DataCamp学习笔记002 -Numpy Array特性与常用统计方法

最新推荐文章于 2025-09-12 21:25:24 发布

qwang1212

最新推荐文章于 2025-09-12 21:25:24 发布

阅读量481

点赞数 1

CC 4.0 BY-SA版权

分类专栏： DataCamp学习笔记文章标签： Python 数据分析 Data Analysis DataCamp

本文链接：https://blog.youkuaiyun.com/weixin_41955495/article/details/99609058

DataCamp学习笔记专栏收录该内容

2 篇文章

订阅专栏

这篇博客探讨了Python List与Numpy Array的异同，指出Numpy Array在科学计算中的优势。内容包括Numpy Array的类型一致性、直接运算功能，以及2D数组索引的通用性。此外，还介绍了Numpy Array的常用统计方法，如计算均值、中位数、协方差和标准差。

DataCamp学习笔记[Notes- Introduction to Python_2]

1. Python List 和 Numpy Array的常用异同:

Python list 允许其中有多个类型， Numpy Array 只允许其中有一个类型，否则会强制转化为numpy.str_。 --Numpy数组中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以在通用性能方面Numpy数组不及Python列表，但在科学计算中，可以省掉很多循环语句，代码使用方面比Python列表简单。

In[1]:array = np.array([1,2,'a'])
 ...:type(array[1])
Out[1]: numpy.str_

In[2]:list= [1,2,'a']
 ...:type(list[1])
Out[2]: int

Python list 无法直接运算， Numpy Array 可直接运算。–Numpy Array相加是每个位置对应值相加，Python List相加类似于在列表后应用extend（）

In[3]:import numpy as np
  ...:array1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
  ...:array2 = np.array([[7,8,9],[4,5,6],[1,2,3]])
  ...:array1 + array2
Out[3]: 
array([[ 8, 10, 12],
       [ 8, 10, 12],
       [ 8, 10, 12]])

In[4]:list1 = [[1,2,3],[4,5,6],[7,8,9]]
 ...:list2 = [[7,8,9],[4,5,6],[1,2,3]]
 ...:list1 + list2
Out[4]: [[1, 2, 3], [4, 5, 6], [7, 8, 9], [7, 8, 9], [4, 5, 6], [1, 2, 3]]

2. np_2darray 索引通用性：

np_2d[0][2] == np_2d[0,2]

In[5]:np_2d = np.array([[1.64,71.78],
 ...:                   [1.37,63.35],
 ...:                   [1.6,55.09],
 ...:                   [2.04,74.85],
 ...:                   [2.04,68.72],
 ...:                   [2.01,73.57]])
Out[5]:assert (np_2d[0,1] == np_2d[0][1])

3. Numpy Array常用统计方法:

np.mean()–求Numpy Array 均值

In[6]:np.mean(np_2d[:,0])
Out[6]: 1.7833333333333332

np.median()–求Numpy Array 中位数

In[7]:np.median(np_2d[:,0])
Out[7]: 1.8249999999999997

np.corrcoef()–求Numpy Array 协方差

In[8]:np.corrcoef(np_2d[:,0],np_2d[:,1])
Out[8]: 
array([[1.        , 0.64924262],
       [0.64924262, 1.        ]])

np.std()–求Numpy Array 标准差

In[9]:np.std(np_2d[:,0])
Out[9]: 0.2608107018935807