Python数据分析与展示(一)（基于北理MOOC）

NumPy库入门
Python数据分析与展示
.掌握表示、清洗、统计和展示数据的能力
1.1.1数据的维度
NumPy的主要对象是齐次多维数组。它是一个元素表（通常是数字），所有相同的类型，由正整数的元组索引。在NumPy维度被称为轴。轴的数量是等级。

例如，三维空间中一个点的坐标[1,2,1]是一个等级为1的数组，因为它具有一个坐标轴。该轴的长度为3.在下面的示例中，该数组具有等级2（它是二维的）。第一维（轴）的长度为2，第二维的长度为3。

[[ 1., 0., 0.],
 [ 0., 1., 2.]]

NumPy的数组类叫做ndarray。它也被别名数组所知 。请注意，numpy.array与标准Python库类array.array不一样，它只处理一维数组，并且提供较少的功能。ndarray对象的更重要的属性是：

实例：

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>

ndarray的元素类型(1)

ndarray的元素类型(2)

ndarray的元素类型(3)

实部(.real) + j虚部(.imag)

ndarray的元素类型

ndarray为什么要支持这么多种元素类型？

对比：Python语法仅支持整数、浮点数和复数3种类型
• 科学计算涉及数据较多，对存储和性能都有较高要求
• 对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
• 对元素类型精细定义，有助于程序员对程序规模有合理评估
非同质的ndarray对象

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

ndarray数组的创建
ndarray数组的创建方法
• 从Python中的列表、元组等类型创建ndarray数组
• 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
• 从字节流（raw bytes）中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组
（1）从Python中的列表、元组等类型创建ndarray数组

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

当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型

（2）使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
函数 说明

1. 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是元组类型
   np.zeros(shape) 根据shape生成一个全0数组，shape是元组类型
   np.full(shape,val) 根据shape生成一个数组，每个元素值都是val

   
   （2）使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
   
   （3）使用NumPy中其他函数创建ndarray数组