【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
|
17天前
|
机器学习/深度学习 数据可视化 算法
使用Python进行数据分析:从零开始的指南
【10月更文挑战第9天】使用Python进行数据分析:从零开始的指南
32 1
WK
|
3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
61 36
|
14天前
|
机器学习/深度学习 数据采集 数据挖掘
11种经典时间序列预测方法:理论、Python实现与应用
本文将总结11种经典的时间序列预测方法,并提供它们在Python中的实现示例。
50 2
11种经典时间序列预测方法:理论、Python实现与应用
|
1天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
12 5
|
5天前
|
数据采集 数据可视化 数据挖掘
R语言与Python:比较两种数据分析工具
R语言和Python是目前最流行的两种数据分析工具。本文将对这两种工具进行比较,包括它们的历史、特点、应用场景、社区支持、学习资源、性能等方面,以帮助读者更好地了解和选择适合自己的数据分析工具。
9 2
|
10天前
|
开发者 Python
Python中的魔法方法与运算符重载
在Python的奇妙世界里,魔法方法(Magic Methods)和运算符重载(Operator Overloading)是两个强大的特性,它们允许开发者以更自然、更直观的方式操作对象。本文将深入探讨这些概念,并通过实例展示如何利用它们来增强代码的可读性和表达力。
|
17天前
|
数据采集 数据可视化 数据挖掘
使用Python进行高效的数据分析
【10月更文挑战第9天】使用Python进行高效的数据分析
16 1
|
5天前
|
数据采集 机器学习/深度学习 数据可视化
深入浅出:用Python进行数据分析的入门指南
【10月更文挑战第21天】 在信息爆炸的时代,掌握数据分析技能就像拥有一把钥匙,能够解锁隐藏在庞大数据集背后的秘密。本文将引导你通过Python语言,学习如何从零开始进行数据分析。我们将一起探索数据的收集、处理、分析和可视化等步骤,并最终学会如何利用数据讲故事。无论你是编程新手还是希望提升数据分析能力的专业人士,这篇文章都将为你提供一条清晰的学习路径。
|
14天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据处理与可视化——以气温数据分析为例
【10月更文挑战第12天】使用Python进行数据处理与可视化——以气温数据分析为例
115 0
|
14天前
|
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
13 0