【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
|
3天前
|
数据采集 数据挖掘 数据处理
使用Python和Pandas进行数据分析基础
使用Python和Pandas进行数据分析基础
21 5
|
1天前
|
数据挖掘 PyTorch TensorFlow
|
3天前
|
Python
Python中几种lambda排序方法
【9月更文挑战第7天】在Python中,`lambda`表达式常用于配合排序函数,实现灵活的数据排序。对于基本列表,可以直接使用`sorted()`进行升序或降序排序;处理复杂对象如字典列表时,通过`lambda`指定键值进行排序;同样地,`lambda`也适用于根据元组的不同位置元素来进行排序。
|
10天前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
【9月更文挑战第2天】数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
38 5
|
12天前
|
机器学习/深度学习 存储 算法
NumPy 与 SciPy:Python 科学计算库的比较
【8月更文挑战第30天】
35 1
|
2天前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
10 0
|
11天前
|
机器学习/深度学习 存储 数据可视化
深入浅出:使用Python进行数据分析
【8月更文挑战第31天】 在数字时代的浪潮中,数据已成为新的石油。掌握数据,就是掌握未来的钥匙。本文将带你走进Python的世界,学习如何运用这一强大工具进行数据分析,解锁数据的奥秘。无论你是编程新手还是想深化数据分析技能的专业人士,这篇文章都将是你宝贵的资源。让我们开始吧,一起探索Python数据分析的魅力所在!
|
12天前
|
UED Python
探索Python中的魔法方法:打造自定义字符串表示
【8月更文挑战第31天】在Python的世界里,魔法方法是那些以双下划线开头和结尾的特殊方法,它们为类提供了丰富的功能。本文将带你走进这些魔法方法的背后,特别是__str__和__repr__,揭示如何通过它们来定制我们的对象在被打印或转换为字符串时的外观。我们将从基础用法开始,逐步深入到高级技巧,包括继承与重写,最终实现一个优雅的字符串表示方案。准备好了吗?让我们开始这段代码之旅吧!
|
12天前
|
存储 C语言 Python
|
12天前
|
数据采集 机器学习/深度学习 数据可视化
使用Python进行数据分析的入门指南
【8月更文挑战第30天】本文将引领读者进入Python在数据分析领域的应用,通过实际案例和代码示例,帮助初学者理解并掌握数据处理、可视化以及模型构建的基本技能。我们将从数据探索开始,逐步深入到数据清洗、分析和预测建模,最后以一个综合案例结束,旨在让读者能够独立完成一个数据分析项目。