数据分析之numpy常用知识点、难点梳理

人工智能之数据分析 numpy:第九章 数组运算(二) NumPy 提供了丰富的​数学与统计函数​,覆盖三角、指数对数、舍入、向量运算、概率统计等多个领域。这些函数都是​通用函数(ufunc)​,支持​向量化操作​,可直接作用于整个数组,无需循环。本文紧接上一章系统梳理 NumPy 中常用的数学与统计函数。类别常用函数三角sincostanarcsindeg2rad指数对数exploglog10log1p舍入roundfloorceiltrunc向量dotnormcrossouter统计meanstdmedianpercentileunique。 阅读详情
一、与random有关的一些函数的区别,首先导入numpy
	import numpy as np
  1. np.random.randint(low, high=None, size=None, dtype=‘l’)
    从low到high的范围随机取整数填充多维数组, size用于指定数组的形状,dtype默认为长整型
  2. np.random.random(size=None)
    函数随机生成0到1的随机数 [0,1) 填充数组,size指定多维数组的形状
  3. np.random.randn(d0, d1, …, dn)
    产生以0为中心 方差为1 的 标准正太分布 的随机数 填充数组, 传入几个参数,就创建几维数组
  4. np.random.normal(loc=0.0, scale=1.0, size=None)
    normal是可以指定中心和方差的一般正态分布
    loc 指明 正态分布的中心
    scale 指明正态分布的变化范围
  5. np.arange([start, ]stop, [step, ]dtype=None)
    从start,到end,每隔step取一个值,放入数组
    step为几就隔几个取一个值,默认为1
    start和step可以省略
二、numpy整数数组形式的索引与切片
nd = np.random.randint(0,10,size=(5,6))
nd
array([[1, 2, 1, 9, 4, 0],
       [0, 3, 4, 6, 6, 5],
       [4, 3, 6, 4, 3, 4],
       [7, 9, 6, 5, 9, 9],
       [8, 5, 7, 1, 0, 7]])

顺序任意 可以正向取 也可以反向取 可以任意取 而且可以重复取

nd[[1,2],1]
array([3, 3])
nd[-1,[0,2,4]]
array([8, 7, 0])
nd[-1,[2,4,0,0,0,0]]
array([7, 0, 8, 8, 8, 8])
nd[[2,4],[1,3]]
array([3, 1])

切片是 从外往里 一级一级切

nd[:,0:2]
array([[1, 2],
       [0, 3],
       [4, 3],
       [7, 9],
       [8, 5]])
nd[1:3,1:-1]
array([[3, 4, 6, 6],
       [3, 6, 4, 3]])
三、numpy级联

np.concatenate((a1, a2, …), axis=0, out=None)
axis参数改变连结的方向, 默认为0,即纵向拼接

nd = np.random.randint(0,10,size=(4,5))  
nd
array([[9, 6, 6, 7, 0],
       [3, 2, 7, 5, 6],
       [1, 8, 5, 9, 9],
       [9, 6, 4, 0, 3]])
np.concatenate((nd,nd),axis=0)  #  或者np.concatenate((nd,nd),axis=-2)
array([[9, 6, 6, 7, 0],
       [3, 2, 7, 5, 6],
       [1, 8, 5, 9, 9],
       [9, 6, 4, 0, 3],
       [9, 6, 6, 7, 0],
       [3, 2, 7, 5, 6],
       [1, 8, 5, 9, 9],
       [9, 6, 4, 0, 3]])
 np.concatenate((nd,nd),axis=1)  # 或者np.concatenate((nd,nd),axis=-1)
 array([[9, 6, 6, 7, 0, 9, 6, 6, 7, 0],
       [3, 2, 7, 5, 6, 3, 2, 7, 5, 6],
       [1, 8, 5, 9, 9, 1, 8, 5, 9, 9],
       [9, 6, 4, 0, 3, 9, 6, 4, 0, 3]])
四、ndarry的聚合操作
  1. 只要有ture就返回true
    np.any(nd,axis=0)

  2. 是否都是True
    np.all(nd,axis=0)

  3. np.argwhere()

    # 使用argwhere 可以按照值去找 元素的索引 # 使用argwhere 可以按照		      值去找 元素的索引
    np.argwhere(nd==9)
    # np.argwhere(nd==1)
    # np.argwhere(nd>6)
    # argwhere本身是用来找 值不是0的元素的索引的
    nd
    array([[9, 2, 2],
           [7, 7, 0],
           [1, 4, 6]])
    nd=9
    array([[ True, False, False],
    	   [False, False, False],
    	   [False, False, False]])
    
五、广播机制

对应项相加,不足的部分自动补全

m = np.ones((2, 3))
m
array([[1., 1., 1.],
       [1., 1., 1.]])

a = np.arange(1,4,1) 
a
array([1, 2, 3])

m + a
array([[2., 3., 4.],
       [2., 3., 4.]])
人工智能之数据分析 numpy:第一章 学习链路 本文主要学习人工智能的整体链路,相当于数据分析模块的开端,学习整体思维导图,有利于更加清晰的知道后面需要学习什么,达到什么样的程度,对于单一的ai绘图短剧小说等也是当前的热门方向之一。掌握基础有利于更加灵活的创造和应用解决问题的能力。​**狭义 AI(ANI)**​:在特定任务上表现优异(如图像识别、语音转文字)。​**通用 AI(AGI)**​:尚未实现,具备人类水平的泛化推理能力。当前主流 AI = 数据 + 算法 + 算力 + 工程阶段能力目标1. 编程与数据能独立清洗、分析、可视化数据。 阅读详情

相关推荐

开关电源环路学习笔记(1)-为啥要知道传递函数?

做硬件都会接触到开关电源,或多或少会接触到环路补偿。很多兄弟们也提出来让我说说这个,说明大家也都很关心,也说明这个好像有点难。 就我个人而言,我也想搞明白环路这一块,也查了一些资料,视频,不过说实话,一直都还是懵的,感觉很困难。 具体感觉就是,看资料或视频的时候,感觉好像是那么回事。但是撇开之后,就又云里雾里的感觉,总有一些想法没有找到答案。 问题 比如下面我想过的问题: 开关电源有开关,根本就不是一个线性系统,传递函数是咋弄出来的? 系统环路框图的输入量为什么不是Vin,而是参考电压V

weixin_42005993的博客 1万+

《利用Python进行数据分析》第四章Numpy包重难点总结

笔者最近在学习《利用Python进行数据分析》一书,想通过写博客,对知识点加强巩固,避免对知识点遗忘过快。第一次写博客,若有做的不好的地方请谅解。(本文采用notebook编写程序) 1、Numpy的随机数组生成 import numpy as np #生成两行三列的随机数组 data = np.random.randn(2,3) data 生成结果 array([[ 2.326716 , 1.4890664 , 1.68326484], [ 0.21693349, -0.512471

weixin_47158583的博客 377

爬取二手房数据:Python爬虫+Geopy实战,看透房价与地理位置的隐藏关系

哪些区域单价虚高(房源少但单价远高于周边);哪些小区性价比高(靠近地铁/学校,单价低于同地段平均水平);房价与地理位置的量化关系(如距离地铁每远1公里,单价下降多少)。如果想扩展分析范围,可爬取多个城市/区域的数据,对比不同城市的房价差异;或结合时间维度(定期爬取),分析房价的涨跌趋势。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 952

numpy学习——难点解析(一)多维数组的广播计算方式

解析引语 在归纳整理numpy的知识前,先整理一部分曾经在学习时遇到的个人认为的难点,在其他介绍基础使用方式的文章时,方便引用此文 首先讲一下广播计算的原则: 如果两个数组的后缘维度(即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1,则认为他们是广播兼容的。广播会在缺失和(或)长度为1的维度上进行。 多维数组的广播计算方式 在刚开始学习多维数组时,算是遇到的第一个理解方面的困难,仔细观察了...

猪八戒吃胡萝卜 771

通达信强龙趋势幅图指标 - 精准捕捉趋势,把握强势行情,多角度分析个股,强弱一目了然

STICKLINE(趋势>0 AND SJTJ,4.8,5.8,1.5,0),COLORYELLOW;STICKLINE(资金>0 AND SJTJ,1.2,2.2,1.5,0),COLOR0080FF;STICKLINE(异动>0 AND SJTJ,0,1,1.5,0),COLORFF0080;STICKLINE(异动=0 AND SJTJ,0,1,1.5,1),COLORGRAY;

Q1809330692的博客 5644

RS485信号测量避坑指南:示波器抓包常见问题与波形分析技巧

本文详细解析了RS485信号测量中的常见问题与解决方案,包括差分信号测量基础、终端电阻配置、共模干扰处理等关键技巧。通过实测波形案例和优化建议,帮助工程师有效提升RS485通信的可靠性和抗干扰能力,适用于工业自动化、远程监测等场景。

kappa的博客 617

numpy.random.randint用法

numpy.random.randint(low, high=None, size=None, dtype='l') 函数的作用是,返回一个随机整型数,范围从低(包括)到高(不包括),即[low, high)。 如果没有写参数high的值,则返回[0,low)的值。 参数如下: low: int 生成的数值最低要大于等于low。 (hign = None时,生成的数值要在[0, low)区间内...

Ann的博客 27万+

MATLAB应用实战系列(七十七)-基于长时间序列栅格数据的MK检验

1 MK检验介绍 MK检验是曼-肯德尔法,又称Mann—Kenddall 检验法,是一种气候诊断与预测技术,应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变,如果存在,可确定出突变发生的时间。Mann-Kendall检验法也经常用于气候变化影响下的降水、干旱频次趋势检测。目前常用于长时间序列的栅格数据的显著性检验,在植被覆盖度,NDVI,NPP等方面尤为常见。 该检验功能强大,不需要样本遵从一定的分布,部分数据缺失不会对结果造成影响,不受少数异常值的干扰,适用性强。不但可以检验时

wenyusuran的专栏 6291

Python量化交易基础讲堂-详解随机数的生成

大家是否留意到《Python实战-构建基于股票的量化交易系统》小册子中,分别介绍了Python内置的random模块和第三方库NumPy的random模块提供生成符合正态分布序列的方法,接下来我们再详细地介绍下两个模块关于生成随机序列的其他使用方法。 随机数参与的应用场景大家一定不会陌生,比如密码加盐时会在原密码上关联一串随机数,蒙特卡洛算法会通过随机数采样等等。Python内置的random模块...

weixin_34238633的博客 339

飞牛NAS 0day漏洞导致断网?完整的排查修复方案来了(含一键检测修复工具)

家里网络莫名断网,折腾十来天才发现是NAS被0day漏洞利用了?🔍 本文详细记录了从发现问题到最终解决的全过程,包括如何自查系统是否被入侵、使用检测脚本和专杀脚本进行修复,以及如何通过端口管理、访问控制、监控预警等措施加固系统安全 🔒,帮助遇到同样问题的用户快速排查和解决NAS安全风险 ✅

XiaoqiangClub的博客 5524

华为OD机试新系统真题 【LLM推理批次最大化】

华为OD机试 新系统真题【LLM推理批次最大化】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【LLM推理批次最大化】多语言题解。

qq_45776114的博客 574

【数据分析基石】NumPy 与 Pandas 基础核心知识点全梳理

本文系统梳理了Python数据分析两大核心库NumPy和Pandas的核心功能与实战应用。NumPy部分涵盖数组创建、运算、统计及矩阵操作;Pandas部分详解DataFrame操作、数据清洗、合并聚合及文件读写等数据处理全流程。内容包含大量实用代码示例,如随机数生成、缺失值处理、分组聚合等,并特别强调易错点(如逻辑运算优先级)和高效技巧(如广播机制)。文章既可作为入门学习指南,也可作为日常数据分析的速查手册,帮助读者快速掌握90%以上的日常数据处理需求。

weixin_69500620的博客 737

猿创征文|SfM(Structure from Motion)学习之路

SfM全称Structure from Motion,译为运动恢复结构,是三维重建pipeline的一部分,又称稀疏重建,在摄影测量领域则称为空三(空中三角测量)。SfM的任务是,给定一系列具有一定重叠度的图像,去同时估计出拍摄每张图像时相机的的位姿(位置t和姿态R)和被拍摄物体或场景的稀疏点云。...............

zeeq的博客 1万+

数据分析必备:NumPy + Pandas 核心知识点全梳理

本文系统梳理了Python数据分析的核心工具NumPy和Pandas的关键知识点。NumPy部分重点介绍了多维数组(ndarray)的特性、创建方式、索引切片、形状操作、向量化运算和统计函数等基础功能。Pandas部分详细讲解了DataFrame和Series的使用方法,包括数据读取、查看、筛选、清洗、分组聚合等核心数据分析操作。文章特别强调了两者的关系:NumPy提供底层数组支持,Pandas构建在其基础上提供高级数据分析能力。建议学习路径是先掌握NumPy基础,再精通Pandas的数据处理功能。

2401_82415315的博客 502

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。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Python 数据分析三剑客:NumPy、Pandas、Matplotlib 核心知识点总结

在 Python 数据分析领域,NumPy、Pandas、Matplotlib 被誉为 “三剑客”——NumPy 奠定数值计算基础,Pandas 专攻数据清洗与处理,Matplotlib 负责可视化呈现。本文将系统梳理三者核心知识点与实操技巧,助力快速上手数据分析工作。

xxxcdx的博客 1065

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

数据分析必备速查表,含:NumPy、Pandas、Matplotlib、Seaborn),赶快收藏,手慢无

数据分析必备速查表,含:NumPy、Pandas、Matplotlib、Seaborn),赶快收藏,手慢无

专注于分享最佳资源、最佳工具、有味道的技术文章 1580

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

NumPy 一文速通(数据分析岗必备知识)

总结 NumPy 的关键知识点

m0_74766888的博客 1167

【数据分析】之【Numpy】学习知识梳理

【数据分析】【Numpy】本文摘要:NumPy数组操作指南,涵盖数据类型(dtype)定义与转换、数组变维(reshape/flatten)、切片操作、组合拆分(hstack/vstack/dstack)、掩码筛选等核心功能。重点包括:1) dtype支持自定义复合数据类型和日期格式;2) 变维方法中reshape创建视图而flatten生成副本;3) 多维切片遵循[start:stop:step]语法;4) 数组组合按水平/垂直/深度方向操作;5) 布尔掩码实现条件筛选;6)shape/dtype/siz

chenchenyyrr的博客 1791

简单梳理一下Python 数据分析与可视化

Python 在数据分析和可视化领域占据着重要地位。它具有广泛的应用场景,无论是商业分析、科学研究、社交媒体分析、金融分析还是医疗数据分析,都能发挥强大的作用。

暖风 2509

python数据分析与可视化知识梳理

Python数据分析与可视化是指使用Python编程语言对数据进行处理、分析和可视化的过程。

fuhffn的博客 2497

Numpy核心知识点总结:从入门到实战必备

在Python数据分析生态中,Numpy(Numerical Python)是当之无愧的基石。它提供了高效的多维数组对象、丰富的数学函数库以及便捷的矩阵运算能力,为Pandas、Matplotlib、Scikit-learn等高阶库提供了底层支撑。无论是数据预处理、数值计算还是机器学习,熟练掌握Numpy都是提升效率的关键。本文将系统梳理Numpy的核心知识点,结合代码示例帮你快速夯实基础。

2302_81238626的博客 1010

NumPy 核心知识点整合

NumPy是Python科学计算的核心库,提供高性能的多维数组ndarray及丰富运算功能。相比Python列表,ndarray支持统一数据类型、连续内存存储和批量运算,效率更高。文章详细介绍了ndarray的创建方法(如array、arange、zeros等)、索引切片操作、核心属性(shape、dtype等)、数据类型转换与形状修改技巧。此外还涵盖了随机数组生成、数组运算(含广播机制)、维度修改、连接分割、元素增删及统计计算等核心操作。NumPy作为数据分析基础工具,与Pandas、SciPy等库深度集

qq_73507429的博客 918

Python数据分析入门速成路线梳理

和一个刚进银行系统的朋友聊天,本科工商管理专业毕业,聊到数据分析增加竞争力,希望可以通过自学获得进步成长,但又不知道从何学起。为了给这位朋友做一些入门推荐,写了这篇短文。有很多从业者,非计算机专业,从未接触过编程,听闻数据分析需要编程,就容易产生畏难情绪,实际上本篇内容并不能称之为速成路线,个人也并不喜欢速成的说法,之所以这样命名,也是为了降低初学者的心理负担,在b站搜索“数据分析”,搜索到的课程动辄几千分钟,初学者也难以挑选判断其中优劣,可能看了一段时间的课程,感觉自己也没学到什么,慢慢也就放弃了。

Python栈_基的博客 1395

numpy-数组知识深度梳理(1)

上图来自王老师的文章,现在借用一下。 从图中我们清晰看到了想要精通python有很多库要学习,有用在金融量化方面的,有用在数据分析方面,还有用在深度学习方面方面的等等,总的来说知识很庞大。我们最近一段时间一起学习的是numpy这个常用库,他和Scipy都常用于Array Operation当中。 下面进入今天的正题--numpy之数组知识梳理。 #今天对numpy数组再梳理一遍 imp...

小庄同学的博客 308

Python数据分析与应用 第二章 NumPy 数值计算基础(上)

本文是《Python数据分析与应用》第二章的示例代码,传到博客上也是想梳理一下自己学习的一些知识点,更好的督促自己学习。 关于本书的所有示例代码,资料可以到https://edu.tipdm.org/course/96,找到本书下载即可。 import numpy as np #导入 NumPy 库 arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8...

王大阳的博客 1443
上一篇: chrome开发滚动截屏小技巧(pc和移动都可以)
下一篇: 数据分析之pandas知识梳理
tony哒...
博客等级 码龄8年 18粉丝 6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