Python数据分析与展示（一）Numpy库入门

环境搭建

安装numpy、scipy、matplotlib、ipython、pandas等必要包

pip install numpy scipy matplotlib ipython jupyter pandas sympy nose

安装Spyder3

pip install spyder

或者直接安装集成环境anaconda

1、Numpy数组对象：ndarray

ndarray是一个多位数组对象，有两部分组成：

• 实际的数据
• 描述数据的元数据（数据维度、数据类型）

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始

轴（axis）：保存数据的维度，秩（rank）：轴的数量

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：[$$-32768,32767$$]
int 32	32位长度的整数，取值：[$$-2^{31},2^{31}-1$$]
int64	64位长度的整数，取值：[$$-2^{63},2^{63}-1$$]
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, $$2^{32}-1$$]
uint64	64位无符号整数，取值：[0, $$2^{64}-1$$]
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

ndarray数组可以由非同质对象构成
非同质ndarray元素为对象类型
非同质ndarray对象无法有效发挥Numpy优势，尽量避免使用

2、ndarray数组的创建和变换

ndarray数组的创建方法

从Python列表、元组等类型创建

x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)

使用Numpy函数创建

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
np.ones(shape)	根据shape生成一个全1数组，shape是元祖类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元祖类型
np.full(shape, val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.full_like(a, val)	根据数组a的形状生成一个数组，每个元素值都是val
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

ndarray数组的维度变换

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

3、ndarray数组的操作：索引和切片

索引：获取数组中特定位置元素
切片：获取数组元素子集

一维数组的索引和切片：与Python的列表类似

a = np.array([9, 8, 7, 6, 5])

#索引
a[2]

#切片
a[ 1: 4: 2 ] # 起始编号：终止编号（不含）：步长，三元素冒号分割

多维数组的索引

a = np.arange(24).reshape((2, 3, 4))

# 索引
a[1, 2, 3]

a[0, 1, 2]

a[-1, -2, -3]

#切片
a[:, 1, -3] # 选取一个维度用：

a[:, 1:3, :] # 每个维度切片方法与一维数组相同

a[:, :, ::2] # 每个维度可以使用步长跳跃切片

索引

切片

4、ndarray数组的运算

数组与标量之间的运算：作用于数组每一个元素

# 计算a与元素平均值的商
a = np.arange(24).reshape((2, 3, 4))
a = a / a.mean()

Numpy一元函数对ndarray中的数据执行元素级运算的函数

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.cell(x) np.floor(x)	计算数组各元素的celling值或floor值
np.rint(x)	计算数组各元素的四舍五入值
np.mod(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（-）

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
> < >= <= == !=	算数比较，产生布尔型数组

本文章总结于中国大学MOOC网的Python数据分析于展示课程，北京理工大学计算机学院的嵩天副教授讲授。
此总结在CSDN上分章发表，合集将会发布在我的博客上。