数据分析之表示(一)


活动地址:CSDN21天学习挑战赛

数据分析

  • 1.Numpy库入门
    • 1.1数据的维度
      • 1.1.1.一维数据
      • 1.1.2.二维数据
      • 1.1.3.多维数据
    • 1.2.Numpy的数组对象:ndarray
      • 1.2.1.Numpy
      • 1.2.2.Numpy的引用
      • 1.2.3.N维数组对象:ndarray
      • 1.2.4.ndarray对象的属性
      • 1.2.5.ndarray数组的元素类型
      • 1.2.6.ndarray数组的创建
      • 1.2.6.ndarray数组的变换

1.Numpy库入门

1.1数据的维度

3.14 一个数据表达一个含义。
3.1414 3.1215 3.265 3.1516 3.256 3.248一组数据表达一个或多个含义

维度:一组数据的组织形式.
数据分析之表示(一)_第1张图片

1.1.1.一维数据

一维数组由对等关系的有序或无序数据构成,采用线性方式组织,对应列表、数组和集合等概念。

列表和数组都是一组数据的有序结构。
区别:

列表:数据类型可以不同
数组:数据类型相同

数据分析之表示(一)_第2张图片

1.1.2.二维数据

二维数据由多个一维数据构成,是一维数据的组合形式
表格是典型的二维数据,其中,表头是二维数据的一部分。
数据分析之表示(一)_第3张图片

1.1.3.多维数据

多维数据由一维或二维数据在新维度上扩展形成。
数据维度的python表示:

一维数据:列表和集合类型,其中列表是有序的,集合是无序的。
二维数据:列表类型。
多维数据:列表类型。
高维数据:字典类型或数据表示格式

1.2.Numpy的数组对象:ndarray

1.2.1.Numpy

Numpy是一个开源的python科学计算基础库,包含:

  • 一个强大的N维数组对象ndarray
  • 广播功能函数
  • 整合c/c++/Fortran代码的工具
  • 线性代数、傅里叶变换、随机数生成等功能

Numpy是Scipy、Pandas等数据处理或科学计算库的基础

1.2.2.Numpy的引用

import numpy as np

其中as np 是引入模块的别名,尽管别名可以省略或更改,建议使用上述约定的别名。

1.2.3.N维数组对象:ndarray

python已有列表类型,为什么需要一个数组对象?
数据分析之表示(一)_第4张图片

  • 数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据
  • 设置专门的数组对象,经过优化,可以提升这类应用的运算速度 观察:科学计算中,一个维度所有数据的类型往往相同
  • 数组对象采用相同的数据类型,有助于节省运算和存储空间。

ndarray是一个多维数组对象,由两部分构成:

  • 实际的数据
  • 描述这些数据的元数据(数据维度、数据类型等)

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。

1.2.4.ndarray对象的属性

ndarray在程序中的别名是:array
np.array()生成一个ndarray数组
np.array()输出成[]形式,元素由空格分隔
轴(axis):保存数据的维度
秩(rank):轴的数量

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

1.2.5.ndarray数组的元素类型

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

ndarray为什么要支持这么多中元素类型?
对比:python语法仅支持整数、浮点数和复数3种类型

  • 科学计算设计数据较多,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。

1.2.6.ndarray数组的创建

  • 从Python中的列表、元组等类型创建ndarray数组
  • 使用Numpy中函数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
数据分析之表示(一)_第5张图片
(2) 使用Numpy中函数ndarray数组,如:arange,ones,zeros等

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) 跟据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
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

1.2.6.ndarray数组的变换

对于创建后的ndarray数组,可以对其进行维度变换和元素类型变换

a=np.ones((2,3,4),dtype=np.int32)

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,返回折叠后的一堆数组,原数组不变

数据分析之表示(一)_第6张图片

注意一点,转换后的什么(4,6)啥的乘积的出来的数据的数量要跟原来的数据数量相同。

你可能感兴趣的:(21天深度学习挑战,Numpy数据处理详解,数据分析,python,numpy)