python演示_python数据分析与展示（一）

NumPy库学习

一.数据的维度

数据的维度是数据的组织形式。

一维数据&＃xff1a;由对等关系的有序或无序数据构成&＃xff0c;采用线性方式组织。例如列表和数组&＃xff0c;这两者的区别是列表的数据类型可以不同&＃xff0c;数组的数据类型必须相同。

二维数据&＃xff1a;由多个一维数据构成&＃xff0c;是一维数据的组合形式。例如表格是典型的二位数据。

多维数据&＃xff1a;由一维或二维数据在新维度上扩展形成

高维数据&＃xff1a;仅利用最基本的二元关系展示数据间的复杂结构。例如json、yaml格式的数据。

二.数据维度的python表示

#一维数据&＃xff1a;列表和集合类型

[1,2,3] #有序

{1,2,3} #无序

#二维数据&＃xff1a;列表类型

[[1,2,3],

[4,5,6]]#多维数据

[[[1,2,3],

[4,5,6]],

[7,8,9],

[4,4,4]]#高维数据&＃xff1a;字典类型或数据表示格式&＃xff0c;例如JSON、XML、YAML

dict&＃61;{&＃39;firstName&＃39;:&＃39;Tian&＃39;,&＃39;lastName&＃39;:&＃39;Song&＃39;,

}

三.NumPy的多维数组对象&＃xff1a;ndarray

1.NumPy是一个开源的python科学计算基础库&＃xff0c;包含&＃xff1a;

一个强大的N维数组对象&＃xff1a;ndarray

广播功能函数

整合C/C&＃43;&＃43;/Fortran代码的工具

线性代数&＃xff0c;傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础

2.NumPy的引用&＃xff1a;

importnumpy as np#这是一种约定俗成的引用名称&＃xff0c;建议使用上述约定的别名

3.python已经有列表类型&＃xff0c;为什么需要一个数组对象&＃xff1f;

数组对象可以去除元素运算所需的循环&＃xff0c;使一维向量更像单个数据

设置专门的数组对象&＃xff0c;经过优化&＃xff0c;可以提升这类应用的运算速度

数组对象采用相同的数据类型&＃xff0c;有助于节省运算和存储空间

例如以下事例&＃xff1a;

#计算A^2&＃43;B^2&＃xff0c;其中A和B是一维数组

importnumpy as np#使用列表的方式

defpySum():

a&＃61;[0,1,2,3,4]

b&＃61;[5,6,7,8,9]

c&＃61;[]for i inrange(len(a)):

c.append(a[i]**2&＃43;b[i]**2)returncprint("pySum-->",pySum())#使用数组的方式

defnpSum():

a&＃61;np.array([0,1,2,3,4])

b&＃61;np.array([5,6,7,8,9])

c&＃61;a**2&＃43;b**2

returncprint("npSum-->",npSum())#运行结果

&＃39;&＃39;&＃39;pySum--> [25, 37, 53, 73, 97]

npSum--> [25 37 53 73 97]&＃39;&＃39;&＃39;

#可见如果采用数组的方式&＃xff0c;numy把一维向量当作单个数据对待&＃xff0c;这样更有利于进行科学计算

4.ndarray对象的构成&＃xff1a;

实际的数组

描述这些数据的元数据(数据维度、数据类型等)

ndarray数组一般要求所有元素类型相同(同质)&＃xff0c;数组下标从0开始

ndarry实例&＃xff1a;

importnumpy as np#ndarray在程序中的别名是&＃xff1a;array#np.array()生成一个ndarray数组

a&＃61;np.array([[0,1,2,3,4],

[5,6,7,8,9]])print(a) #np.array()输出成[]形式&＃xff0c;元素有空格分割

&＃39;&＃39;&＃39;[[0 1 2 3 4]

[5 6 7 8 9]]&＃39;&＃39;&＃39;

#轴(axis)&＃xff1a;保存数据的维度&＃xff1b;秩(rank)&＃xff1a;轴的数量

5.ndarray对象的属性

.ndim&＃xff1a;秩&＃xff0c;即轴的数量或维度的数量

.shape&＃xff1a;ndarray对象的尺度&＃xff0c;对于矩阵的n行m列

.size&＃xff1a;ndarray对象元素的个数&＃xff0c;相当于.shape中的n*m的值

.dtype&＃xff1a;ndarray对象的元素类型

.itemsize&＃xff1a;ndarray对象中每个元素的大小&＃xff0c;以字节为单位

实例&＃xff1a;

importnumpy as np

a&＃61;np.array([[1,2,3,4],

[5,6,7,8]])print("维度&＃xff1a;",a.ndim)print("尺度&＃xff1a;",a.shape)print("元素个数&＃xff1a;",a.size)print("元素的类型:",a.dtype)print("元素的大小&＃xff1a;",a.itemsize)&＃39;&＃39;&＃39;维度&＃xff1a; 2

尺度&＃xff1a; (2, 4)

元素个数&＃xff1a; 8

元素的类型: int32

元素的大小&＃xff1a; 4&＃39;&＃39;&＃39;

6.ndarray的元素类型

ndarrya为什么要支持这么多种元素类型&＃xff1f;

科学计算涉及数据较多&＃xff0c;对存储和性能都有较高要求

对元素类型精确定义&＃xff0c;有助于NumPy合理使用存储空间并优化性能

对元素类型精确定义&＃xff0c;有助于程序员对程序规模有合理评估

7.非同质的ndarray对象

非同质的ndarray元素为对象类型&＃xff0c;无法有效发挥NumPy优势&＃xff0c;尽量避免使用

importnumpy as np

a&＃61;np.array([[1,2,3,4],

[5,6,7]])print("尺度&＃xff1a;",a.shape)print("元素个数&＃xff1a;",a.size)print("元素的类型:",a.dtype)print("元素的大小&＃xff1a;",a.itemsize)&＃39;&＃39;&＃39;尺度&＃xff1a; (2,)

元素个数&＃xff1a; 2

元素的类型: object

元素的大小&＃xff1a; 8&＃39;&＃39;&＃39;

#此时每个一维向量被当成一个对象(元素)

8.ndarray数组的创建

(1)从python中的列表、元组等类型创建ndarray数组

x&＃61;np.array(list/tuple,dtype&＃61;np.float32)#当np.array()不指定dtype时&＃xff0c;NumPy将根据情况关联一个dtype类型

例子&＃xff1a;

(2)使用NumPy中函数创建ndarray数组&＃xff0c;如&＃xff1a;arrange&＃xff0c;ones&＃xff0c;zeros

#######

注&＃xff1a;使用np.arange()方法创建的数组默认是int32类型&＃xff0c;另外几种方法默认是float类型

例子&＃xff1a;

例子&＃xff1a;

例子&＃xff1a;

9.ndarray数组的变换

(1)ndarray数组的维度变换

例子&＃xff1a;

(2)ndarray数组的类型变换

new_a &＃61; a.astype(new_type)

#astype()方法一定会创建新的数组()原始数组的一个拷贝&＃xff0c;即使两个类型一致

例子&＃xff1a;

(3)ndarray数组向列表的转换

ls&＃61;a.tolist()

例子&＃xff1a;

10.ndarray数组的操作

(1)ndarray数组的索引和切片

一维数组的索引和切片&＃xff1a;与python的列表类似

多维数组的索引&＃xff1a;

多维数组的切片&＃xff1a;

(2)ndarray数组的运算

数组与标量之间的运算作用于数组的每一个元素

(3)NumPy一元函数

例子&＃xff1a;

(4)NumPy二元函数

例子&＃xff1a;