数据分析——Numpy学习笔记(一)

import numpy as np
复制代码

np.__version__
复制代码

'1.15.4'
复制代码

为什么使用numpy

Python中的List

优点：不对存储的数据类型做约束

缺点：性能低，要检查每个元素的类型

L = [i for i in range(10)]
L
复制代码

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
复制代码

L[5]
复制代码

5
复制代码

L[5] = 100
L
复制代码

[0, 1, 2, 3, 4, 100, 6, 7, 8, 9]
复制代码

L[5] = 'welcome to dataAnalysis'
L
复制代码

[0, 1, 2, 3, 4, 'welcome to dataAnalysis', 6, 7, 8, 9]
复制代码

Python中的Array模块

优点：效率高

缺点：只能存一种数据类型，当作二维数组的时候，没有配备看成向量或者矩阵的相应运算

import array 
复制代码

arr = array.array('i', [i for i in range(10)])
arr
复制代码

array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
复制代码

print(arr[5])
type(arr) # 优点，效率高，缺点，只能存一种数据类型，当作二位数组的，没有配备看成向量或者矩阵的相应运算
复制代码

5





array.array
复制代码

Numpy

NumPy 是一个运行速度非常快的数学库，主要用于数组计算

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

nparr =np.array([i for i in range(10)])
nparr
复制代码

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
复制代码

type(nparr)
复制代码

numpy.ndarray
复制代码

nparr[5] = 100
nparr
复制代码

array([  0,   1,   2,   3,   4, 100,   6,   7,   8,   9])
复制代码

# numpy.array也不支持不同类型
nparr[5] = 'abc'
nparr
复制代码

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-13-9e780ef23fe9> in <module>
      1 # numpy.array也不支持不同类型
----> 2 nparr[5] = 'abc'
      3 nparr


ValueError: invalid literal for int() with base 10: 'abc'
复制代码

# 特殊方法
nparr.dtype
复制代码

dtype('int32')
复制代码

# 进行了一次隐式转换， 截位操作
nparr[5] = 3.78
nparr
复制代码

array([0, 1, 2, 3, 4, 3, 6, 7, 8, 9])
复制代码

机器学习和数据分析需要进行浮点数运算

nparr2 = np.array([1, 2, 3.1])
复制代码

nparr2.dtype
复制代码

dtype('float64')
复制代码

npz = np.zeros(10, dtype=int)
npz
复制代码

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
复制代码

# astype() 转换类型
npz.astype(float)
复制代码

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
复制代码

传入一个元组，矩阵

np.zeros((3, 5))
复制代码

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])
复制代码

# zeros(shape, dtype=float, order='C')
# 生成 3 X 5 的全 0 矩阵
np.zeros(shape=(3,5),dtype=int)
复制代码

array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])
复制代码

# 生成 3 X 5 的全 1 矩阵
np.ones(shape=(3,5),dtype=int)
复制代码

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]])
复制代码

#np.full(shape, fill_value, dtype=None, order='C')
# 生成 3 X 5 的全 fill_value 矩阵
np.full(shape=(3,5),fill_value=666)
复制代码

array([[666, 666, 666, 666, 666],
       [666, 666, 666, 666, 666],
       [666, 666, 666, 666, 666]])
复制代码

np.eye(3)
复制代码

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
复制代码

np.arange(30)
复制代码

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29])
复制代码

[i for i in range(0, 20, 2)]
复制代码

[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
复制代码

# np.arange
np.arange(0, 20, 2)
复制代码

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])
复制代码

#np.arange 步长可以为小数
np.arange(0, 1, 0.2)
复制代码

array([0. , 0.2, 0.4, 0.6, 0.8])
复制代码

# linspace [0,20] 的等间距数列
np.linspace(0, 20, 10)
复制代码

array([ 0.        ,  2.22222222,  4.44444444,  6.66666667,  8.88888889,
       11.11111111, 13.33333333, 15.55555556, 17.77777778, 20.        ])
复制代码

np.linspace(0, 20 ,11)
复制代码

array([ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18., 20.])
复制代码

随机数

# 随机数
import random
复制代码

# 生成0-2之间随机整数,左闭右开
random.randint(0,1)
复制代码

0
复制代码

np.random.randint(0,2) # 左闭右开，不包括2
复制代码

0
复制代码

# randint(low, high=None, size=None, dtype='l')
np.random.randint(0,1,size=10)
复制代码

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
复制代码

# 生成一个 3 X 5列的随机整数矩阵
np.random.randint(0, 10, size=(3, 5))
复制代码

array([[1, 6, 2, 4, 8],
       [6, 2, 8, 0, 5],
       [4, 3, 3, 6, 4]])
复制代码

# 生成随机浮点数
np.random.random() #生成[0,1)之间的浮点数，左闭右开
复制代码

0.2649064457443836
复制代码

# random_sample(size=None)
np.random.random(10) #生成10个
复制代码

array([0.42376454, 0.41423952, 0.31159601, 0.9507154 , 0.78481039,
       0.04563831, 0.2837555 , 0.79517423, 0.07130973, 0.36333672])
复制代码

# 生成一个 3 X 5列的随机浮点数矩阵
np.random.random(size=(3,5)) 
复制代码

array([[0.74372819, 0.19361539, 0.55049249, 0.61318823, 0.59572234],
       [0.52924052, 0.48043406, 0.3182225 , 0.23505616, 0.80289083],
       [0.38699344, 0.73664022, 0.41708906, 0.77655059, 0.16897559]])
复制代码

# 均值为0，方差为1 随机浮点数
np.random.normal()
复制代码

0.17708003261260866
复制代码

# normal(loc=0.0, scale=1.0, size=None)
np.random.normal(loc=10,scale=100) #均值为10 ，方差为100 随机浮点数
复制代码

142.79254007123254
复制代码

# 生成一个 3 X 5列的随机浮点数矩阵
# 均值为10 ，方差为100 随机浮点数
np.random.normal(loc=10,scale=100,size=(3,5))
复制代码

array([[ 141.99356156,  129.65905839, -161.21423339, -138.90031389,
         -64.04098652],
       [ -48.89692419,  -30.48151914,  -95.22605902, -131.9976962 ,
        -123.3116925 ],
       [  -8.08422052,   -9.32540604,   34.75224011, -138.02281502,
         -63.92428487]])
复制代码

复制代码

复制代码

复制代码