《利用pyhton進(jìn)行數(shù)據(jù)分析》筆記-Numpy(一)

用python進(jìn)行數(shù)據(jù)分析， 一般都離不開(kāi)兩個(gè)庫(kù)：Numpy 和 pandas。這本書之前刷過(guò)一半， 太久沒(méi)看， 細(xì)節(jié)忘卻，這次重拾， 順便記錄之。
前言
  1. NumPy本身并沒(méi)有提供那么多高級(jí)的數(shù)據(jù)分析的功能，但理解Numpy數(shù)數(shù)組結(jié)構(gòu)，能更好的理解以及以及運(yùn)用Pandas，所以， 還是從Numpy開(kāi)始搞起，等學(xué)起pandas還是能省不少力的。
  2. ndarray:Numpy中的多維數(shù)組隊(duì)對(duì)象(可類比與矩陣)，用numpy操作數(shù)據(jù)的時(shí)候， 基本上也是操作ndarry。其中的運(yùn)算也跟高數(shù)中的矩陣非常像，ndarry是一個(gè)通用的同構(gòu)數(shù)據(jù)多維容器， 其中的所有的元素必須是相同的類型，所有的元素必須是相同的類型，所有的元素必須是相同的類型(重說(shuō)三)。
  3. 慣例中引入numpy的方法： import numpy as np ，建議大家養(yǎng)成這個(gè)習(xí)慣， 因?yàn)榛径际沁@么做的。
  4. 先來(lái)明確一下ndarray 、array和矩陣：首先ndarray即數(shù)組。np.array只是numpy一個(gè)便捷的函數(shù)，用來(lái)創(chuàng)建一個(gè)ndarray。矩陣是線性代數(shù)中的概念， 其中的元素必須是數(shù)字，而ndarray中的的元素可以為字符串。
  5. 以下的操作均在 jupyter中進(jìn)行，以后的文章也是。

1.創(chuàng)建一個(gè)ndarrynp.aarray 

import numpy as np 
# 創(chuàng)建ndarray
# 1.list轉(zhuǎn)換
temp_list = [1,2,3]
np.array(temp_list)  # 返回一維  array([1, 2, 3])

temp_list2 = [[1,2,3],[4,5,6]]
np.array(temp_list2) # 返回ndarray  array([[1, 2, 3], [4, 5, 6]])


np.array2string(np.array(temp_list)) # 轉(zhuǎn)換成字符串  返回值  '[1 2 3]'

#2.直接生成
# 創(chuàng)建全0的ndarray
np.zeros(10) # 返回值   array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

np.zeros((3,6)) # 接收的(3,6)為array的形狀   返回值  array([[0., 0., 0., 0., 0., 0.],
#                                                       [0., 0., 0., 0., 0., 0.],
#                                                       [0., 0., 0., 0., 0., 0.]])


np.zeros_like(np.array([1,2,3]))  # 返回形狀相同的全0數(shù)組，array([0, 0, 0])


# 創(chuàng)建隨機(jī)的ndarray， array數(shù)據(jù)是一些未初始化的垃圾值。
np.empty((2,1)) # 返回值  array([[ 1.49166815e-154], [-2.00390439e+000]])
  
# 類似range， 返回的是
np.arange(5) # 返回值 array([0, 1, 2, 3, 4])


# 創(chuàng)建全1的ndarray
np.ones(3) #返回值  array([1., 1., 1.])
np.ones((2,3))  # 接收的(2，3)為array的形狀，返回值  array([[1., 1., 1.], [1., 1., 1.]])

np.ones_like(np.array([1,2,3]))  # 返回形狀相同的全1數(shù)組，array([1, 1, 1])


# 創(chuàng)建N*N的ndarray
np.eye(3)  # 創(chuàng)建3*3正方形矩陣，對(duì)角線為1，其余為0.的array。   array([[1., 0., 0.],
#                                                             [0., 1., 0.],
#                                                                [0., 0., 1.]])

np.identity(3)  # 同 eye.  array([[1., 0., 0.],
#                                 [0., 1., 0.],
#                                 [0., 0., 1.]])

 # 從字符串中獲取
temp_str = '1,2,3,4'
np.fromstring(temp_str,sep=',')  # 返回值：array([1., 2., 3., 4.])

2.ndarray的結(jié)構(gòu)軸(axes)和秩(rank)

軸：每一個(gè)線性的數(shù)組稱為是一個(gè)軸，也就是維度（dimensions)。
秩：維數(shù)，一維數(shù)組的秩為1，二維數(shù)組的秩為2，以此類推。即軸的個(gè)數(shù)。

temp_array = np.eye(5) # 創(chuàng)建一個(gè)5*5的數(shù)組
temp_array.shape  # 顯示數(shù)組在每個(gè)維度上的大小，返回值一個(gè)元組(5,5)  即5行5列的2維數(shù)組。
temp_array.ndim #顯示數(shù)組的秩， 返回值為2， 即  len(temp_array.shape)

# 三維數(shù)組
temp_list3 = [[[1,2,3],[3,4,5]],
               [[5,6,7], [7,8,9]]]
                
temp_array3 = np.array(temp_list3)

temp_array3.shape  # 顯示數(shù)組在每個(gè)維度上的大小，返回值是 (2, 2, 3)，即結(jié)構(gòu)為2*2*3的3維數(shù)組
temp_array3.ndim # 返回3， 即秩為3
temp_array3[1]    # 返回下標(biāo)為1的元素， 即[[5 6 7]， [7 8 9]]

3.ndarry的數(shù)據(jù)類型dtype

dtype(數(shù)據(jù)類型)是一種特殊的對(duì)象， 它含有ndarry將一塊內(nèi)存解釋為特定的數(shù)據(jù)類型所需的信息。dtype是Numpy如此強(qiáng)大和靈活的原因之一。
來(lái)自圖書作者的提示:記不住這些NumPy的dtype也沒(méi)關(guān)系。 通常只需知道你所處理的數(shù)據(jù)的大致類型是：浮點(diǎn)數(shù)、復(fù)數(shù)、整數(shù)、布爾值、字符串，還是普通的Python對(duì)象即可。當(dāng)你需要控制數(shù)據(jù)在內(nèi)存和磁盤中的存儲(chǔ)方式時(shí)(尤其是對(duì)大數(shù)據(jù)集)，那就得了解如何控制存儲(chǔ)的類型。

#np.array默認(rèn)的類型
temp_list = ['1','2','3']
temp_array = np.array(temp_list)
temp_array.dtype #dtype('<U1')

temp_list2 = [1,2,3,4]
temp_array2 = np.array(temp_list2)
temp_array2.dtype #dtype('int64')

temp_list3 = [1.,2.,3.]
temp_array3 = np.array(temp_list3)
temp_array3.dtype #dtype('float64')

temp_list4 = [True, False]
temp_array4 = np.array(temp_list4)
temp_array4.dtype # dtype('bool')

temp_list5= ['董小賤','小菜雞']
temp_array5 = np.array(temp_list5)
temp_array5.dtype # dtype('<U3')

temp_list6 = ['a','b','c']
temp_list6 = np.array(temp_list6)
temp_list6.dtype # dtype('<U1')

temp_list7 = [-1,0,-3]
temp_list7 = np.array(temp_list7)
temp_list7.dtype # dtype('int64')

#創(chuàng)建指定類型的ndarray
temp_list8 = [1,2,3,4]
temp8 = np.array(temp_list8) # 默認(rèn)類型
temp8.dtype #dtype('int64')  temp8的值為 array([1, 2, 3, 4])


temp_array8 = np.array(temp_list8, dtype=np.int32)
temp_array8.dtype #dtype('int32') temp_array8的值為 array([1, 2, 3, 4], dtype=int32)

temp_array9 = np.array(temp_list8, dtype=np.float32)
temp_array9.dtype #dtype('int32')   temp_array9的值為：array([1., 2., 3., 4.], dtype=float32)


temp_array10 = np.array(temp_list8, dtype=np.uint8)
temp_array10.dtype #dtype('uint8')  temp_array10 的值為    array([1, 2, 3, 4], dtype=uint8)
numpy中的數(shù)據(jù)類型(也可參考《利用python進(jìn)行數(shù)據(jù)分析》)
數(shù)據(jù)類型.png
numpy中的類型轉(zhuǎn)換astype 
# 數(shù)據(jù)類型轉(zhuǎn)換
temp_list11 = [1,2,3,4]
temp_array11 = np.array(temp_list11)
temp_array11.dtype #dtype('int64')

temp_array12 = temp_array11.astype(np.float64) #這里是返回一個(gè)新的數(shù)組， 而不是改變舊的數(shù)組 array([1., 2., 3., 4.])
temp_array11.dtype #dtype('int64')
temp_array12.dtype #dtype('float64')

temp_list13 = [1.1,2.2,3.1]
temp_list13 = np.array(temp_list13)
temp_list13.astype(int) #  array([1, 2, 3])   dtype類型為 dtype('int64')
 注：如果astype的參數(shù)寫int，float， 將會(huì)使用默認(rèn)的int64， 以及float64類型， 建議使用np.int64這種方式， 一目了然。

# 另類操作，直接給數(shù)組的dtype賦值，原始數(shù)據(jù)直接改變， 一般不會(huì)使用這種方式，改變dtype類型，還是使用astype
temp_list13 = [1.1,2.2,3.1]
temp_list13 = np.array(temp_list13)
temp_list13 #array([1.1, 2.2, 3.1])
temp_list13.dtype='int64'
temp_list13 # array([4607632778762754458, 4612136378390124954, 4614162998222441677])

temp_list13.dtype = 'int32'
temp_list13 # array([-1717986918,  1072798105, -1717986918,  1073846681,  -858993459,1074318540], dtype=int32)

4.數(shù)組標(biāo)量之間的運(yùn)算(可類比于矩陣的運(yùn)算法則，請(qǐng)注意區(qū)別)

標(biāo)量：只有大小，沒(méi)有方向，即一個(gè)數(shù)字。
矢量：有大小，有方向，比如數(shù)組。
數(shù)組可以不用編寫循環(huán)即可對(duì)數(shù)據(jù)進(jìn)行批量運(yùn)算，這通常叫作矢量化。大小相等的數(shù)組之間的任何算數(shù)運(yùn)算都將會(huì)應(yīng)用的元素級(jí)。

temp_list = [1,2,3,4,5,6]
temp_array = np.array(temp_list)

temp_list2 = [6,5,4,3,2,1]
temp_array2 = np.array(temp_list2)

temp_array * temp_array2 #返回值： array([ 6, 10, 12, 12, 10,  6])

temp_list2 + temp_array #返回值 array([7, 7, 7, 7, 7, 7])

temp_list2 - temp_array #array([ 5,  3,  1, -1, -3, -5])

temp_list2 / temp_array #array([6.        , 2.5       , 1.33333333, 0.75      , 0.4       ,
#                               0.16666667])



#數(shù)組*標(biāo)量  
temp_array2 * 3 # 返回值 array([18, 15, 12,  9,  6,  3])



# 多維數(shù)組
temp_array3 = np.eye(6)


temp_array3*3

# array([[3., 0., 0., 0., 0., 0.],
#        [0., 3., 0., 0., 0., 0.],
#        [0., 0., 3., 0., 0., 0.],
#        [0., 0., 0., 3., 0., 0.],
#        [0., 0., 0., 0., 3., 0.],
#        [0., 0., 0., 0., 0., 3.]])

temp_array * temp_array3
# array([[1., 0., 0., 0., 0., 0.],
#        [0., 2., 0., 0., 0., 0.],
#        [0., 0., 3., 0., 0., 0.],
#        [0., 0., 0., 4., 0., 0.],
#        [0., 0., 0., 0., 5., 0.],
#        [0., 0., 0., 0., 0., 6.]])

temp_array3 * temp_array  
# array([[1., 0., 0., 0., 0., 0.],
#        [0., 2., 0., 0., 0., 0.],
#        [0., 0., 3., 0., 0., 0.],
#        [0., 0., 0., 4., 0., 0.],
#        [0., 0., 0., 0., 5., 0.],
#        [0., 0., 0., 0., 0., 6.]])


temp_array3 / temp_array
# array([[1., 0., 0. , 0., 0. ,0.],
#         
#        [0.        , 0.5       , 0.        , 0.        , 0.        , 0.        ],      
#        [0.        , 0.        , 0.33333333, 0.        , 0.        , 0.        ],
#        [0.        , 0.        , 0.        , 0.25      , 0.        ,  0.       ],
#        [0.        , 0.        , 0.        , 0.        , 0.2       , 0.        ],
#        [0.         , 0.        , 0.        , 0.        , 0.        , 0.16666667]])


temp_array3 - temp_array
# array([[ 0., -2., -3., -4., -5., -6.],
#        [-1., -1., -3., -4., -5., -6.],
#        [-1., -2., -2., -4., -5., -6.],
#        [-1., -2., -3., -3., -5., -6.],
#        [-1., -2., -3., -4., -4., -6.],
#        [-1., -2., -3., -4., -5., -5.]])


temp_array3 + temp_array
# array([[2., 2., 3., 4., 5., 6.],
#        [1., 3., 3., 4., 5., 6.],
#        [1., 2., 4., 4., 5., 6.],
#        [1., 2., 3., 5., 5., 6.],
#        [1., 2., 3., 4., 6., 6.],
#        [1., 2., 3., 4., 5., 7.]])

temp_array + temp_array3
# array([[2., 2., 3., 4., 5., 6.],
#        [1., 3., 3., 4., 5., 6.],
#        [1., 2., 4., 4., 5., 6.],
#        [1., 2., 3., 5., 5., 6.],
#        [1., 2., 3., 4., 6., 6.],
#        [1., 2., 3., 4., 5., 7.]])



# (2,3) * (3,2) 的類型  numpy中無(wú)法進(jìn)行操作，矩陣中可以進(jìn)行運(yùn)算
temp_list5 = [[1,2,3],[3,4,5]]
temp_array5 = np.array(temp_list5) # temp_array5 的形狀 (2, 3)

temp_list6 = [[1,2],[3,4],[5,6]]
temp_array6 = np.array(temp_list6) # temp_array6 的形狀(3, 2)

temp_array5 * temp_array6 # 報(bào)錯(cuò) ValueError: operands could not be     broadcast together with shapes (2,3) (3,2) 

# 注： 不同大小的數(shù)組之間的運(yùn)算叫作廣播，稍后介紹。

總注：本次筆記記錄到此，以上內(nèi)容大多參考于《利用python進(jìn)行數(shù)據(jù)處理》,內(nèi)容上也多有引用。因小賤在實(shí)際工作中實(shí)際應(yīng)用中用到的并不多，還請(qǐng)讀者老爺發(fā)現(xiàn)問(wèn)題多多指教，在此不勝感激！

本人水平有限， 如有錯(cuò)誤歡迎提出指正！如有參考， 請(qǐng)注明出處??！禁止抄襲，遇抄必肛?。?！

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡(jiǎn)書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容