Python 數據分析與展示筆記1 – NumPy 基礎

---

Python 數據分析與展示系列筆記是筆者學習、實踐Python 數據分析與展示的相關筆記

課程鏈接： Python 數據分析與展示

參考文檔：
NumPy 官方文檔（英文）
NumPy 官方文檔（中文）
PIL 官方文檔

---

一、NumPy 簡介

---

1、安裝與導入

# 安裝 pip install numpy# 導入 import numpy as np

2、ndarray 數組

ndarray 數組：

• ndarray 可以表示 N 維數組
• ndarray 數組對象的運算是經過優化的，可以去掉元素間運算所需的循環，提升運算速度
• 數組中的數據類型最好一樣，才能發揮優化的性能

ndarray 對象的屬性：

屬性說明

.ndim	秩，即軸的數量或維度的數量
.shape	ndarray 對象的尺度，對于矩陣，n行m列
.size	ndarray 對象元素的個數，相當于 .shape 中 n*m 的值
.dtype	ndarray對象的元素類型
.itemsize	ndarray對象中每個元素的大小，以字節為單位

ndarray 的元素類型：

數據類型說明

bool	布爾類型，True或False
intc	與C語言中的int類型一致，一般是int32或int64
intp	用于索引的整數，與C語言中ssize_t一致，int32或int64
int8	字節長度的整數，取值：[‐128, 127]
int16	16位長度的整數，取值：[‐32768, 32767]
int32	32位長度的整數，取值：[‐231, 231‐1]
int64	64位長度的整數，取值：[‐263, 263‐1]
uint8	8位無符號整數，取值：[0, 255]
uint16	16位無符號整數，取值：[0, 65535]
uint32	32位無符號整數，取值：[0, 232‐1]
uint64	32位無符號整數，取值：[0, 264‐1]
float16	16位半精度浮點數：1位符號位，5位指數，10位尾數
float32	32位半精度浮點數：1位符號位，8位指數，23位尾數
float64	64位半精度浮點數：1位符號位，11位指數，52位尾數
complex64	復數類型，實部和虛部都是32位浮點數
complex128	復數類型，實部和虛部都是64位浮點數

---

二、ndarray 數組的操作

---

1、創建 ndarray 數組

方法說明

np.array(list/tuple, dtype)	從列表、元組等中創建
np.arange(n, dtype)	類似range()函數，返回ndarray類型，元素從0到n‐1
np.ones(shape, dtype)	根據shape生成一個全1數組，shape是元組類型
np.zeros(shape, dtype)	根據shape生成一個全0數組，shape是元組類型
np.full(shape,val, dtype)	根據shape生成一個數組，每個元素值都是val
np.eye(n, dtype)	創建n*n單位矩陣，即對角線為1，其余為0
np.ones_like(a, dtype)	根據數組a的形狀生成一個全1數組
np.zeros_like(a, dtype)	根據數組a的形狀生成一個全0數組
np.full_like(a,val, dtype)	根據數組a的形狀生成一個數組，每個元素值都是val
np.linspace(start,end,num)	從start到end等間距地填充num各數據，形成數組
np.concatenate((a,b))	將兩個或多個數組合并成一個新的數組

2、ndarray 數組的變換

方法說明

.reshape(shape)	不改變數組元素，返回一個shape形狀的數組，原數組不變
.resize(shape)	與.reshape()功能一致，但修改原數組
.swapaxes(ax1,ax2)	將數組n個維度中兩個維度進行調換
.flatten()	對數組進行降維，返回折疊后的一維數組，原數組不變
.astype(new_type)	不改變數組元素，改變元素的數據類型
.tolist()	轉化為列表 list 類型

3、ndarray 數組的索引和切片

方法說明

.[index]	索引，index從0開始，-1表示倒數第一個
.[start, end, dist]	切片，從 star t到 end，間距為 dist

4、Numpy 一元函數

函數說明

np.abs(x)、np.fabs(x)	計算數組各元素的絕對值
np.sqrt(x)	計算數組各元素的平方根
np.square(x)	計算數組各元素的平方
np.log(x)、np.log10(x)、np.log2(x)	計算數組各元素的自然對數、10底對數和2底對數
np.ceil(x)	np.floor(x) 計算數組各元素的ceiling值或floor值
np.rint(x)	計算數組各元素的四舍五入值
np.modf(x)	將數組各元素的小數和整數部分以兩個獨立數組形式返回
np.cos(x)、np.cosh(x)
np.sin(x)、np.sinh(x)
np.tan(x)、np.tanh(x)	計算數組各元素的普通型和雙曲型三角函數
np.exp(x)	計算數組各元素的指數值
np.sign(x)	計算數組各元素的符號值，1(+), 0, ‐1(‐)

5、Numpy 二元函數

函數說明

+ ‐ * / **	兩個數組各元素進行對應運算
np.maximum(x,y) np.fmax()
np.minimum(x,y) np.fmin()	元素級的最大值/最小值計算
np.mod(x,y)	元素級的模運算
np.copysign(x,y)	將數組y中各元素值的符號賦值給數組x對應元素
> < >= <= == !=	兩個數組各元素進行算術比較，產生布爾型數組

6、NumPy 統計函數

函數說明

sum(a, axis=None)	根據給定軸axis計算數組a相關元素之和，axis整數或元組
mean(a, axis=None)	根據給定軸axis計算數組a相關元素的期望，axis整數或元組
average(a,axis=None,weights=None)	根據給定軸axis計算數組a相關元素的加權平均值
std(a, axis=None)	根據給定軸axis計算數組a相關元素的標準差
var(a, axis=None)	根據給定軸axis計算數組a相關元素的方差
min(a)、max(a)	計算數組a中元素的最小值、最大值
argmin(a)、argmax(a)	計算數組a中元素最小值、最大值的降一維后下標
unravel_index(index, shape)	根據shape將一維下標index轉換成多維下標
ptp(a)	計算數組a中元素最大值與最小值的差
median(a)	計算數組a中元素的中位數（中值）

7、NumPy 隨機函數

函數說明

np.random.rand(d0,d1,…,dn)	根據d0‐dn創建隨機數數組，浮點數，[0,1)，均勻分布
np.random.randn(d0,d1,…,dn)	根據d0‐dn創建隨機數數組，標準正態分布
np.random.randint(low[,high,shape])	根據shape創建隨機整數或整數數組，范圍是[low, high)
np.random.seed(s)	隨機數種子，s是給定的種子值
np.random.shuffle(a)	根據數組a的第1軸進行隨排列，改變數組x
np.random.permutation(a)	根據數組a的第1軸產生一個新的亂序數組，不改變數組x
np.random.choice(a[,size,replace,p])	從一維數組a中以概率p抽取元素，形成size形狀新數組， replace表示是否可以重用元素，默認為False
np.random.uniform(low,high,size)	產生具有均勻分布的數組,low起始值,high結束值,size形狀
np.random.normal(loc,scale,size)	產生具有正態分布的數組,loc均值,scale標準差,size形狀
np.random.poisson(lam,size)	產生具有泊松分布的數組,lam隨機事件發生率,size形狀

8、NumPy 梯度函數

函數說明

np.gradient(f)	計算數組f中元素的梯度，當f為多維時，返回每個維度梯度， 中間元素的梯度=(后-前)/2，最左/上邊元素=(后-自己)，最右/下邊元素=(自己-前)

9、NumPy 數據平滑函數

函數原型：

np.convolve(a, v, mode='full')

參數：

• a：需要平滑的一維數組，大小為N
• v：一維權重數組，窗口大小為M
• mode：平滑模式，可選 ‘full’, ‘valid’, ‘same’
  • full：默認值，返回每一個卷積值，長度是N+M-1,在卷積的邊緣處，信號不重疊，存在邊際效應
  • same：返回的數組長度為max(M, N)，邊際效應依舊存在
  • valid：返回的數組長度為max(M,N) - min(M,N) + 1，此時返回的是完全重疊的點，邊緣的點無效

---

三、NumPy 數據存取

---

1、一維/二維數組（通常為csv格式）

函數原型：

# 保存 np.savetxt(frame, array, fmt='%.18e', delimiter=None)# 讀取 np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)

參數：

• frame：保存的文件名，可以是.gz或.bz2的壓縮文件格式
• array：存入文件的數組
• fmt：寫入文件的格式，例如：%d %.2f %.18e
• delimiter：分割字符串，默認是任何空格，csv文件為逗號
• dtype : 數據類型，可選
• unpack : 如果True，讀入屬性將分別寫入不同變量

2、任意維度（通常為文本格式）

• 被拉平為一維數組存入
• 讀取時需要知道數組原本的維度，才能正確還原

函數原型：

# 保存 ndarray.tofile(frame, sep='', format='%s')# 讀取 np.fromfile(frame, dtype=float, count=‐1, sep='')

參數：

• frame：保存的文件名，文件、字符串類型
• dtype：數據類型，可選
• sep：數據分割字符串，如果是空串，寫入文件為二進制
• format：寫入數據的格式
• count：讀入元素個數，‐1表示讀入整個文件

3、NumPy 自己的類型

• 可以保存任意維度的數組，直接讀取就能正確還原

函數原型：

# 保存 np.save(fname, array) # npy格式 np.savez(fname, array) # npz格式，為npy的壓縮形式# 讀取 np.load(fname)

參數：

• frame：文件名，.npy / .npz 格式
• array：存入文件的數組

---

GOOD LUCK!

---

總結

以上是生活随笔為你收集整理的Python 数据分析与展示笔记1 -- Numpy 基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。