【Python数据分析 - 5】:Numpy-数组的基本操作

简介: 【Python数据分析 - 5】:Numpy-数组的基本操作

数组的创建


案例一:数组创建示例


2b0d837ff1324284ae0ee67dd5b97816.png



案例二:数组的修改


array:创建一个新的数组,修改原来数组中的数据时,不会修改新数组中的数据。

asarray:引用原来的数组。

0f02a8e9ea5e4889a277b32d8dba5415.png

fd7bfc3064fd4637934e3a0479860ada.png




案例三:创建固定范围的数组

7a8125fba1d64781b499d605bd38b96a.png

案例四:生成随机数

6c170d0922674b0c82b4d4854fa035c0.png

案例五:创建随机数组

351a3745b0f34ec981a8c35eacae251a.png




正态分布


案例一:生成随机正太分布

04cfa98d78a2475d852067f24b85c1f9.png


案例二:创建标准正态分布

051dfbfffda54efca3c26664534d3fd8.png

案例三:随机生成500支股票2年的交易日涨跌幅数据

8416df92a79e41c3ada7a4a9c3b7eb54.png



reshape:没有改变原来的形状,修改数据时数据量要匹配

bb989650c2cf47cd902522f440576098.png



resize:修改原来的形状

9a24b1e68a014535b80d11b0fb9da36a.png

astype:修改类型

4076add0d091414197394ee275c6195e.png

np.round:修改小数的位数

5189902ff97345ecbf6884ddb8a720f8.png

T:数组转换(转置)

T:把行列进行互换,相当于reshape,不能修改原来的形状

5dfcfafafadf423496139a9bf248053f.png


案例四:tostring() - 数值转换


tostring:将数值转换成bytes,比如数值想要保存在文件中,不能直接保存数值的类型。

当数据太多,jupyter会进行数组的输出限制。


7456276581184cc381f542904a22df11.png

相关文章
|
2月前
|
计算机视觉 Python
PIL图像转换为Numpy数组:技术与案例详解
本文介绍了如何将PIL图像转换为Numpy数组,以便利用Numpy进行数学运算和向量化操作。首先简要介绍了PIL和Numpy的基本功能,然后详细说明了转换过程,包括导入库、打开图像文件、使用`np.array()`或`np.asarray()`函数进行转换,并通过打印数组形状验证转换结果。最后,通过裁剪、旋转和缩放等案例展示了转换后的应用,以及如何将Numpy数组转换回PIL图像。此外,还介绍了处理base64编码图像的完整流程。
60 4
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
3月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
198 4
数据分析的 10 个最佳 Python 库
|
3月前
|
存储 数据可视化 数据挖掘
Python数据分析项目:抖音短视频达人粉丝增长趋势
Python数据分析项目:抖音短视频达人粉丝增长趋势
|
3月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
146 5
|
3月前
|
数据采集 存储 数据可视化
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
|
3月前
|
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
|
3月前
|
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。
|
3月前
|
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。
117 3
|
3月前
|
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。
126 2

热门文章

最新文章

推荐镜像

更多