【Python】数据分析:numpy的常用方法

简介: 【Python】数据分析:numpy的常用方法

1 - 基本语法01

array.astype(int/float):将数组里面数据设置为()里面的类型

np.eye(n):创建一个n维的单位数组

np.ones(n,m):创建一个n×m的数值为1的数组

np.zeros(n,m):创建一个n×m的数值为0的零数组

np.argmax(arr,axis=n):arr数组n轴上最大值的索引值

np.argmin(arr,axis=n):arr数组n轴上最小值的索引值

arr[arr==n] = m:arr数组数值为n的数赋值为m

import numpy as np
# 3行4列的零矩阵数组
t1 = np.zeros((3,4))
print(t1)
# 3行4列的1矩阵数组
t2 = np.ones((3,4))
print(t2)
# 秩为4的单位矩阵
t3 = np.eye(4)
print(t3)
# 指定轴最大值的索引
print(np.argmax(t3,axis=0))
# 反方向赋值
t3[t3==1]=-1
print(t3)
# 指定轴最小值的索引
print(np.argmin(t3,axis=0))

0S`%$QEU@($NIGQET4)UUP6.png

result01.png

2 - 关于分布的基础语法

np.random.rand(n,m):n行m列的0-1的随机数数组

np.random.randint(n,m,(size):形状为size的low=n,high=m的随机数组

np.random.randn(size)`***:形状为size的正态分布的随机数组 ***`np.random.normal(n,m,(size))`***:形状为size的均值为n,标准差为m的随机数组 ***`np.random.uniform(low,high,(size))`***:形状为size的min=low,max=high的服从均匀分布随机数组 ***:

8H5E[{@4MEAD[JR3_MWCEMM.png

随机分布 random distribution.png


GH9XC{[[[UF`)8RM3U[TVOS.png

正态分布normal distribution.png

import numpy as np
# 随机分布
t1 = np.random.rand(2,3)
print(t1)
# min为2,max为6的2行4列的整数数组
t2 = np.random.randint(2,6,(2,4))
print(t2)
# 2行5列的值服从标准正态分布的数组
t3 = np.random.randn(2,5)
print(t3)
# 2行4列的值服从均匀分布的数组
t4 = np.random.uniform(2,4,(2,4))
print(t4)
# 2行4列的值服从均值为2,标准差为6正态分布的数组
t5 = np.random.normal(2,6,(2,4))
print(t5)
# 随机种子
np.random.seed(10)
t6 = np.random.randint(2,10,(2,6))
print(t6)

PE`H21N9KM4HQJXA]8(($2T.png

result02.png

3-numpy中的view和copy

6GVJDFPTHCWQU)~TH`4QXAC.png

目录
相关文章
|
23天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
53 0
WK
|
27天前
|
Python
Python中format_map()方法
在Python中,`format_map()`方法用于使用字典格式化字符串。它接受一个字典作为参数,用字典中的键值对替换字符串中的占位符。此方法适用于从字典动态获取值的场景,尤其在处理大量替换值时更为清晰和方便。
WK
70 36
|
8天前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。
|
17天前
|
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。
35 2
|
23天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
29 3
|
24天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
31 2
|
24天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
40 2
|
7天前
|
数据采集 数据可视化 数据挖掘
掌握Python数据分析,解锁数据驱动的决策能力
掌握Python数据分析,解锁数据驱动的决策能力
|
15天前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
15天前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析:Pandas库实战指南
利用Python进行数据分析:Pandas库实战指南
下一篇
无影云桌面