python数据分析-numpy相关操作复习5-6

关注

原创最新推荐文章于 2026-08-03 12:18:14 发布 203 阅读 AI 写同款· GEO 优化 ›

Python数据分析的详细指南（复习篇） Python最初被设计为一种通用的、解释型的高级编程语言，用于多种应用，包括网站开发、脚本编写、自动化运维等。然而，随着数据科学的兴起，Python逐渐在数据分析领域崭露头角。Pandas是一个开源的Python库，它提供了快速、灵活且富有表达力的数据结构，以便你能够轻松地进行数据清洗、转换、分析和可视化。1、Pandas支持多种数据格式的读取，如CSV、Excel、SQL、JSON等。2、数据清洗是数据分析中不可或缺的一步，Pandas提供了丰富的数据清洗功能，如缺失值处理、重复值处理、数据类型转换等。阅读详情

arr = np.random.randn(4,4)
print(arr)
#out<<
[[ 0.44329079  1.90028937 -1.10965935  0.00704608]
 [-0.11381241  0.42095381  1.11738858  0.53364408]
 [-0.85414205  0.55214384 -1.13165476 -0.91420894]
 [-0.53698224 -0.18174922 -1.04781079  0.45641734]]
 arr > 0
 #out<<
 array([[ True,  True, False,  True],
       [False,  True,  True,  True],
       [False,  True, False, False],
       [False, False, False,  True]])

print(np.where(arr > 0,1,-1))
#out<<
[[ 1  1 -1  1]
 [-1  1  1  1]
 [-1  1 -1 -1]
 [-1 -1 -1  1]]

6.数组高级操作

arr = np.arange(8)
print(arr.shape)
#out<<
(8,)

#使用reshape来改变tensor的形状
arr.reshape(2,4)
#out<<
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])

arr = np.arange(2*3).reshape(2,3)#可以用这种方法创建数组
print(arr)
#out<<
[[0 1 2]
 [3 4 5]]

#可以从其他的ndarray中获取shape信息然后reshape
other_arr = np.ones((3,5))
print(other_arr.shape)
#out<<
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

#高维数组可以用ravel来拉平
arr = arr.reshape(other_arr.shape)
print(arr)
#out<<
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
arr.ravel().shape
#out<<
(15,)
arr.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

#连接两个二维数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8, 9], [10, 11, 12]])
print(arr1, "\n\n", arr2)
#out<<
[[1 2 3]
 [4 5 6]] 

 [[ 7  8  9]
 [10 11 12]]

#增加行
np.concatenate([arr1,arr2],axis = 0)
#out<<
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
#增加列
np.concatenate([arr1,arr2],axis = 1)
#out<<
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

#堆叠vertical
np.vstack((arr1,arr2))
#out<<
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
#堆叠horizontal
np.hstack((arr1,arr2))
#out<<
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

#数组拆分
arr = np.arange(4*5).reshape(4,5)
print(arr)
#out<<
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]]
 #[1,2]意思为第一部分为[0,1）,第二部分为[1,2),第三部分为[2,3]
 first,second,third = np.spilt(arr,[1,2],axis = 0)
 print(first,'\n\n',second,'\n\n',third)
 #out<<
 [[0 1 2 3 4]] 

 [[5 6 7 8 9]] 

 [[10 11 12 13 14]
 [15 16 17 18 19]]
 print(np.split(arr,2,axis = 0))
 #out<<
 [array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]]), array([[10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])]
 print(np.array_split(arr,4,axis = 0))#注意区分array_split 与 spilt()
 #out<<
[array([[0, 1, 2, 3, 4]]), array([[5, 6, 7, 8, 9]]), array([[10, 11, 12, 13, 14]]), array([[15, 16, 17, 18, 19]])]
#np.split()与array_split()的差别：split必须要均等分，否则会报错。array_split不会

np.spilt()函数详细介绍
https://blog.youkuaiyun.com/mingyuli/article/details/81227629

#堆叠辅助
arr = np.arange(6)
arr1 = arr.reshape((3, 2))
arr2 = np.random.randn(3, 2)
print(arr1)
print(arr2)
#out<<
[[0 1]
 [2 3]
 [4 5]]
[[-1.38681179  0.92904795]
 [-1.22763355 -0.97994103]
 [-0.88051718  1.18033883]]
#r_ 用于按照行堆叠rows
print(np.r_[arr1,arr2])
#out<<
[[ 0.          1.        ]
 [ 2.          3.        ]
 [ 4.          5.        ]
 [-1.38681179  0.92904795]
 [-1.22763355 -0.97994103]
 [-0.88051718  1.18033883]]
 #c_用于按照列堆叠column
print(np.c_[np.r_[arr1, arr2], arr])
#out<<
[[ 0.          1.          0.        ]
 [ 2.          3.          1.        ]
 [ 4.          5.          2.        ]
 [-1.38681179  0.92904795  3.        ]
 [-1.22763355 -0.97994103  4.        ]
 [-0.88051718  1.18033883  5.        ]]

#切片直接转化为数组
np.c_[1:6,-5:0]
#out<<
array([[ 1, -5],
       [ 2, -4],
       [ 3, -3],
       [ 4, -2],
       [ 5, -1]])
np.r_[1:6,-5:0]
#out<<
array([ 1,  2,  3,  4,  5, -5, -4, -3, -2, -1])

#使用repeat来重复按元素重复
arr = np.arange(3)
print(arr)
#out<<
[0 1 2]
#每一个元素重复3次
print(arr.repeat(3))
#out<<
[0 0 0 1 1 1 2 2 2]
#指定行或列来重复
arr = np.arange(3*4).reshape(3,4)
print(arr)
#out<<
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
 #重复行
 print(np.repeat(2,axis = 0))
 #out<<
 [[ 0  1  2  3]
 [ 0  1  2  3]
 [ 4  5  6  7]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [ 8  9 10 11]]
 print(arr.repeat(2,axis = 1))#每一列重复
 #out<<
 [[ 0  0  1  1  2  2  3  3]
 [ 4  4  5  5  6  6  7  7]
 [ 8  8  9  9 10 10 11 11]]

np.tile()
#按照要求复制整个矩阵
print(arr)
print()
print(np.tile(arr,2))#左—>右
#out<<
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

[[ 0  1  2  3  0  1  2  3]
 [ 4  5  6  7  4  5  6  7]
 [ 8  9 10 11  8  9 10 11]]
#print(np.tile(arr, (0,2)))#上——下
#print(np.tile(arr, (2,2)))#上下 左右