jupyter notebook多维数组运算_Part24:Python数据分析三剑客-Numpy(创建数组、切片、级联、统计函数)...

一、开发环境介绍
anaconda

• • 官网：https://www.anaconda.com/
  • 集成环境：集成好了数据分析和机器学习中所需要的全部环境
    • 注意：
      • 安装目录不可以有中文和特殊符号
• jupyter
  • jupyter就是anaconda提供的一个基于浏览器的可视化开发工具
• jupyter的基本使用
  • 启动：在终端中录入：jupyter notebook的指令，按下回车
  • 新建：
    • python3：anaconda中的一个源文件
    • cell有两种模式：
      • code：编写代码
      • markdown：编写笔记

jupyter快捷键：

• • • 添加cell：a或者b
    • 删除：x
    • 修改cell的模式：
      • m：修改成markdown模式
      • y：修改成code模式
    • 执行cell：
      • shift+enter
    • tab：自动补全
    • 代开帮助文档：shift+tab

二、数据分析三剑客

• numpy
• pandas(重点)
• matplotlib

1.numpy模块

• NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。

import numpy as np

2.numpy数组的创建

• 使用np.array()创建
• 使用plt创建
• 使用np的routines函数创建

(1)使用array()创建一个一维数组

arr = np.array([1,2,3,4,5])
arr

(2)使用array()创建一个多维数组

import numpy as np
b=np.array([[1,2,3],[4,5,6]])
b

数组和列表的区别是什么？

• 数组中存储的数据元素类型必须是统一类型,列表可以存储不同类型的元素
• 优先级：
  • 字符串 > 浮点型 > 整数

np.array([[1,2,3],[4,5.5,6]])

（3）plt:将外部的一张图片读取加载到numpy数组中，然后尝试改变数组元素的数值查看对原始图片的影响

import matplotlib.pyplot as plt
img_arr = plt.imread('./1.jpg')#将图片数据进行读取，返回的是一个三维的数组
img_arr

#将数组中的数据进行图像展示
plt.imshow(img_arr)

plt.imshow(img_arr-100)#将数组中的每一个数组元素都减去100

（4）其他创建数组的方式

• zero()
• ones()
• linespace()
• arange()
• random系列

np.ones(shape=(4,5))#只能创建元素为1的矩阵，可以是多维或者一维

np.linspace(0,100,num=20)#只能创建一维矩阵

np.arange(0,100,step=3)#只能创建一维的数组

np.random.randint(0,100,size=(3,4))#可以创建一维、二维或者多维矩阵

#固定随机性
np.random.seed(23)
np.random.randint(0,100,size=(3,4))

3.numpy属性

• shape
• ndim
• size
• dtype

img_arr.shape #形状
img_arr.ndim#维度
img_arr.size#返回元素个数
img_arr.dtype#数组元素类型
type(img_arr)

4.numpy的数据类型

• array(dtype=?):可以设定数据类型
• arr.dtype = '?':可以修改数据类型

#如何修改数组元素的数据类型
arr = np.array([1,2,3])
arr.dtype

arr.dtype = 'int8'
arr.dtype

5.Numpy的索引和切片操作（重点）

(1)索引操作和列表同理

#一维数组的索引
import numpy as np
b = np.arange(0, 8, 2)
print(b)
print(b[2])  # 输出第三个数

#二维数组的索引
a = np.array([[5, 2, 4, 6], [3, 4, 7, 5], [2, 2, 9, 5]])
print(a[1])  # 输出第二行
print(a[1][1])  # 输出第二行第二列的元素
print(a[1, 1])  # 同上
print(a[1, 0:2])  # 输出第二行第0-1位置即第1-2个元素

(2)切片操作

• • 切出前两列数据
  • 切出前两行数据
  • 切出前两行的前两列的数据
  • 数组数据翻转
  • 练习：将一张图片上下左右进行翻转操作
  • 练习：将图片进行指定区域的裁剪

np.random.seed(23)#固定随机数组的数值
arr = np.random.randint(0,100,size=(5,7))
arr

#切出数组的前两行
arr[0:2]

切出前两行

#切出数组的前两列
arr[:,0:2] #arr[行,列]

#前两行的前两列
arr[0:2,0:2]
#翻转所有列
arr[:,::-1]

#数组翻转所有行
arr[::-1,:]

#翻转所有行和列
arr[::-1,::-1]

练习1：把图片进行上下左右翻转

#将图片进行左右翻转
plt.imshow(img_arr[:,::-1,:])

#图片上下翻转
plt.imshow(img_arr[::-1,:,:])

练习2：从图中截取人物作为头像

#从图中截取人物作为头像,先确定行和列截取的范围
import matplotlib.pyplot as plt
head_arr = plt.imread('./head.jpg')
plt.imshow(head_arr)

plt.imshow(head_arr[30:500,70:420,:])

6.数组变形reshape

#二维数组变成一维数组，先建立一个二维数组
np.random.seed(12)
arr = np.random.randint(0,100,size=(3,4))
arr

#将二维数组变形成一维数组
arr_1 = arr.reshape((12,))
arr_1

arr_2=arr_1.reshape((2,6))

7.级联操作

- 将多个numpy数组进行横向或者纵向的拼接

• axis轴向的理解
  • 0:列
  • 1:行

np.concatenate((arr,arr),axis=0)#axis=0代表竖向（列）拼接，
=1是横向拼接（行）

np.concatenate((arr,arr),axis=1)

• 问题：
• 级联的两个数组维度一样，但是行列个数不一样会如何？

练习：实现图片的9宫格摆放

#拼接图片实现九宫格
pic=plt.imread('./head.jpg')
result=np.concatenate((pic,pic,pic),axis=0)
result2=np.concatenate((result,result,result),axis=1)
plt.imshow(result2)

8.常用的聚合操作

• sum,max,min,mean

import numpy as np
arr=np.array([[2,4,23],[63,48,12]])
print(arr)
print(arr.sum(axis=1))#axis=1表示对行求和
print(arr.sum(axis=0))#axis=0表示对列求和

arr.max(axis=0)#找到列的最大值
#其他函数同理

9.常用的数学函数

• NumPy 提供了标准的三角函数：sin()、cos()、tan()
• numpy.around(a,decimals) 函数返回指定数字的四舍五入值。
  • 参数说明：
    • a: 数组
    • decimals: 舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置

np.sin(arr)

np.around(arr,decimals=-2)

10.常用的统计函数

• numpy.amin() 和 numpy.amax()，用于计算数组中的元素沿指定轴的最小、最大值。
• numpy.ptp():计算数组中元素最大值与最小值的差（最大值 - 最小值）。
• numpy.median() 函数用于计算数组 a 中元素的中位数（中值）
• 标准差std():标准差是一组数据平均值分散程度的一种度量。
  • 公式：std = sqrt(mean((x - x.mean())**2))
  • 如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]，并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。
• 方差var()：统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x - x.mean())** 2)。换句话说，标准差是方差的平方根。

#标准差的计算
a = np.array([22,33,22,34,41,44])
a.std()

#方差的计算
a.var()