray对象.
arr = np.random.randn(2, 3)
arr
ceil():向上最接近的整数
floor():向下最接近的整数
rint():四舍五入
isnan():判断元素是否为空
multiply():乘法运算
divide():除法运算
abs():绝对值
where(conditltion,x,y):类似于三元运算符.
python 复制代码 
#注意:要使用multiply与divide,两个ndarray进行运算shape必须一致.
print(np.ceil(arr))  # 向上取整, 天花板数.
print(np.floor(arr))  # 向下取整, 地板数.
print(np.rint(arr))  # 四舍五入
print(np.isnan(arr))  # 判断是否是: 空值.
print(np.abs(arr))  # 绝对值
print(np.multiply(arr, arr))  # 乘法运算. 
print(np.divide(arr, arr))  # 除法运算. 
print(np.where(arr > 0, 1, -1))  # 转换, 大于0的 => 1, 否则 => -1

3.2统计函数

python 复制代码 
# 1. 创建1个 ndarray对象.
arr = np.arange(12).reshape(3, 4)  # 3行4列, 二维数组
arr
python 复制代码 
# 2. 统计函数
print(np.sum(arr))  # 求和: 66
print(np.cumsum(arr))  # 求和: [ 0  1  3  6 10 15 21 28 36 45 55 66]
pytyhon 复制代码 
# 3. 按行或者列进行求和, axis=0 或者 1     0 => 按列计算,  1 => 按行计算
print(np.sum(arr, axis=0))  # [12 15 18 21]
print(np.sum(arr, axis=1))  # [ 6 22 38]

3.3判断相关

python 复制代码 
# 1. 创建1个 ndarray对象.
arr = np.random.randn(2, 3)
arr
python 复制代码 
# 2. 演示 any()函数: 任意1个值满足条件即可, 类似于Python中的 or
print(np.any(arr > 0))  # True
python 复制代码 
# 3. 演示 all()函数: 要求所有的元素都要满足, 类似于Python的and
print(np.all(arr > 0))  # False

3.4去重并排序

python 复制代码 
# 1. 创建1个 ndarray对象.
arr = np.array([[3, 2, 1, 2], [2, 6, 5, 5]])
print(arr)
python 复制代码 
# 2. 对上述的 ndarry去重
print(np.unique(arr))  # [1 2 3 5 6]

3.5去重并排序

python 复制代码 
# 1. 创建1个 ndarray对象.
arr = np.array([3, 1, 2, 5, 6])
print(f'排序前: {arr}')
python 复制代码 
# 2. 排序, 方式1: np.sort(arr) => 返回1个新的ndarray对象.
# np.sort(arr)
# print(f'排序后: {arr}')

new_arr = np.sort(arr)
print(f'排序后: {new_arr}')
python 复制代码 
# 3. 排序, 方式2: arr.sort() => 对自身进行排序.
arr.sort()
print(f'排序后: {arr}')

4.Numpy的运算

4.1基本运算 :元素个数相等
python 复制代码 
# 1. 创建两个 ndarray对象.
arr1 = np.array([10, 20, 30, 40])
arr2 = np.arange(4)
python 复制代码 
# 2. 打印上述的两个对象.
print(f'arr1: {arr1}')
print(f'arr2: {arr2}')
python 复制代码 
# 3. 基本运算, 并输出结果.
arr3 = arr1 - arr2
print(f'arr3: {arr3}')      # [10 19 28 37]
4.2矩阵运算
场景1: A的列数 = B的行数 且 A的列数 = B的列数
python 复制代码 
# 1. 创建两个 ndarray对象.
arr1 = np.array([[1, 2], [4, 5]])
arr2 = np.array([[1,3], [4, 6]])

# 2. 打印内容.
print(f'arr1: {arr1}')
print(f'arr2: {arr2}')
python 复制代码 
# 2. 矩阵运算, 场景1: A的列数 = B的行数  且 A的列数 = B的列数
# arr3 = arr1 * arr2
arr3 = np.multiply(arr1, arr2)
print(f'arr3: {arr3}')
场景2: A的列数 = B的行数 且 A的列数 != B的列数
python 复制代码 
# 3. 矩阵运算, 场景2: A的列数 = B的行数  且 A的列数 != B的列数
# 假设: A => 2行3列,    B => 3行2列  

# 3.1 创建两个ndarray对象.
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[1, 2], [4, 5], [-6, 7]])

# 3.2 打印内容
print(f'arr1: {arr1}')
print(f'arr2: {arr2}')
python 复制代码 
# 3.3 矩阵运算.
print(np.dot(arr1, arr2))
print(arr1.dot(arr2))       # [[-9, 33], [-12, 75]]
相关推荐
敲代码不忘补水3 天前
Python Matplotlib 数据可视化全面解析：选择它的七大理由与入门简介
开发语言·python·信息可视化·numpy·pandas·matplotlib
取个名字真难呐5 天前
2、PyTorch张量的运算API（上）
pytorch·python·numpy
敲代码不忘补水5 天前
pandas 机器学习数据预处理：从缺失值到特征切分的全面解析
人工智能·后端·python·机器学习·numpy·pandas·matplotlib
小青头10 天前
numpy学习笔记
笔记·学习·numpy
取个名字真难呐10 天前
矩阵乘法实现获取第i行，第j列值，矩阵大小不变
python·线性代数·矩阵·numpy
小锋学长生活大爆炸11 天前
【教程】Cupy、Numpy、Torch互相转换
pytorch·numpy·cupy
鱼灯几许12 天前
Python爬虫
爬虫·python·numpy
爱折腾的小码农13 天前
记一次宝塔centos出现Failed to start crond.service: Unit crond.service not found.解决
python·centos·numpy
正义的彬彬侠15 天前
XGBoost算法Python代码实现
python·决策树·机器学习·numpy·集成学习·boosting·xgboost
竹笋常青17 天前
《流星落凡尘》
django·numpy
热门推荐
01Docker 夺命连环 15 问02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07国内外大模型汇总：Open AI大模型、Google大模型、Microsoft大模型、文心一言大模型、通义千问大模型、字节豆包大模型、智普清言大模型08使用MaxKB添加本地部署的Ollama大语言模型搭建智能聊天系统09RAG 实践- Ollama+RagFlow 部署本地知识库10抖音的互联网架构