利用Python進行資料分析：【NumPy】

標籤：安裝方法   maximum   size   檔案的   lin   for   建立   end   對應檔   

一、NumPy：數組計算
1、NumPy是高效能科學計算和資料分析的基礎包。它是pandas等其他各種工具的基礎。
2、NumPy的主要功能：

# ndarray，一個多維陣列結構，高效且節省空間的# 無需迴圈對整組資料進行快速運算的數學函數# *讀寫磁碟資料的工具以及用於操作記憶體對應檔的工具# *線性代數、隨機數產生和傅裡葉變換功能# *用於整合C、C++等代碼的工具

3、安裝方法：pip install numpy

二、NumPy：ndarray-多維陣列對象
1、建立ndarray：np.array()
2、ndarray是多維陣列結構，與列表的區別是：
　　--數組對象內的元素類型必須相同
　　--數組大小不可修改
3、常用屬性：

　　--T 數組的轉置（對高維數組而言）
　　--dtype數組元素的資料類型
　　--size數組元素的個數
　　--ndim數組的維數
　　--shape數組的維度大小（以元組形式）
4、常用方法

# array.shape                         array的規格# array.ndim      # array.dtype                         array的資料規格# numpy.zeros(dim1,dim2)              建立dim1*dim2的零矩陣# numpy.arange# numpy.eye(n) /numpy.identity(n)     建立n*n單位矩陣# numpy.array([…data…], dtype=float64 )# array.astype(numpy.float64)         更換矩陣的資料形式# array.astype(float)                 更換矩陣的資料形式# array * array                       矩陣點乘# array[a:b]                          切片# array.copy()                        得到ndarray的副本，而不是視圖# array [a] [b]=array [ a, b ]        兩者等價# name=np.array([‘bob‘,‘joe‘,‘will‘]) res=name==’bob’ res= array([ True, False, False], dtype=bool)# data[True,False,…..]                索引，只索取為True的部分，去掉False部分# 通過布爾型索引選取數組中的資料，將總是建立資料的副本。# data[ [4,3,0,6] ]                   索引，將第4,3,0,6行摘取出來，組成新數組# data[-1]=data[data.__len__()-1]# numpy.reshape(a,b)                  將a*b的一維數組排列為a*b的形式# array([a,b,c,d],[d,e,f,g])          返回一維數組，分別為[a,d],[b,e],[c,f],[d,g]# array[ [a,b,c,d] ][:,[e,f,g,h] ]=array[ numpy.ix_( [a,b,c,d],[e,f,g,h] ) ]# array.T                             array的轉置# numpy.random.randn(a,b)             產生a*b的隨機數組# numpy.dot(matrix_1,matrix_2)        矩陣乘法# array.transpose( (1,0,2,etc.) )     對於高維數組，轉置需要一個由軸編號組成的元組

三、NumPy：ndarray-資料類型

# ndarray資料類型：dtype：# 布爾型：bool_# 整型：int_ int8 int16 int32 int64# 無符號整型：uint8 uint16 uint32 uint64# 浮點型：float_ float16 float32 float64# 複數型：complex_ complex64 complex128

四、NumPy：ndarray-建立

# array()         將列錶轉換為數組，可選擇顯式指定dtype# arange()        range的numpy版，支援浮點數# linspace()      類似arange()，第三個參數為數組長度# zeros()         根據指定形狀和dtype建立全0數組# ones()          根據指定形狀和dtype建立全1數組# empty()         根據指定形狀和dtype建立空數組（隨機值）# eye()           根據指定邊長和dtype建立單位矩陣

五、NumPy：索引和切片

# 1、數組和標量之間的運算#     a+1    a*3    1//a    a**0.5# 2、同樣大小數組之間的運算#     a+b    a/b    a**b# 3、數組的索引：#     一維數組：a[5]#     多維陣列：#         列表式寫法：a[2][3]#         新式寫法：a[2,3] (推薦)#    數組的切片：#         一維數組：a[5:8]    a[4:]        a[2:10] = 1#         多維陣列：a[1:2, 3:4]    a[:,3:5]        a[:,1]# 4、強調：與列表不同，數組切片時並不會自動複製，在切片數組上的修改會影響原數組。    【解決方案：copy()】

六、NumPy：布爾型索引

問題：給一個數組，選出數組中所有大於5的數。　　答案：a[a>5]　　原理：　　　　a>5會對a中的每一個元素進行判斷，返回一個布爾數組　　　　布爾型索引：將同樣大小的布爾數組傳進索引，會返回一個由所有True對應位置的元素的數組問題2：給一個數組，選出數組中所有大於5的偶數。問題3：給一個數組，選出數組中所有大於5的數和偶數。　　答案：　　　　　a[(a>5) & (a%2==0)]　　　　　a[(a>5) | (a%2==0)]# import numpy as np# a = np.array([1,2,3,4,5,4,7,8,9,10])# a[a>5&(a%2==0)]  #注意加括弧，不叫括弧錯誤，如下# 輸出：array([ 1,  2,  3,  4,  5,  4,  7,  8,  9, 10])# a[(a>5)&(a%2==0)]# 輸出：array([ 8, 10])

七、NumPy：花式索引*

問題1：對於一個數組，選出其第1，3，4，6，7個元素，組成新的二維數組。答案：a[[1,3,4,6,7]]問題2：對一個二維數組，選出其第一列和第三列，組成新的二維數組。答案：a[:,[1,3]]

八、NumPy：通用函數
通用函數：能同時對數組中所有元素進行運算的函數

【一元函數】：abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, # numpy.sqrt(array)                   平方根函數   # numpy.exp(array)                    e^array[i]的數組# numpy.abs/fabs(array)               計算絕對值# numpy.square(array)                 計算各元素的平方 等於array**2# numpy.log/log10/log2(array)         計算各元素的各種對數# numpy.sign(array)                   計算各元素加號或減號# numpy.isnan(array)                  計算各元素是否為NaN# numpy.isinf(array)                  計算各元素是否為NaN# numpy.cos/cosh/sin/sinh/tan/tanh(array) 三角函數# numpy.modf(array)                   將array中值得整數和小數分離，作兩個數組返回# numpy.ceil(array)                   向上取整,也就是取比這個數大的整數 # numpy.floor(array)                  向下取整,也就是取比這個數小的整數# numpy.rint(array)                   四捨五入# numpy.trunc(array)                  向0取整 # numpy.cos(array)                       正弦值# numpy.sin(array)                    餘弦值 # numpy.tan(array)                    正切值 【二元函數】：add, substract, multiply, divide, power, mod,# numpy.add(array1,array2)            元素級加法# numpy.subtract(array1,array2)       元素級減法# numpy.multiply(array1,array2)       元素級乘法# numpy.divide(array1,array2)         元素級除法 array1./array2# numpy.power(array1,array2)          元素級指數 array1.^array2# numpy.maximum/minimum(array1,aray2) 元素級最大值# numpy.fmax/fmin(array1,array2)      元素級最大值，忽略NaN# numpy.mod(array1,array2)            元素級求模# numpy.copysign(array1,array2)       將第二個數組中值得符號複製給第一個數組中值# numpy.greater/greater_equal/less/less_equal/equal/not_equal (array1,array2)# 元素級比較運算，產生布爾數組# numpy.logical_end/logical_or/logic_xor(array1,array2)元素級的真值邏輯運算

九、補充知識：浮點數特殊值
1、浮點數：float
2、浮點數有兩個特殊值：
　　--nan(Not a Number)：不等於任何浮點數（nan != nan）
　　--inf(infinity)：比任何浮點數都大
　　--在資料分析中，nan常被表示為資料缺失值
2、NumPy中建立特殊值：np.nannp.inf
3、在資料分析中，nan常被用作表示資料缺失值
既然nan連自己都不相等，那麼怎麼判斷是不是NAN呢？
用a==a 只要返回False就能判斷

十、NumPy：數學和統計方法

常用函數：# sum    求和# cumsum 求首碼和# mean    求平均數# std    求標準差# var    求方差# min    求最小值# max    求最大值# argmin    求最小值索引# argmax    求最大值索引

十一、NumPy：隨機數產生
隨機數產生函數在np.random子包內

常用函數：# rand    給定形狀產生隨機數組（0到1之間的數）# randint    給定形狀產生隨機整數# choice    給定形狀產生隨機播放# shuffle    與random.shuffle相同# uniform    給定形狀產生隨機數組

 

利用Python進行資料分析：【NumPy】