NumPy相关知识
1. NumPy，全称是 Numerical Python，它是目前 Python 数值计算中最重要的基础模块。
2. NumPy 是针对多维数组的一个科学计算模块，这个模块封装了很多数组类型的常用操作。
3. NumPy 中最重要的对象是多维数组。
创建多维数组
1. 将一个列表作为参数传入 numpy 中的 array() 方法即可创建一个多维数组。
2. 我们也可以使用 numpy 中的 ones() 方法或者 zeros() 方法。
3. np.ones() 和 np.zeros() 的参数用于指定生成的多维数组里有多少个元素。
4. 默认生成的是浮点数，numpy 会省略小数点后的 0，因此 1.0 和 0.0 变成了 1. 和 0.。
5. 如果我们想要生成整数的话，可以传入 dtype='类型' 来指定类型。
5. 一般我们使用 import numpy as np ，即用 np 来简写 numpy。
import numpy as np list=np.array([1,2,3]) print(list) print(type(list)) #输出结果 #[1 2 3] #<class 'numpy.ndarray'> one=np.ones(5) print(one) print(type(one)) #[1. 1. 1. 1. 1.] #<class 'numpy.ndarray'> zero=np.zeros(3) print(zero) print(type(zero)) #[0. 0. 0.] #<class 'numpy.ndarray'> one=np.ones(5,dtype='int') print(one) print(type(one)) #输出结果 [1 1 1 1 1]
1. 列表间只有加法操作，作用是将两个列表的元素合并在一起。
2. 而多维数组间可以进行加减乘除的四则运算。
3. 运算规则也很简单：将两个数组中对应位置的元素一一进行运算。
import numpy as np data = np.array([1, 2]) ones = np.ones(2) print(data + ones) #最终输出 [2. 3.] data = np.array([1, 2]) print(data + 1) # 输出：[2 3]
多维数组的索引
1. 多维数组的索引与字符串、列表的索引规则相同。
1. data = np.array([1, 2, 3]) 2. print(data[0]) 3. #输出 1
多维数组的分片
1. 多维数组的分片与字符串、列表的分片规则相同。
2. data[m : n] ，分片是左闭右开区间，即包含 m 不包含 n。
3. 冒号前后的值是可以省略的：省略后冒号前默认为 0，冒号后默认为列表的长度。
4. 对列表分片后的数据进行更改不会影响原数据，但对多维数组分片后的数据进行更改会影响到原数据。
5. 分片支持传入第三个参数——步长，即分片时每隔几个数据取一次值。步长的默认值为 1，当步长为负数时，会将顺序反转。
data = np.array([1, 2, 3]) print(data[0:2]) # 获取索引为 0 和 1 的元素 # 输出：[1 2] data = np.array([1, 2, 3]) # 获取前 2 个元素 print(data[:2]) # 输出：[1 2] # 获取后 2 个元素 print(data[-2:]) # 输出：[2 3] # 获取所有元素 print(data[:]) # 输出：[1 2 3] lst_data = [1, 2, 3] lst_data2 = lst_data[:] lst_data2[0] = 6 print(lst_data) # 输出：[1, 2, 3] arr_data = np.array([1, 2, 3]) arr_data2 = arr_data[:] arr_data2[0] = 6 print(arr_data) # 输出：[6 2 3] data = np.array([1, 2, 3, 4, 5, 6]) print(data[::2]) # 省略前两个参数 # 输出：[1 3 5] data = np.array([1, 2, 3, 4, 5, 6]) print(data[::-1]) # 省略前两个参数 # 输出：[6 5 4 3 2 1]
简单的数据分析
集中趋势
1. 集中趋势所反映的是一组数据所具有的共同趋势，它代表了一组数据的总体水平。
2. 其常用指标有平均数、中位数和众数。
离中趋势
1. 离中趋势是指一组数据中各数据值以不同程度的距离偏离其中心（平均数）的趋势。
2. 其常用指标有极差、方差和标准差。
3. 极差是一组数据的最大值减去最小值得到的，反应了数据变动的最大范围。
4. 方差和标准差都能反映数据的离散程度，也就是数据的波动程度。方差和标准差的值越小，说明数据越稳定。
数据分析操作方法
1. 在 numpy 上调用对应函数并传入数据如：np.std(data)。
import numpy as np player1 = np.array([4, 16, 5, 8, 11, 40, 4, 12, 23, 13]) player2 = np.array([9, 8, 12, 11, 9, 10, 13, 10, 11, 13]) player3 = np.array([4, 6, 8, 5, 6, 7, 6, 5, 8, 6]) print("1号玩家平均数",np.median(player1)) print("2号玩家平均数",np.median(player2)) print("3号玩家平均数",np.median(player3)) print("1号玩家方差",np.std(player1)) print("2号玩家方差",np.std(player1)) print("3号玩家方差",np.std(player1)) #输出结果 #1号玩家平均数 11.5 #2号玩家平均数 10.5 #3号玩家平均数 6.0 #1号玩家方差 10.44222198576529 #2号玩家方差 10.44222198576529 #3号玩家方差 10.44222198576529
致谢
感谢您花时间阅读这篇文章！如果您对本文有任何疑问、建议或是想要分享您的看法，请不要犹豫，在评论区留下您的宝贵意见。每一次互动都是我前进的动力，您的支持是我最大的鼓励。期待与您的交流，让我们共同成长，探索技术世界的无限可能！
