python数据分析 （numpy + pandas + matplotilb ）
ANACONDA
Jupyter NotBook
快捷键
- esc 退出输出
- dd 删除这一行
- a 在上方添加一行
- b 在下方添加一行
- m 切换markdown模式
- y 切换代码行
- shift + Enter 运行这行代码
NumPy 科学计算
提供一个便于数学操作的数组对象
ndarray
- 多维性 支持高维数组
- 同质性 元素类型需要一致
- 高效性 基于连续内存块存储， 支持向量化运算
ndarray的特性
import numpy as np
# as 重命名模块
arr = np.array(5) # 0维ndarray数组
print(arr)
5
print("维度：",arr.ndim)
维度： 0
arr = np.array([1,2,3]) # 1维ndarray数组
print(arr)
print("维度：",arr.ndim)
[1 2 3]
维度： 1
arr = np.array([[1,2,3],[4,5,6]]) # 2维ndarray数组
print(arr)
print("维度：",arr.ndim)
[[1 2 3]
[4 5 6]]
维度： 2
arr = np.array([1, "abc"]) # 不同的数据类型，ndarray数组会自动转换成同一数据类型
print(arr)
print("维度：",arr.ndim)
['1' 'abc']
维度： 1
arr = np.array([1, 2.5]) # 不同的数据类型，ndarray数组会自动转换成同一数据类型
print(arr)
print("维度：",arr.ndim)
[1. 2.5]
维度： 1
ndarray 的属性
- shape 数组的形状 arr.shape
- ndim 维度数量
- size 总元素个数
- dtype 元素类型
- T 转置
- itemsize 单个元素占用字节数
- nbytes 数组内存占用量
- flags 内存存储方式
import numpy as np
arr = np.array(1)
print(arr)
print('数组的形状：',arr.shape)
print('数组的维度：',arr.ndim)
print('元素个数', arr.size)
print('元素类型', arr.dtype)
1
数组的形状： ()
数组的维度： 0
元素个数 1
元素类型 int64
arr = np.array([1,2,3])
print(arr)
print('数组的形状：',arr.shape)
print('数组的维度：',arr.ndim)
print('元素个数', arr.size)
print('元素类型', arr.dtype)
[1 2 3]
数组的形状： (3,)
数组的维度： 1
元素个数 3
元素类型 int64
arr = np.array([[1,2,3],[4,5,6]])
print(arr)
print('数组的形状：',arr.shape) # 2*3
print('数组的维度：',arr.ndim)
print('元素个数', arr.size)
print('元素类型', arr.dtype)
print('转置', arr.T)
[[1 2 3]
[4 5 6]]
数组的形状： (2, 3)
数组的维度： 2
元素个数 6
元素类型 int64
转置 [[1 4]
[2 5]
[3 6]]
# 浮点数
arr = np.array([1, 2.5])
print(arr)
print('元素类型', arr.dtype)
[1. 2.5]
元素类型 float64
ndarray的创建
import numpy as np
arr = np.array([1,2,3,4,5])
print( arr)
[1 2 3 4 5]
#基础创建方法，参数为列表
list1 = [[1,2,3,4,5],[6,7,8,9,10]]
arr1 = np.array(list1,dtype=float)
print(arr1)
print(arr1.T)
print(arr1.dtype)
[[ 1. 2. 3. 4. 5.]
[ 6. 7. 8. 9. 10.]]
[[ 1. 6.]
[ 2. 7.]
[ 3. 8.]
[ 4. 9.]
[ 5. 10.]]
float64
# copy
arr2 = np.copy(arr1) # 只有元素相同 ，地址不同
print(arr2)
[[ 1. 2. 3. 4. 5.]
[ 6. 7. 8. 9. 10.]]
# 预定义形状
# 全0 全1 未定义
#全0
arr3 = np.zeros((2,3))
print(arr3)
print(arr3.dtype)
[[0. 0. 0.]
[0. 0. 0.]]
float64
#全1
arr4 = np.ones((2,3),dtype=int)
print(arr4)
print(arr4.dtype)
[[1 1 1]
[1 1 1]]
int64
# 未定义 不推荐
arr5 = np.empty((2,3),dtype=int)
print(arr5)
print(arr5.dtype)
[[4607182418800017408 4607182418800017408 4607182418800017408]
[4607182418800017408 4607182418800017408 4607182418800017408]]
int64
# 其他形状
arr6 = np.full((2,3),2025)
print(arr6)
print(arr6.dtype)
[[2025 2025 2025]
[2025 2025 2025]]
int64
# 其他形状
arr7 = np.zeros_like(arr6) # 根据arr6的形状创建
print(arr7)
print(arr7.dtype)
arr8 = np.ones_like(arr6) # 根据arr6的形状创建
print(arr8)
print(arr8.dtype)
arr9 = np.full_like(arr6,2025)
print(arr9)
print(arr9.dtype)
[[0 0 0]
[0 0 0]]
int64
[[1 1 1]
[1 1 1]]
int64
[[2025 2025 2025]
[2025 2025 2025]]
int64
ndarry数据类型
- bool
- int 8、16、32、64（uint）
- float 8、16、32、64
- complex68 | 128
索引切片
- 索引从0开始
- 行/列切片
- 连续切片
- sellct 切片
- bool 切片
import numpy as np
# 一维数组 索引与切片
arr = np.random.randint(1,100,20)
print(arr)
[34 35 49 37 4 35 86 61 21 95 90 16 68 75 4 10 48 74 29 8]
print(arr[0])
print(arr[:]) # 切片
print(arr[2:5]) # start:end+1
print(arr[slice(2,15,3)]) # slice(start,end,step)
print(arr[(arr>10) & (arr<50)]) # bool 索引
34
[34 35 49 37 4 35 86 61 21 95 90 16 68 75 4 10 48 74 29 8]
[49 37 4]
[49 35 21 16 4]
[34 35 49 37 35 21 16 48 29]
# 二维数组 索引与切片
arr = np.random.randint(1,100,(4,8))
print(arr)
[[90 16 15 55 28 21 81 87]
[60 8 49 16 94 20 72 78]
[83 94 66 10 69 55 90 43]
[94 60 53 4 15 62 28 14]]
print(arr[0,3])
print(arr[1,:]) # 前面是行索引，后面是列索引
print(arr[:,1]) # 切片
print(arr[(arr>10) & (arr<50)]) # bool 索引 变成一维数组
print(arr[2][arr[2] > 50]) # 嵌套
55
[60 8 49 16 94 20 72 78]
[16 8 94 60]
[16 15 28 21 49 16 20 43 15 28 14]
[83 94 66 69 55 90]
ndarry运算
numpy 基本函数
