Python数据分析大杀器之Numpy详解

Python数据分析大杀器之Numpy详解,第1张

Python数据分析
  • 🌸个人主页:JoJo的数据分析历险记
  • 📝个人介绍:小编大四统计在读,目前保研到统计学top3高校继续攻读统计研究生
  • 💌如果文章对你有帮助,欢迎关注、点赞、收藏、订阅专栏

本专栏主要介绍python数据分析领域的应用
参考资料:
https://github.com/fengdu78/Data-Science-Notes

文章目录
  • Python数据分析
  • 💮numpy 基础
    • 🏵️1.数组对象
    • 🌹2.使用numpy创建多维数组
    • 🥀3.多维数组数据类型
      • 🌺3.1 查看数据类型
      • 🌻3.2 转换数据类型
    • 🌼4.numpy数组运算
      • 🌷4.1 数组相加
      • 🌱4.2 数组减法
      • 🌲4.3 数组乘法
      • 🌳4.4 数组除法
      • 🌴4.5 数组比较
    • 🌵5.广播机制
    • 🌾6.基础索引和切片
    • 🌿7.布尔型索引
    • ☘️8.花式索引
    • 🍀9.数组转置和纬度变换
    • 🍁10.numpy数学函数
    • 🍂11 线性代数
    • 🍃12.随机数生成
  • ✨文章推荐

💮numpy 基础

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。在我们数据分析时,方便我们进行数据的基本处理,并且它的速度很快。本文介绍一下numpy的基础用法,如果想要全面的学习numpy,可以参考numpy官方文档

首先导入numpy包,如果没有需要提前安装

pip install numpy

import numpy as np
🏵️1.数组对象

我们可以使用np.arange()函数创建数组对象

首先我们创建一个一维数组

arr1 = np.arange(10)
arr1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

使用type()查看arr1的类型

type(arr1)
numpy.ndarray

可以看出arr1的数据类型是ndarry

下面再来查看一下这个数组纬度的个数,数组纬度,和数组个数以及数组元素的类型

arr1.ndim  
1

说明是一维数组

arr1.shape
(10,)

说明数组是(10,)的

arr1.size
10

数组一共有十个元素

arr1.dtype
dtype('int32')

说明数组的元素都是int32类型的

🌹2.使用numpy创建多维数组

上面我们介绍了数组对象的基本使用,在numpy中,有多重方式可以创建数组对象,上面我们使用了np.arange(),下面我们看一下如何使用其他方法创建多维数组

下面这个两个代码返回结果一样

arr2 = np.array([1,2,3])
arr3 = np.arange(1,4)
arr2 == arr3
array([ True,  True,  True])

创建二维数组

arr4 = np.array([[1,2,3],[4,5,6]])
arr4
array([[1, 2, 3],
       [4, 5, 6]])

创建3*3的零数组

np.zeros((3,3))
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

创建一个3*3的1数组

np.ones((3,3))
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

创建一个3*3的单位阵

np.eye(3)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

使用dtype参数在定义数组时定义元素类型

np.eye(3,dtype='float')
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

生成指定值的3*3数组

np.full((3,3),fill_value=5)
array([[5, 5, 5],
       [5, 5, 5],
       [5, 5, 5]])

numpy定义数组的主要函数如下

🥀3.多维数组数据类型 🌺3.1 查看数据类型
n1 = np.array([[1,2,3],[4,5,6]])
n1.dtype
dtype('int32')
🌻3.2 转换数据类型
n2 = n1.astype(np.float32)
n2
array([[1., 2., 3.],
       [4., 5., 6.]], dtype=float32)

numpy中具体的数据类型如下

🌼4.numpy数组运算 🌷4.1 数组相加
n1 + n1
array([[ 2,  4,  6],
       [ 8, 10, 12]])

🌱4.2 数组减法
n1-n1
array([[0, 0, 0],
       [0, 0, 0]])
🌲4.3 数组乘法

使用*用于数组相乘,返回对应位置上的乘积

n1 * n1
array([[ 1,  4,  9],
       [16, 25, 36]])
🌳4.4 数组除法
n1 / n1
array([[1., 1., 1.],
       [1., 1., 1.]])
🌴4.5 数组比较
n3 = arr2 = np.array([[0.,4.,1.],[7.,2.,12,]])
n1>n3
array([[ True, False,  True],
       [False,  True, False]])
🌵5.广播机制

数组之间要想做加减乘除默认情况下要求纬度是相等的,但是numpy有一个技巧叫做广播机制,能根据数组纬度自动进行填充,我们先来看一个简单的例子

a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]])
b = np.array([1.0,2.0,3.0])
print('第一个数组:')
print(a)
print('\n第二个数组:')
print(b)
print('\n第一个数组加第二个数组:')
print(a + b)

第一个数组:
[[ 0.  0.  0.]
 [10. 10. 10.]
 [20. 20. 20.]
 [30. 30. 30.]]

第二个数组:
[1. 2. 3.]

第一个数组加第二个数组:
[[ 1.  2.  3.]
 [11. 12. 13.]
 [21. 22. 23.]
 [31. 32. 33.]]

从上述结果可以看出,这两个数组的纬度并不相同,但是他们具有相同的列,此时,触发广播机制,第二个数组默认重复。其具体工作原理可以看一下下面这张图

注意:广播机制也不是任意两个数组都能触发的,例如下面这个例子

a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]])
b = np.array([1.0,2.0])
a+b
---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

Input In [23], in ()
      1 a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]])
      2 b = np.array([1.0,2.0])
----> 3 a+b


ValueError: operands could not be broadcast together with shapes (4,3) (2,) 

此时报错了,这是因为a数组是(4,3),b数组是(2,)

🌾6.基础索引和切片

numpy索引是中返回某一个给定位置的元素,切片是返回一个数组形式

通过下面这张图具体看一下切片的原理

下面我们通过一些实际例子来说明如何使用切片和索引

arr = np.arange(10)
print(arr)
print(arr[5])#返回数组的第六个元素

print(arr[5:8])# 返回数组的第6,7,8个元素,并返回数组

print(arr[1:6:2])#返回索引为1-6的元素,以2为步长
[0 1 2 3 4 5 6 7 8 9]
5
[5 6 7]
[1 3 5]

上述我们可以看出numpy中基础索引和切片的使用方法,基本和python的list用法一样,
下面我们看一下在多维数组情况下是如何使用的

二维数组情况下索引返回一个一维数组,切片返回一个二维数组

arr2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 创建二维数组
arr2d[1]

array([4, 5, 6])
arr2d[1:3]
array([[4, 5, 6],
       [7, 8, 9]])

三维数组情况下索引返回一个二维数组,切片返回一个三维数组

arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d[0]

array([[1, 2, 3],
       [4, 5, 6]])
arr3d[0:1]
array([[[1, 2, 3],
        [4, 5, 6]]])
🌿7.布尔型索引

根据布尔型进行索引原则,如果是True,则选择,如果是False,则不选择

# 定义一个名字数据
names = np.array(['Bob','Joe','Will','Bob'])
data = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]])
#一个名字代表一行
print(names)
print(data)
['Bob' 'Joe' 'Will' 'Bob']
[[79 88 80]
 [89 90 92]
 [83 78 85]
 [78 76 80]]

下面我们要返回名字是Bob的行

names == 'Bob'
array([ True, False, False,  True])

首先得到了一个布尔型数组,我们通过这个布尔型进行索引

data[names=='Bob']
array([[79, 88, 80],
       [78, 76, 80]])

发现结果返回第一行和最后一行,刚好对应Bob对应的位置

☘️8.花式索引

基本思想是利用整数数组进行索引

# 首先生成一个二维数组
arr = np.arange(32).reshape((8,4))
arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27],
       [28, 29, 30, 31]])

下面我们先传入单个索引数组,如下所示

arr[[4,3,0,6]]
array([[16, 17, 18, 19],
       [12, 13, 14, 15],
       [ 0,  1,  2,  3],
       [24, 25, 26, 27]])

结果一次性返回索引为[4,3,0,6]组合的二维数组

#一次传入多个索引数组会有一点特别。它返回的是一个一维数组,其中的元素对应各个索引元元素
# 例如返回(1,0),(5,3)的元素
arr[[1,5],[0,3]]
array([ 4, 23])

🍀9.数组转置和纬度变换

在进行矩阵运算时候,例如在神经网络中计算前向传播和反向传播时,经常要用到矩阵的转置,下面我们来看一下如何使用numpy进行转置

# 生成一个二维数组
arr = np.arange(12).reshape(3, 4)

使用T方法可以直接进行转置

arr.T 
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11]])

使用reshape方法进行纬度转换

arr = np.arange(16).reshape((2, 2, 4)) 
arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

使用Transpose方法进行转置

arr.transpose(1, 2,0)  
array([[[ 0,  8],
        [ 1,  9],
        [ 2, 10],
        [ 3, 11]],

       [[ 4, 12],
        [ 5, 13],
        [ 6, 14],
        [ 7, 15]]])
🍁10.numpy数学函数
arr = np.array([1,2,3])

求平方

np.square(arr)
array([1, 4, 9], dtype=int32)

开方

np.sqrt(arr)
array([1.        , 1.41421356, 1.73205081])

🍂11 线性代数

numpy中还有许多关于线性代数的函数,具体如下:

x = np.array([[1,2,3],[4,5,6]])
y = np.array([[1,2],[4,5],[5,8]])

矩阵相乘

np.dot(x,y)
array([[24, 36],
       [54, 81]])
from numpy.linalg import inv,qr

求矩阵的逆

x = np.array([[1,2,3],[4,5,6],[7,8,9]])
inv(x)
array([[ 3.15251974e+15, -6.30503948e+15,  3.15251974e+15],
       [-6.30503948e+15,  1.26100790e+16, -6.30503948e+15],
       [ 3.15251974e+15, -6.30503948e+15,  3.15251974e+15]])

求矩阵特征根矩阵

qr(x)
(array([[-0.12309149,  0.90453403,  0.40824829],
        [-0.49236596,  0.30151134, -0.81649658],
        [-0.86164044, -0.30151134,  0.40824829]]),
 array([[-8.12403840e+00, -9.60113630e+00, -1.10782342e+01],
        [ 0.00000000e+00,  9.04534034e-01,  1.80906807e+00],
        [ 0.00000000e+00,  0.00000000e+00, -1.11164740e-15]]))
🍃12.随机数生成

使用np.random模块生成随机数,每一次结果都不同,为了代码的可复现性,可以设置随机种子

np.random.rand(3, 3)     # 随机生成一个二维数组
array([[0.5488135 , 0.71518937, 0.60276338],
       [0.54488318, 0.4236548 , 0.64589411],
       [0.43758721, 0.891773  , 0.96366276]])
np.random.rand(2, 3, 3) # 随机生成一个三维数组
array([[[0.38344152, 0.79172504, 0.52889492],
        [0.56804456, 0.92559664, 0.07103606],
        [0.0871293 , 0.0202184 , 0.83261985]],

       [[0.77815675, 0.87001215, 0.97861834],
        [0.79915856, 0.46147936, 0.78052918],
        [0.11827443, 0.63992102, 0.14335329]]])
np.random.seed(0) 
np.random.rand(4)   # 生成随机数种子
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318])
np.random.seed(0) 
np.random.rand(4)   
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318])

可以看出当我们设定好随机数种子之后,生成的随机数是一致的

✨文章推荐

Python数据可视化大杀器之Seaborn:学完可实现90%数据分析绘图

大家如果想要Numpy100题题目和答案可以在评论区留言!

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/755739.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-04-30
下一篇 2022-04-30

发表评论

登录后才能评论

评论列表(0条)

保存