数据分析--NumPy

简介: 数据分析--NumPy

多维数组对象:ndarray对象


ndarray对象保存同一类型的数据,访问方式类似于列表,通过整数下标进行索引
属性
- shape 返回一个元组,用于表示ndarray各个维度的长度,
- 元组的长度为数的维度,
- 元组的每一个数值代表ndarray每一个维度的长度


520339bad443405ba8a8b12a669f7aa2.png

ndim ndarray的维度

size ndarray对象中的所有元素个数 相当于各个维度的长度乘积

dtype ndarray 对象中储存的数据类型

itemsize ndarra对象中每个元素的字节数


d5c445e5f67a41caaf053ce1dd4e0605.png


ndarray对象的创建

  • array 将输入的序列型数据(list、tuple、ndarray等)转换成ndarray对象,并返回一个新对象ndarray对象


7e80f15755b0435a8454c76b8ea64eb4.png


asarray 将输入的序列(list,tuple等)转换成ndarray对象,并返回新对象,但是,当输入的序列是ndarray对象时,并不会产生新的ndarray对象,指向同一个地址值


d7fbc9a948d541f593358030a0cd56b7.png

arange 根据输入的参数,返回等间隔的ndarray对象


adb9c5c308114f7aa6573aee1c67e023.png


ones 指定shape,创建一个全为1 的数组

ones_like 以另一个ndarray对象的shape为定的shape,创建全为1 的数组


036ae15e36cc415c89519d7cacf0b283.png

zeros 指定shape创建一个全为0的数组

zeros_like 以另一个ndarray对象的shape为定的shape,创建全为0 的数组


47af0dfc987a458c88a26e3fddd760ca.png


empty 指定创建新数组,只分配空间不填充值,默认数据类型为float64

empty_like以另一个ndarray对象的shape为定的shape,建新数组,只分配空间不填充值


7a8fedd07c0e4f1c8bd88755eb369603.png


eye,identity 创建nxn的单位矩阵,对角元素为1,其余为0


96852fa5f90c4b06812259cf021df0f0.png


ndarray对象的数据类型


  • 整数
  • 浮点数
  • 复数
  • 布尔值
  • Python对象
  • 字符串


ndarray对象的索引,切片和迭代


一维的ndarray对象的索引、切片、和迭代类似于python中对列表的操作


e363060b4d614c929e1f772106809028.png


多维的ndarray对象


7dfacc78974748e5a0d26aca17344270.png


针对ndarray对象的迭代,一维数组与python的列表相同,多维数组则针第一个维度进行迭代,也可以通过 ndarray对象的flat属性实现对ndarray对象的每个元素的迭代


eab3452fff1c4f77b3ae7546711a27dd.png


ndarray对象的shape操作


ndarray对象的shape可以通过多种命令更改,一种是对原来ndarray进行改变,一种是返回一个新对象,不改变原来的数据


reshape 将ndarray对象的shape按照传入的参数进行修改,返回一个新的ndarray对象

reval 将多维的ndarray对象的shape改为一维的,返回一个一维的ndarray的对象

T 返回ndarray对象转置后的结果

resize 将ndarray对象的shape按照传入的参数进行修改


87fb4450714b441f89dfcebd1a99d368.png

ndarray对象的基础操作


对于一些用于标量的算数运算符,NumPy可以通过广播的形式作用到ndarray对象的每一个元素上,返回一个或多个新矢量


不足


本文所用的都是比较基础的函数,仍有许多函数不曾涉及




相关文章
|
4月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
81 2
|
5月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--进阶
Python数据分析篇--NumPy--进阶
45 0
|
5月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--入门
Python数据分析篇--NumPy--入门
81 0
|
5月前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
115 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
5月前
|
数据采集 数据挖掘 API
Python数据分析加速器:深度挖掘Pandas与NumPy的高级功能
在Python数据分析的世界里,Pandas和NumPy无疑是两颗璀璨的明星,它们为数据科学家和工程师提供了强大而灵活的工具集,用于处理、分析和探索数据。今天,我们将一起深入探索这两个库的高级功能,看看它们如何成为数据分析的加速器。
73 1
|
7月前
|
数据采集 数据挖掘 数据处理
Python数据分析:Numpy、Pandas高级
在上一篇博文中,我们介绍了Python数据分析中NumPy和Pandas的基础知识。本文将深入探讨NumPy和Pandas的高级功能,并通过一个综合详细的例子展示这些高级功能的应用。
|
7月前
|
数据采集 数据挖掘 数据处理
Python数据分析:Numpy、Pandas基础
本文详细介绍了 Python 中两个重要的数据分析库 NumPy 和 Pandas 的基础知识,并通过一个综合的示例展示了如何使用这些库进行数据处理和分析。希望通过本篇博文,能更好地理解和掌握 NumPy 和 Pandas 的基本用法,为后续的数据分析工作打下坚实的基础。
|
8月前
|
数据采集 数据可视化 数据挖掘
数据分析入门:用Python和Numpy探索音乐流行趋势
数据分析入门:用Python和Numpy探索音乐流行趋势
|
8月前
|
数据采集 数据挖掘 数据处理
Python数据分析加速器:深度挖掘Pandas与NumPy的高级功能
【7月更文挑战第14天】Python的Pandas和NumPy库是数据分析的核心工具。Pandas以其高效的数据处理能力,如分组操作和自定义函数应用,简化了数据清洗和转换。NumPy则以其多维数组和广播机制实现快速数值计算。两者协同工作,如在DataFrame与NumPy数组间转换进行预处理,提升了数据分析的效率和精度。掌握这两者的高级功能是提升数据科学技能的关键。**
83 0
|
8月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
【7月更文挑战第12天】Python的Pandas和NumPy库助力高效数据处理。Pandas用于数据清洗,如填充缺失值和转换类型;NumPy则擅长数组运算,如元素级加法和矩阵乘法。结合两者,可做复杂数据分析和特征工程,如产品平均销售额计算及销售额标准化。Pandas的时间序列功能,如移动平均计算,进一步增强分析能力。掌握这两者高级技巧,能提升数据分析质量和效率。
81 4