【数据分析之道-NumPy(一)】数据类型与属性

专栏导读

✍ 作者简介：i阿极，CSDN Python领域新星创作者，专注于分享python领域知识。

✍ 本文录入于《数据分析之道》，本专栏针对大学生、初级数据分析工程师精心打造，对python基础知识点逐一击破，不断学习，提升自我。
✍ 订阅后，可以阅读《数据分析之道》中全部文章内容，包含python基础语法、数据结构和文件操作，科学计算，实现文件内容操作，实现数据可视化等等。
✍ 还可以订阅进阶篇《数据分析之术》，其包含数据分析方法论、数据挖掘算法原理、业务分析实战。
✍ 其他专栏：《数据分析案例》 ，《机器学习案例》

1、numpy简介

NumPy是一个Python的第三方库，它是Numerical Python的缩写。NumPy主要用于科学计算、数据分析和机器学习等领域，提供了高效的多维数组对象和各种用于数组计算的函数。

NumPy的主要特点包括：

• Numpy数组是多维数组，可以表示矩阵、向量等数据结构，且它们的元素都是同一类型的。

• Numpy数组比Python内置的列表（list）要快很多，因为NumPy数组中的数据是连续存储的，而列表中的数据是分散存储的。

• NumPy支持广播（broadcasting）功能，可以进行各种数组之间的运算。

• NumPy提供了大量的数学、逻辑、傅里叶变换、随机数生成等函数，可以方便地进行各种科学计算和数据分析。

• NumPy可以与其他Python库（如Matplotlib、SciPy等）配合使用，实现更加复杂的科学计算和数据分析功能。

2、numpy应用

NumPy在科学计算、数据分析和机器学习等领域有广泛的应用。下面是一些常见的应用场景：

• 数学和统计学计算：NumPy提供了丰富的数学和统计学函数，可以进行各种复杂的数值计算，如矩阵运算、线性代数、随机数生成、傅里叶变换等。

• 数据分析：NumPy数组提供了快速、高效的数据存储和处理方式，可以方便地进行数据分析和数据可视化，如数据清洗、数据切片、数据聚合等。
  

• 机器学习：NumPy是许多机器学习算法的核心库，提供了高效的矩阵运算和广播功能，可以方便地进行各种线性代数和数值计算，如逻辑回归、神经网络、卷积神经网络等。
  

• 图像处理和计算机视觉：NumPy提供了高效的多维数组和广播功能，可以方便地进行图像处理和计算机视觉任务，如图像转换、边缘检测、目标检测等。

• 自然语言处理：NumPy提供了高效的矩阵运算和广播功能，可以方便地进行自然语言处理任务，如文本分类、情感分析、机器翻译等。

• 数字信号处理：NumPy提供了高效的傅里叶变换函数和各种滤波器函数，可以方便地进行数字信号处理任务，如音频信号处理、图像处理等。

3、numpy 数据类型

NumPy数组有自己的数据类型，与Python内置的数据类型不同。NumPy提供的数据类型包括布尔型、整型、浮点型、复数型等。常用的数据类型如下表所示：

数据类型	描述
bool	存储True或False的布尔型数据类型
int8	8位整型，取值范围为-128到127
int16	16位整型，取值范围为-32768到32767
int32	32位整型，取值范围为-231到231-1
int64	64位整型，取值范围为-263到263-1
uint8	8位无符号整型，取值范围为0到255
uint16	16位无符号整型，取值范围为0到65535
uint32	32位无符号整型，取值范围为0到2^32-1
uint64	64位无符号整型，取值范围为0到2^64-1
float16	16位半精度浮点型
float32	32位单精度浮点型
float64	64位双精度浮点型
complex64	由两个32位浮点型组成的复数类型，分别表示实部和虚部
complex128	由两个64位浮点型组成的复数类型，分别表示实部和虚部

4、numpy属性

NumPy数组的属性包括：ndim（数组的维度数）、shape（数组的形状，即每个维度的元素个数）、size（数组的总元素个数）、dtype（数组的数据类型）、itemsize（数组中每个元素占用的字节数）等。

下面是一些示例代码，演示了如何使用NumPy数组的属性：

import numpy as np

# 创建一个3x3的二维数组
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 输出数组的形状、维度数、总元素个数、数据类型和每个元素占用的字节数
print("数组形状：", a.shape)
print("数组维度数：", a.ndim)
print("数组总元素个数：", a.size)
print("数组数据类型：", a.dtype)
print("每个元素占用的字节数：", a.itemsize)

在上面的示例中，我们首先使用np.array函数创建了一个3x3的二维数组a，然后使用数组的属性输出了数组的形状、维度数、总元素个数、数据类型和每个元素占用的字节数。

除了上面提到的属性之外，NumPy数组还具有一些其他的有用属性和方法。下面是一些常用的属性和方法：
T属性：用于将数组进行转置。

import numpy as np

# 创建一个3x3的二维数组
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 输出原始数组和转置后的数组
print("原始数组：\n", a)
print("转置后的数组：\n", a.T)

reshape方法：用于改变数组的形状。

import numpy as np

# 创建一个3x3的二维数组
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 将数组转换为1行9列的一维数组
b = a.reshape(1, 9)

# 输出原始数组和转换后的数组
print("原始数组：\n", a)
print("转换后的数组：\n", b)

flatten方法：用于将多维数组转换为一维数组。

import numpy as np

# 创建一个3x3的二维数组
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 将数组转换为一维数组
b = a.flatten()

# 输出原始数组和转换后的数组
print("原始数组：\n", a)
print("转换后的数组：\n", b)

文章下方有交流学习区！一起学习进步！
首发CSDN博客，创作不易，如果觉得文章不错，可以点赞收藏评论
你的支持和鼓励是我创作的动力❗❗❗