基于Python的大数据分析基础（一）---- NumPy
1.NumPy简介及其使用
- NumPy是一个功能强大的Python库，主要用于对多维数组执行计算,允许更高级的数据操作和数学计算。 它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。
- 机器学习模型：在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。
- 图像处理和计算机图形学：计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上，NumPy提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
- 数学任务：NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。
- Numpy安装：在shell上使用以下命令：
pip install numpy
2.Numpy基础知识
- NumPy的数组类被称为ndarray。别名为
array。 请注意，numpy.array与标准Python库类array.array不同，后者仅处理一维数组并提供较少的功能。ndarray对象则提供更关键的属性：- ndarray.ndim：数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
- ndarray.shape：数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有n行和m列的矩阵，shape将是(n,m)。因此，
shape元组的长度就是rank或维度的个数ndim。 - ndarray.size：数组元素的总数。这等于shape的元素的乘积。
- ndarray.dtype：一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
- ndarray.itemsize：数组中每个元素的字节大小。例如，元素为
float64类型的数组的itemsize为8（=64/8），而complex32类型的数组的itemsize为4（=32/8）。它等于ndarray.dtype.itemsize。 - ndarray.data：该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。
3.NumPy的使用及其方法
# -*- coding: utf-8 -*-
"""
Author : Jason
"""
__author__ = 'Jason'
'''
NumPy是Python的一个用于科学计算的基础包，属于Python的第三方库。
NumPy包的核心是ndarray对象。它封装了n维同类数组,特别注意这里的数组必须是同类型。
个人理解: 结合现代中的矩阵最好理解了
使用前先安装 pip3 install numpy
'''
import numpy as np
data1 = [1,2,3,4,5]
array1 = np.array(data1)
print(type(array1),"\n",array1)
'''
[1 2 3 4 5]
'''
data2 = [[1,2,3],[4,5,6]]
array2 = np.array(data2)
print(array2)
'''
[[1 2 3]
[4 5 6]]
'''
#查询内部元素类型
print(array1.dtype) # int32
print(array2.dtype) # int32
#转换数据类型
print(array1.astype("str")) # ['1' '2' '3' '4' '5']
print(array1.astype("str").dtype) # 参照:《基于Python的大数据分析基础及实战》