一. numpy模块

1.1 创建数组

1.1.1 数组：array()

import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array(['产品编号', '销售数量', '销售单价', '销售金额'])
print(a)
print(b)

[1 2 3 4]
['产品编号' '销售数量' '销售单价' '销售金额']

二维数组情况：

import numpy as np
c = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print (c)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

参数见下表

array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)

参数	说明
object	必选，为一个序列型对象，如列表、元组、集合等，还可以是一个已创建好的数组
dtype	可选，用于指定数组元素的数据类型
copy	可选，用于设置是否需要复制对象

order	可选，用于指定创建数组的样式
subok	可选，默认返回一个与基类的类型一致的数组
ndmin	可选，用于指定生成数组的最小维度

1.1.2 等差数组：arange()

索引从0开始，记左不记右

3参数情况：

import numpy as np
d = np.arange(1,20,4)   #第3个参数为步长  可选  默认为1   1~19，步长4   记左不记右
print(d)

[ 1  5  9 13 17]

2参数情况：

import numpy as np
d = np.arange(1,20)
print(d)

[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

1参数情况：

import numpy as np
d = np.arange(20)
print(d)

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

参数说明见表

arange(start, stop, step, dtype=None)

参数	说明
start	可选，表示起始值。省略时默认为0
stop	必选，表示结束值。生成的数组元素不包括该值
step	可选，表示步长。省略时默认为1。给出该参数则必须给出start参数
dtype	可选，表示数组元素类型。默认为None

1.1.3 随机数组：rand()、randn()、randint()

1. rand()函数：生成元素值在[0,1)区间的随机数

一维情况：

import numpy as np
e = np.random.rand(3)
print(e)

[0.8412559  0.63220568 0.7395547 ]

二维情况：

import numpy as np
e = np.random.rand(2, 3)
print(e)

[[0.03654404 0.33348249 0.30089453]
 [0.35291365 0.56683093 0.41812811]]

2. randn()函数：生成元素值在[0,1)区间的随机数，且符合标准正态分布

一维情况：

import numpy as np
e = np.random.randn(3)
print(e)

[ 0.36809175 -0.07224965 -0.33366574]

二维情况：

import numpy as np
e = np.random.randn(3, 3)
print(e)

[[ 1.14014499 -0.95577809 -0.94003745]
 [-2.61768236 -0.6565676   0.74041531]
 [-0.3138474   0.68276791  0.17315121]]

3. randint()函数：生成指定范围的随机数，记左不记右

一维情况：

import numpy as np
e = np.random.randint(1, 5, 10)   #随机数范围：[1,5)  10个数
print(e)

[4 1 2 4 1 3 2 4 1 2]

二维情况：第三个参数指定维度

import numpy as np
e = np.random.randint(1, 10, (4, 2))   #随机数范围：[1,10)
print(e)

[[4 4]
 [2 5]
 [3 3]
 [7 8]]

1.2 查看数组的属性

1.2.1 行列数：shape

import numpy as np
arr = np.array([[1, 2],[3, 4],[5, 6]])
print(arr.shape)

(3, 2)

只查看行数、或者列数

import numpy as np
arr = np.array([[1, 2],[3, 4],[5, 6]])
print(arr.shape[0])   #查看行数
print(arr.shape[1])   #查看列数

3
2

1.2.2 元素个数：size

import numpy as np
arr = np.array([[1, 2],[3, 4],[5, 6]])
print(arr.size)

1.2.3 元素的数据类型：dtype

import numpy as np
arr = np.array([[1.3, 2, 3.6, 4], [5, 6, 7.8, 8]])
print(arr.dtype)

float64

1.2.4 转换元素的数据类型：astype()

import numpy as np
arr = np.array([[1.3, 2, 3.6, 4], [5, 6, 7.8, 8]])
arr1 = arr.astype(int)
print(arr1)
print(arr1.dtype)

[[1 2 3 4]
 [5 6 7 8]]
int32

1.2.5 数组维度：ndim

import numpy as np
arr = np.array([[1, 2],[3, 4],[5, 6]])
print(arr.ndim)

1.3 选取数组元素

1.3.1 一维数组

1. 选取单个元素

import numpy as np
arr = np.array([12, 2, 40, 64, 56, 6, 57, 18, 95, 17, 21, 12])
print(arr[0])
print(arr[5])
print(arr[-1])   #倒数第1个
print(arr[-4])

2. 选取连续的元素

import numpy as np
arr = np.array([12, 2, 40, 64, 56, 6, 57, 18, 95, 17, 21, 12])
print(arr[1:6])
print(arr[3:-2])
print(arr[:3])
print(arr[:-3])
print(arr[3:])
print(arr[-3:])

[ 2 40 64 56  6]
[64 56  6 57 18 95 17]
[12  2 40]
[12  2 40 64 56  6 57 18 95]
[64 56  6 57 18 95 17 21 12]
[17 21 12]

3. 选取不连续的元素

import numpy as np
arr = np.array([12, 2, 40, 64, 56, 6, 57, 18, 95, 17, 21, 12])
print(arr[1:5:2])  #[1,5) 步长为2 
print(arr[5:1:-2])  #第三个参数指定步长
print(arr[::3])
print(arr[3::])
print(arr[:3:])

[ 2 64]
[ 6 64]
[12 64 57 17]
[64 56  6 57 18 95 17 21 12]
[12  2 40]

1.3.2 二维数组

逗号隔开两个索引

1. 选取单个元素

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(arr[1, 2])  #第1行第2列  索引从0开始

2. 选取单行或单列元素

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(arr[2])
print(arr[:, 1])

[7 8 9]
[ 2  5  8 11]

3. 选取某些行或某些列的元素

某些行

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(arr[1:3])
print(arr[:2])
print(arr[2:])

[[4 5 6]
 [7 8 9]]
[[1 2 3]
 [4 5 6]]
[[ 7  8  9]
 [10 11 12]]

某些列

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
print(arr[:, 1:3])
print(arr[:, :2])
print(arr[:, 2:])

[[ 2  3]
 [ 6  7]
 [10 11]
 [14 15]]
[[ 1  2]
 [ 5  6]
 [ 9 10]
 [13 14]]
[[ 3  4]
 [ 7  8]
 [11 12]
 [15 16]]

4. 同时选取行列元素

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
print(arr[0:2, 1:3])

[[2 3]
 [6 7]]

1.4 数组的重塑和转置：reshape()

1.4.1 一维数组

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
a = arr.reshape(2, 4)   #需要重塑前后元素个数相等才行
b = arr.reshape(4, 2)
print(a)
print(b)

[[1 2 3 4]
 [5 6 7 8]]
[[1 2]
 [3 4]
 [5 6]
 [7 8]]

1.4.2 多维数组

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
c = arr.reshape(4, 3)
d = arr.reshape(2, 6)
print(c)
print(d)

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  4  5  6]
 [ 7  8  9 10 11 12]]

1.4.3 多维重塑为一维：flatten()、ravel()

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr.flatten())  #降为一维
print(arr.ravel())

[ 1  2  3  4  5  6  7  8  9 10 11 12]
[ 1  2  3  4  5  6  7  8  9 10 11 12]

1.4.4 数组的转置：T属性、transpose()

1. T属性

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
print(arr.T)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
[[ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]
 [ 4  8 12]]

2. transpose()函数

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
arr1 = np.transpose(arr)
print(arr1)

[[ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]
 [ 4  8 12]]

1.5 数组的处理

1.5.1 添加元素：append()、insert()

1. append()函数

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
arr1 = np.append(arr, [[7, 8, 9]])
print(arr1)

[1 2 3 4 5 6 7 8 9]

可以看出append()函数在二维数组中添加元素，结果转为了一维数组。

那怎么保持二维数组呢？可以设置axis参数按行或者按列添加

axis=0：按行添加

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
arr1 = np.append(arr, [[7, 8, 9]], axis = 0)
print(arr1)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

axis=1：按列添加

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
arr1 = np.append(arr, [[7, 8],[9, 10]], axis = 1)
print(arr1)

[[ 1  2  3  7  8]
 [ 4  5  6  9 10]]

append()函数参数如下

append(arr, values, axis=None)

参数	说明
arr	必选，要添加元素的数组
values	必选，要添加的数组元素
axis	可选，默认为None。省略此参数时，默认当一维数组尾插元素。为0按行添加；为1按列添加

2. insert()函数

import numpy as np
arr = np.array([[1, 2], [3, 4], [5, 6]])
arr1 = np.insert(arr, 1, [7, 8])
print(arr1)

[1 7 8 2 3 4 5 6]

可以看出先把二维数组降成了一维数组，再在索引为1的位置添加元素。

那么怎么保持在二维添加元素呢？同样设置axis参数

import numpy as np
arr = np.array([[1, 2], [3, 4], [5, 6]])
arr1 = np.insert(arr, 1, [7, 8], axis = 0)
arr2 = np.insert(arr, 1, [7, 8, 9], axis = 1)
print(arr1)
print(arr2)

[[1 2]
 [7 8]
 [3 4]
 [5 6]]
[[1 7 2]
 [3 8 4]
 [5 9 6]]

insert()参数如下

insert(arr, obj, values, axis)

参数	说明
arr	必选，要插入元素的数组
obj	必选，数组的索引值，表示插入元素的位置
values	必选，要插入的元素
axis	可选，省略此参数时，默认当一维数组插入。为0按行；为1按列

1.5.2 删除元素：delete()

也分按行和按列删除

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr1 = np.delete(arr, 2)
arr2 = np.delete(arr, 2, axis = 0)
arr3 = np.delete(arr, 2, axis = 1)
print(arr1) 
print(arr2)
print(arr3)

[1 2 4 5 6 7 8 9]
[[1 2 3]
 [4 5 6]]
[[1 2]
 [4 5]
 [7 8]]

1.5.3 处理缺失值：isnan()

标记缺失值：isnan()函数

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, np.nan, 8, 9])
print(arr)
print(np.isnan(arr))

[ 1.  2.  3.  4.  5.  6. nan  8.  9.]
[False False False False False False  True False False]

补充缺失值：

arr[np.isnan(arr)] = 0
print(arr)

[1. 2. 3. 4. 5. 6. 0. 8. 9.]

1.5.4 处理重复值：unique()

import numpy as np
arr = np.array([8, 4, 2, 3, 5, 2, 5, 5, 6, 8, 8, 9])
arr1 = np.unique(arr)
arr1, arr2 = np.unique(arr, return_counts=True) # 两个返回值   arr1为去重后数组   arr2为每个元素出现的次数
print(arr1)
print(arr2)

[2 3 4 5 6 8 9]
[2 1 1 3 1 3 1]

1.5.5 拼接数组：concatenate()、hstack()、vstack()

1. concatenate()函数

同样axis参数可以指定拼接按行还是按列

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8, 9], [10, 11, 12]])
arr3 = np.concatenate((arr1, arr2), axis=0)   #行方向上拼接
arr4 = np.concatenate((arr1, arr2), axis=1)   #列方向上拼接
print(arr3)
print(arr4)

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

2. hstack()函数：以水平堆叠的方式拼接数组

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8, 9], [10, 11, 12]])
arr3 = np.hstack((arr1, arr2))
print(arr3)

[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

3. vstack()函数：以垂直堆叠的方式拼接数组

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8, 9], [10, 11, 12]])
arr3 = np.vstack((arr1, arr2))
print(arr3)

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

1.5.6 拆分数组：split()、hsplit()、vsplit()

1. split()函数

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
arr1 = np.split(arr, 2)   #第2个参数指定拆成几个数组
arr2 = np.split(arr, 4)
print(arr1)
print(arr2)

[array([1, 2, 3, 4, 5, 6]), array([ 7,  8,  9, 10, 11, 12])]
[array([1, 2, 3]), array([4, 5, 6]), array([7, 8, 9]), array([10, 11, 12])]

第二个参数还可以是数组，指定拆分的位置

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
arr3 = np.split(arr, [2, 6])
arr4 = np.split(arr, [2, 3, 8, 10])
print(arr3)
print(arr4)

[array([1, 2]), array([3, 4, 5, 6]), array([ 7,  8,  9, 10, 11, 12])]
[array([1, 2]), array([3]), array([4, 5, 6, 7, 8]), array([ 9, 10]), array([11, 12])]

2. hsplit()函数和vsplit()函数

hsplit()函数：横向拆成几个数组

vsplit()函数：纵向拆成几个数组

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9 , 10, 11, 12],[13, 14, 15, 16]])
arr5 = np.hsplit(arr, 2)
arr6 = np.vsplit(arr, 2)
print(arr5)
print(arr6)

[array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]]), array([[ 3,  4],
       [ 7,  8],
       [11, 12],
       [15, 16]])]
[array([[1, 2, 3, 4],
       [5, 6, 7, 8]]), array([[ 9, 10, 11, 12],
       [13, 14, 15, 16]])]

1.6 数组的运算

1.6.1 四则运算

数组与数组之间的运算

import numpy as np
arr1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])         
arr2 = np.array([[9, 10, 11, 12], [13, 14, 15, 16]])
arr3 = arr1 + arr2     #对应位置的元素相加
arr4 = arr1 * arr2     #对应位置的元素相乘
print(arr3)
print(arr4)

[[10 12 14 16]
 [18 20 22 24]]
[[  9  20  33  48]
 [ 65  84 105 128]]

数组与数值的运算

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
arr5 = arr + 5       #每个位置的元素+5
arr6 = arr * 10      #每个位置的元素*10
print(arr5)
print(arr6)

[[ 6  7  8  9]
 [10 11 12 13]]
[[10 20 30 40]
 [50 60 70 80]]

1.6.2 统计运算：sum()、mean()、max()

1. 求和：sum()函数

可以指定整个数组求和，还是按行或者按列

axis=0：每一列的元素求和

axis=1：每一行的元素求和

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
arr1 = arr.sum()
arr2 = arr.sum(axis=0)  #每一列的元素求和
arr3 = arr.sum(axis=1)  #每一行的元素求和
print(arr1)
print(arr2)
print(arr3)

78
[15 18 21 24]
[10 26 42]

2. 求平均值：mean()函数

axis=0：每一列求均值

axis=1：每一行求均值

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
arr1 = arr.mean()
arr2 = arr.mean(axis=0)  #每一列求均值
arr3 = arr.mean(axis=1)  #每一行求均值
print(arr1)
print(arr2)
print(arr3)

6.5
[5. 6. 7. 8.]
[ 2.5  6.5 10.5]

3. 求最值：max()函数

axis=0：每一列求最大值

axis=1：每一行求最大值

import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
arr1 = arr.max()
arr2 = arr.max(axis=0)   #每一列求最大值
arr3 = arr.max(axis=1)   #每一行求最大值
print(arr1)
print(arr2)
print(arr3)

12
[ 9 10 11 12]
[ 4  8 12]

Python数据分析（2）：numpy

一. numpy模块

1.1 创建数组

1.1.1 数组：array()

1.1.2 等差数组：arange()

1.1.3 随机数组：rand()、randn()、randint()

1.2 查看数组的属性

1.2.1 行列数：shape

1.2.2 元素个数：size

1.2.3 元素的数据类型：dtype

1.2.4 转换元素的数据类型：astype()

1.2.5 数组维度：ndim

1.3 选取数组元素

1.3.1 一维数组

1.3.2 二维数组

1.4 数组的重塑和转置：reshape()

1.4.1 一维数组

1.4.2 多维数组

1.4.3 多维重塑为一维：flatten()、ravel()

1.4.4 数组的转置：T属性、transpose()

1.5 数组的处理

1.5.1 添加元素：append()、insert()

1.5.2 删除元素：delete()

1.5.3 处理缺失值：isnan()

1.5.4 处理重复值：unique()

1.5.5 拼接数组：concatenate()、hstack()、vstack()

1.5.6 拆分数组：split()、hsplit()、vsplit()

1.6 数组的运算

1.6.1 四则运算

1.6.2 统计运算：sum()、mean()、max()

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

Python数据分析（2）：numpy

一. numpy模块

1.1 创建数组

1.1.1 数组：array()

1.1.2 等差数组：arange()

1.1.3 随机数组：rand()、randn()、randint()

1.2 查看数组的属性

1.2.1 行列数 ：shape

1.2.2 元素个数：size

1.2.3 元素的数据类型：dtype

1.2.4 转换元素的数据类型：astype()

1.2.5 数组维度：ndim

1.3 选取数组元素

1.3.1 一维数组

1.3.2 二维数组

1.4 数组的重塑和转置：reshape()

1.4.1 一维数组

1.4.2 多维数组

1.4.3 多维重塑为一维：flatten()、ravel()

1.4.4 数组的转置：T属性、transpose()

1.5 数组的处理

1.5.1 添加元素：append()、insert()

1.5.2 删除元素：delete()

1.5.3 处理缺失值：isnan()

1.5.4 处理重复值：unique()

1.5.5 拼接数组：concatenate()、hstack()、vstack()

1.5.6 拆分数组：split()、hsplit()、vsplit()

1.6 数组的运算

1.6.1 四则运算

1.6.2 统计运算：sum()、mean()、max()

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

1.2.1 行列数：shape