【Python数据处理】-Numpy库

Python数据处理和常用库(如NumPy、Pandas) 1.创建数组:可以使用NumPy创建一维、二维或多维数组。2.数组操作:可以对数组进行索引、切片、重塑、合并等操作。3.数组操作:可以对数组进行索引、切片、重塑、合并等操作。4.数组操作:可以对数组进行索引、切片、重塑、合并等操作。5.线性代数:NumPy提供了线性代数运算的函数,如矩阵乘法、求逆、求特征值等。Pandas是一个用于数据处理和分析的强大库。它提供了高效的数据结构和数据分析工具,如Series和DataFrame,可以轻松处理和分析结构化数据。 阅读详情

numpy

Numpy

  • import numpy as np
    
    # 创建矩阵
    np.mat(np.random.randint(100,200,50).reshape(10,5))
    
  • np.mat( np.arange(12).reshape(3,4) ) # 数组转矩阵
    

矩阵

  • 矩阵:二维数组
    • 特例
      • 向量:1xn或nx1的矩阵
      • 标量:1x1的矩阵
    • 特殊矩阵
      • 全0全1矩阵
      • 单位矩阵
    • 运算
      • 相加、减的两个矩阵
        • 必须有相同的行和列
        • 行和列对应元素相加减
      • 矩阵的乘法
        • mxp的矩阵 * pxn的矩阵 = mxn的矩阵
        • 矩阵*单位矩阵

数组

  • 运算
    • 加法
      *

ndarray数组的创建

创建含义
np.array(list/tuple,dtype=np.float32)列表、元组类型创建np.array([[1,2],[3,4],(5,6)])
np.arange(n)元素从0到n-1np.arange(10)
np.ones(shape)全1数组
shape是元组类型
np.ones((3,4))
np.ones((2,3,4))最外层有2个元素
每个元素有3个维度
每个维度下有4个元素
np.zeros(shape)全0数组np.zeros((3,4),dtype=np.int32)
np.full(shape,val)生成shape数组
每个元素值为val
np.full((2,2),‘a’)
np.eye(n)n*n单位矩阵
对角线为1
其余为0
np.eye(5)
  • 函数说明
    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1数组
    np.full_like(a,val)根据数组a的形状生成一个数组,每个元素值为val
  • 函数说明
    np.linspace()根据起止数据等间距地填充数据,形成数组
    np.concatenate()将2个或多个数组合并成一个新的数组
    • a = np.linspace(1,10,4) # [1,10]
      b = np.linspace(1,10,4,endpoint=False) # [1,10)
      
      np.concatenate((a,b))
      

ndarray数组的维度变换

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()将数组进行降维,返回折叠后的以为数组,原数组不变

属性

  • 轴,axis,保存数据的维度

  • 秩,rank,轴的数量

    a = np.array([[],[]])
    a.ndim # 秩、轴的数量或维度的数量
    
  • 属性说明
    .ndim秩,轴的数量或维度的数量
    .shape对于矩阵,n行m列
    .sizendarray对象元素的个数
    .dtypendarray对象的元素类型
    .itemsizendarray对象中每个元素的大小,字节为单位

ndarray的元素类型

数据类型说明
bool布尔类型
intc与C语言的int类型一致,int32或int64
intp用于索引的整数,int32或int64
int8字节长度的整数,取值:[-128,127]
int1616位长度的整数,取值:[-32768,32767]
int3232位长度的整数,取值:[-231, 231-1]
int6464位长度的整数,取值:[-263, 263-1]
uint88位无符号整数,取值:[0,255]
uint1616位无符号整数,取值:[0,65535]
uint3232位无符号整数,取值:[0,232-1]
uint6464位无符号整数,取值:[0,264-1]
float1616位版精度浮点数:1位符号位,5位指数,10位位数
float3232位版精度浮点数:1位符号位,8位指数,23位位数
float6464位版精度浮点数:1位符号位,11位指数,52位位数
complex64复数类型,实部和虚部都是32位浮点数
complex128复数类型,实部和虚部都是64位浮点数
  • 实部(.real)+j虚部(.imag)
  • 非同质的ndarray元素为对象类型(大规模数据处理,尽量避免使用非同质对象)
    • 非同质对象:元素1和元素2的够成数量不一
      • 元素1由3个元素构成,元素2由5个元素构成
      • 元素1和元素2组成的ndarray对象为非同质对象

ndarra数组的类型变换

  • new_a = a.astype(new_type)
  • astype()方法一定会创建新的数组(原始数据的一个拷贝),即使两个类型一致。

ndarray数组向列表的转换

  • ls = a.tolist()

  • a = np.full((2,3,5),25,dtype=np.int32)
    a.tolist()
    

运算

  • 数组与标量之间的运算

    • 作用于数组的每一个元素

    • a = np.arange(4).reshape(2,2)
      b = np.arange(4,0,-1).reshape(2,2)
      a * b # 按索引位置,对应相乘
      a.dot(b) # 矩阵乘法
      np.dot(a,b) # 矩阵乘法
      

Numpy一元函数unary ufunc

一元ufunc说明
np.abs()、np.fabs()计算整数、浮点数或复数的绝对值。
对于非复数值,可以使用更快的fabs
np.sqrt()计算各元素的平方根:arr ** 0.5
np.square()计算各元素的平方:arr ** 2
np.exp()计算各元素的指数ex
np.log()\np.log10\np.log2\np.log1p分别:自然对数(e为底数),底数为10的log,底数为2的log,log(1+x)
np.sign()计算各元素的正负号:1(正数),0(零),-1(负数)
np.ceil()向上取整
np.floor()向下取整
np.rint()四舍五入取整
np.modf()小数部分和正数部分以两个独立数组返回arr1,arr2 = np.modf(arr3)
np.isnan()返回一个布尔型数组:“哪些值是NaN"
np.isfinite()\np.isinf()返回布尔型数组:哪些元素是有穷的,哪些元素是无穷的
np.cos()\np.sin()\np.tan()普通型三角函数
np.cosh()\np.sinh()\np.tanh()双曲型三角函数
np.arccos()\np.arcsin()\np.arctan()反三角函数
np.arccosh()\np.arcsinh()\np.arctanh()反三角函数
np.logical_not()计算各元素not x的真值
相当于-arr

Numpy二元函数 binary ufunc

二元ufunc说明
np.add(arr1,arr2)将数组对应元素相加
np.subtract()从第一个数组中,减去第二个数组中的元素
np.multiply()数组元素相乘
np.divide()除法
np.floor_divide()向下圆整除法(丢弃余数)
np.power()对第一个数组中的元素A,根据第二个数组中相应元素B,计算AB
np.maximum()元素级的最大值计算
np.fmax()忽略NaN的,元素级的最大值计算
np.minimum()元素级的最小值计算
np.fmin()忽略NaN的,元素级的最小值计算
np.mod()元素级的求模计算(除法的余数)
np.copysign()将第二个数组中的值的符号赋值给第一个数组中的值
np.greater()执行元素级的比较>,产生布尔型数组
np.greater_equal()执行元素级的比较>=,产生布尔型数组
np.less()执行元素级的比较<,产生布尔型数组
np.less_equal()执行元素级的比较<=,产生布尔型数组
np.equal()执行元素级的比较==,产生布尔型数组
np.not_equal()执行元素级的比较!=,产生布尔型数组
np.logical_and()执行元素级的真值逻辑元素:& ,且
np.logical_or()执行元素级的真值逻辑元素:|,或
np.logical_xor执行元素级的真值逻辑元素:^,异或

矢量化三元表达式 np.where(arr1,第二个参数,第三个参数)

  • 第二个和第三个参数不必是数组,可以是标量值

  • 相当于x if condition else y的矢量化版本

  • np.where(arr1>0,1,-1)# 元素>0的返回1,否则返回-1
    
  • 类似于MySQL的控制流函数

  • select education,salary,case education
    		when '大专' then 1
    		when '本科' then 2
    		when '硕士' then 3
    		when '博士' then 4
    		else 0
    		end as tmp
    from demp_table;	
    
    
  • 相当于MySQL的三元表达式

  • select education,if(salary > 9,'优先','等待') as tmp
    from demp_talbe;
    
  • python的三元表达式结果1 if 表达式 else 结果2

  • a = 10
    b = 20
    r = a if a>b else b
    
  • python列表推倒时

  • list1 = [i*i for i in range(2,11,2)]#生成1~10之间的所有偶数
    

随机数组

函数说明
np.random.rand()均匀分布,[0,1),浮点数
np.random.randn(3,4,5)标准正态分布
均值:1
标准差0
np.random.randint(low,[high,shape])范围[low,high),随机整数
np.random.seed()随机数种子
函数说明
np.random.shuffle(a)根据数组a的第1轴(最外层维度)进行随排列,改变数组a
np.random.permutation(a)同上,不改变数组a
np.random.choice(a[,size,replace,p])从一维数组a中以概率p抽取元素
形成size形状新数组
replace表示是否可以重用元素
  • b = np.random.randint(100,200,(8,))
    np.random.choice(b,(3,2))
    np.random.choice(b,(3,2),replace=False) # 之前被选取元素不再被选取
    np.random.choice(b,(3,2),p = b/np.sum(b))
    
函数说明
np.random.uniform(low,high,size)均匀分布,
[low,high)
size形状
np.random.normal(loc,scale,size)正态分布,
loc均值,
scale标准差
np.random.poisson(lam,size)泊松分布
lam随机事件发生概率
size形状

统计函数

  • axis=None 是统计函数的标配参数
    • axis为整数、元组
函数说明
np.sum(a,axis=None)
a.sum(axis=None)
np.mean(a,axis=None)
a.mean(axis=None)
np.average(a,axis=None,weights=None)加权平均值
weights输入每个元素加权值
np.std(a,axis=None)
a.std(axis=None)
标准差
np.var(a,axis=None)
a.var(axis=None)
方差
函数说明
np.min(a)
np.max(a)
np.argmin(a)
a.argmin()
计算数组a中元素最小值的降一维后下标
np.argmax(a)
a.argmax()
扁平化后的下标
np.unravel_index根据shape将一维下标index转换成多维下标
np.ptp(a)最大值 - 最小值
np.median(a)中位数(中值)
  • 扁平化后的下标–重塑成多维下标

    np.unravel_index(np.argmax(b),b.shape)
    
梯度函数说明
np.gradient(f)计算数组f中元素的梯度,
当f为多维时,返回每个维度梯度
  • 梯度:连续值之间的变化率,即斜率
  • XY坐标轴连续是哪个X坐标对应的Y轴值:a,b,c,其中,b的梯度是:(c-a)/2
a.cumsum(0)列累加
a.cumprod(1)行累加

IO

Numpy便捷文件存取

  • np.save(fname, array) # 扩展名为.npy
    np.savez(fname, array) # 压缩扩展名为.npz
    
  • np.load(fname) # 以.npy为扩展名,压缩扩展名为.npz
    

By 儒冠多误身 2019/04/21

python数据处理库--numpy 之前在写python的数据处理库的安装教程时写过一点介绍。但是不是很详细,最近在整理复习,所以写篇博客整理下。 NumPy是Python科学计算的基础包,它提供: 快速高效的多维数组对象ndarray; 直接对数组执行数学运算及对数组执行元素级计算的函数; 线性代数运算、随机数生成; 将C、C++、Fortran代码集成到Python的工具等。 在进入正题之前,我们需要对python中... 阅读详情

相关推荐

Python中NumPy和Pandas是两个非常流行的数据处理和分析库

函数是Series和DataFrame对象的成员函数,它可以将一个函数应用于Series或DataFrame的每个元素或每一列。函数是DataFrame对象的成员函数,它可以将一个函数应用于DataFrame的每个元素。函数是Series对象的成员函数,它可以将一个函数应用于Series的每个元素。的函数,它可以在给定轴上对数组的每个元素应用指定的函数。函数会将指定的函数应用于数组的每个元素,并返回一个包含结果的新数组。函数和一个字典将Series中的每个元素进行映射,并将结果存储在名为。

TechCraze的博客 89

我的学习笔记-三元表达式

由三元运算符组成的式子我们称之为三元表达式 1. 语法结构 条件表达式  ?  表达式1  :  表达式2 2.执行思路 如果条件表达式结果为真,则返回表达式1的值,如果条件表达式的结果为假,则返回表达式2的值. 举例 var num = 10; var result = num > 5 ? '是的' : '不是...

m0_46512809的博客 403

【Python3深入浅出㊶】Python3中Numpy库:开启高效数据处理的大门

Numpy(Numerical Python)是 Python 的核心科学计算支持库,提供了快速、灵活、明确的数组,旨在简单、快速地处理向量、矩阵和多维数组。该库由 Travis Oliphant 等众多开发者共同开发,是一个开源项目,其源代码可以在 GitHub 上获取。

邓邓子的博客 1058

Numpy其他函数,三元表达式,unique

Numpy其他函数,三元表达式,unique

微笑一号的博客 2150

告别有线:用PVE直通无线网卡,打造一台真正的‘无线’Win10软路由/测试机

本文详细介绍了如何通过PVE直通无线网卡技术,构建全无线Win10软路由或测试机。从硬件选型、PVE环境配置到PCIe和USB双模直通技术,逐步指导实现Wi-Fi AP和蓝牙连接功能,为家庭实验室和小型办公环境提供灵活高效的网络解决方案。

weixin_28683689的博客 588

华为云CodeHub代码托管

什么是代码托管 代码托管(CodeHub)是面向软件开发者的基于Git的在线代码托管服务,是具备安全管控、成员/权限管理、分支保护/合并、在线编辑、统计服务等功能的云端代码仓库,旨在解决软件开发者在跨地域协同、多分支并发、代码版本管理、安全性等方面的问题。 代码托管具有以下特性 · 在线代码阅读、修改、提交,随时随地开发,不受地域限制。 · 在线分支管理,包含分支新建、切换、合并,实现多分支并行开发,效率高。 master分支:最为稳定,功能比较完整,随时可发布的代码。 develop分支:用于平时开

LUJINYUANA的博客 1万+

NumPy库基础

简单学习了一下NumPy库的基础知识,对数组的一些运算操作。 1.认识ndarray对象 2.数组运算方式 3.数组索引和切片 4.使用数组进行数据处理 1 """numpy库的基础""" 2 import numpy as np 3 data = np.arange(12).reshape(3, 4) # 创建一个3行4列的数组 4 5 print(data)...

weixin_30517001的博客 329

三极管特性曲线看不懂?手把手教你用Multisim仿真分析放大电路频率响应

本文针对模拟电路初学者,详细讲解如何利用Multisim软件进行电路仿真,将抽象的三极管特性曲线与放大电路频率响应分析变得直观可视。通过手把手教学,指导读者从导入三极管SPICE模型、仿真输出特性曲线,到分析动态工作点,最终使用波特图仪深入分析频率响应并进行补偿设计,有效帮助理解电路原理并指导实践调试。

weixin_29230059的博客 125

python数据分析numpy基础之where三元表达式的矢量化

python的numpy库的where()函数返回满足条件的索引值,或者返回满足条件和不满足条件的元素值。如果x和y没传,则返回满足条件condition的索引值组成的一维数组;如果x和y有传,则condition为True取x,condition为False取y。condition:必选,array_like,boolx,y:可选,array_likecondition为True,则从x取对应索引的元素,condition为False,则从y取对应索引的元素。

sinat_34735632的博客 652

EtherCAT丢包问题深度解析:从原理到实战排查指南

在工业自动化与运动控制领域,实时通讯网络的稳定性是系统可靠运行的基石。EtherCAT(以太网控制自动化技术)作为一种高性能工业以太网协议,其核心在于独特的“飞读飞写”机制和纳秒级的分布时钟同步,以实现多设备间的精准协同。然而,物理链路干扰、配置不当或硬件性能瓶颈都可能导致数据帧丢失,破坏时钟同步,进而引发伺服抖动、定位精度下降乃至生产线停机。本文聚焦于EtherCAT丢包这一典型故障,结合SSC(Slave Stack Code Tool)从站协议栈开发与实时系统调优等工程实践,系统阐述其成因、影响及一套

weixin_32050773的博客 346

SAP CEWB 高效批量调整工艺路线与BOM的实战指南

本文详细介绍了SAP CEWB工具在批量调整工艺路线与BOM中的高效应用。通过实战案例和操作指南,帮助制造业企业快速掌握批量修改技巧,显著提升工作效率,避免手工操作带来的错误和耗时。特别适合需要频繁更新工艺路线和BOM的企业用户。

weixin_42524708的博客 399

python数据分析——numpy库的常用函数及用法

一、numpy库的介绍 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。 NumPy 是一个运行速度非常快的数学库,主要用于数组计算,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 二、numpy库的应用 NumPy 通常与 SciPy(Scientific Python)和 Mat

weixin_55207753的博客 1万+

【PostgreSQL】PostgreSQL数据库函数比对模板(PG通用)

LOOKUP 函数从单行或单列区域 (区域:工作表上的两个或多个单元格。区域中的单元格可以相邻或不相邻。)或数组 (数组:用于建立可生成多个结果或可对在行和列中排列的一组参数进行运算的单个公式。数组区域共用一个公式;数组常量是用作参数的一组常量。LOOKUP 函数具有两种语法形式:向量形式和数组形式。vlookup查找匹配值超过255个字符显示#Value的解决办法。如果值为错误值 #N/A,则返回 TRUE。

tttzzzqqq2018的博客 1494

Python与科学计算库实验+科学计算与可视化-NumPy数据处理

Python与科学计算库实验+科学计算与可视化-NumPy数据处理 别问我为啥不能复制,哼,我懒癌犯了! 图片是不是大大小小的不整齐,嘿嘿嘿!!! 我就是记录一下打代码的日子而已,不是为了提供答案哦! 哎~,看累了,歇会吧。 下面的不是原创,来自菜鸟教程哦! numpy.sort() numpy.sort() 函数返回输入数组的排序副本。函数格式如下: numpy.sort(a, axis, kind, order) 参数说明: a: 要排序的数组 axis: 沿着它排序数组的轴,如果没有数组会被展开,

jxydwhb的博客 920

scratch绘制四个三角形 2024年6月中国电子学会 图形化编程 scratch编程等级考试二级真题和答案解析

​ scratch绘制四个三角形 一、题目要求 2024年6月电子学会图形化编程Scratch等级考试二级真题 1、准备工作 1.保留默认角色小猫; 2.添加背景Stars。 2、功能实现 1 .隐藏角色小猫,设置画笔裙始位置为(0,0),画笔颜色为黄色,画笔的粗细为5; 2. 点击绿旗,绘制如下图所示图形,三角形的边长为50。 二、案例分析 1、角色分析 角色:小猫 2、背景分析 背景:Stars背景 3、前期准备 1. 保留默认的小猫不变 ​

青少年编程学习指导 1721

OPC通信从入门到精通_1_OPC基础知识及简单C#程序编写(OPCDA,OPCUA简介;OPC通信数据流框架图;C#程序编写)

ModbusTCP通信是采用直接方式进行通信,用OPC的方式如何去做呢?PLC作为ModbusTCP服务器,用KepServer作为ModbusTCP客户端,同时作为OPC服务器,PC作为OPC客户端新建项目,加载dll库(利用COM技术写的)添加引用,查看到其中包含了众多方法其中OPCGroups继承于IOPCGroups接口。

分享学习成长历程,Winter is coming! 1万+

python基础代码库-Python基础数据处理库-NumPy

最近更新:2017-07-19NumPy是Python做数据处理的底层库,是高性能科学计算和数据分析的基础,比如著名的Python机器学习库SKlearn就需要NumPy的支持。掌握NumPy的基础数据处理能力是利用Python做数据运算及机器学习的基础。NumPy(或简称NP)的主要功能特性如下:具有数组(ndarray)能力,这是一个具有矢量算术运算和复杂广播的快速且节省空间的多维数组。用于对...

weixin_37988176的博客 331

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Python之Numpy库常用函数大全:助力高效数据处理

Python之Numpy库常用函数大全:助力高效数据处理 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在Python科学计算领域,Numpy库无疑是一款极为重要的基础工具。本文将为您介绍一款开源项目——Python之Numpy库常用函数大全(含注释),它为开发者提供了一个详尽的Numpy库常用函数列表,每个函数都附带详细注释,帮助您快速上手并精通Numpy库的使用。...

gitblog_06756的博客 321

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Python数据处理之Numpy库

Python数据处理

weixin_46287157的博客 1696

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Python 数据处理:NumPy库的使用

Python 数据处理:NumPy库。简介。ndarray,创建,数据类型,运算,索引,切片,切片索引,布尔型索引,花式索引,转置与轴对换。通用函数,指定输出,聚合,外积。数据处理,将条件逻辑表述为数组运算,数学和统计方法,用于布尔型数组的方法,排序,唯一化与集合逻辑。文件输入输出。线性代数。伪随机数生成。数组重塑,C和Fortran顺序,数组的拆分与合并,元素的重复:tile、repeat。广播,广播规则,通过广播设置数组的值。.........

小嗷犬的博客 1831

python数据处理numpy库学习笔记

python数据处理numpy库

m0_66501121的博客 673

Numpy —— 一个性能超强的数据处理 Python 库

在数据科学的海洋中,有一艘名为的战舰,它以数学运算的利刃、高效的矩阵处理能力,在科学计算的波涛中破浪前行。想象一下,当你站在数据分析的前沿,需要快速而精确地操作大规模数组时,Python 原生列表好似只是一把小木刀,在海量数据面前显得力不从心。而此时,Numpy 如同一柄钢铁长剑,助你横扫数据难题,轻松处理任意维度的数组。从简单的数组级运算到复杂的科学计算,从线性代数到傅里叶变换,Numpy 都能提供强大的支持,成为每一位数据科学家不可或缺的利器。

Trb701012的博客 645

python数据处理库numpy、pandas数组操作

1.numpy 1.1数组行列 import numpy as np data_np=np.array(data) data_col=data_np[:,2:] data_row=data_np[] 2.pandas 2.1数组行列 import pandas as pd data=pd.DataFrame(data) //#列:取数组中最后一列之前的数据到新数组中 data_c...

mixiaoxinmiss的博客 1284

python中数据处理相关库numpy的使用

NumPy是Python中用于科学计算的基础包。它提供了一个高效的多维数组对象以及用于数组操作的函数。以下是NumPy的一些基本使用方法和示例代码。1. 安装NumPy。

OHHHHH890的博客 1084

python 数据处理 库_Python基础数据处理库-NumPy

NumPy是Python做数据处理的底层库,是高性能科学计算和数据分析的基础,比如著名的Python机器学习库SKlearn就需要NumPy的支持。掌握NumPy的基础数据处理能力是利用Python做数据运算及机器学习的基础。NumPy(或简称NP)的主要功能特性如下:具有数组(ndarray)能力,这是一个具有矢量算术运算和复杂广播的快速且节省空间的多维数组。用于对整租数据进行快速运算的标准数学...

weixin_39647458的博客 290

NumPy,一个无敌的数据处理 Python 库!

它就像是 Python 世界里的瑞士军刀,特别擅长处理那些大规模的数值计算。搞数据分析的小伙伴们都知道,没有 NumPy 的日子简直不敢想象。NumPy 还有很多高级功能等着去发掘,建议多写代码多练习,慢慢就能体会到它的强大之处。代码写多了就会发现,NumPy 真的是数据处理的一把利器,用好了能省下不少写代码的时间。跟普通的 Python 列表不一样,NumPy 的数组是一个统一的数据类型,处理起来超级快。温馨提示:用广播时要注意数组的形状,不是所有形状的数组都能做广播运算。

biancheng_syz的博客 504
上一篇: 【Python数据分析专题】-数据探索分析
下一篇: 【Python数据处理专题】-pandas库
儒冠多误身
博客等级 码龄8年 12粉丝 24原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值