首页 > 其他分享 >numpy -- 数据分析三剑客

numpy -- 数据分析三剑客

时间：2023-09-30 18:00:27浏览次数：45  
标签：arr 16 -- 54 34 数组 array numpy 三剑客

博客地址：https://www.cnblogs.com/zylyehuo/

NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。

开发环境

  • anaconda
    • 集成环境：集成好了数据分析和机器学习中所需要的全部环境
    • 安装目录不可以有中文和特殊符号
  • jupyter
    • anaconda提供的一个基于浏览器的可视化开发工具

numpy的创建

  • 使用np.array()创建
  • 使用plt创建
  • 使用np的routines函数创建

使用array()创建一个一维数组

import numpy as np
arr = np.array([1,2,3])
arr

array([1, 2, 3])

使用array()创建一个多维数组

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

array([[1, 2, 3],
       [4, 5, 6]])

数组和列表的区别

数组中存储的数据元素类型必须是统一类型
优先级：字符串 > 浮点型 > 整型

arr = np.array([1,2.2,3])
arr

array([1. , 2.2, 3. ])

将外部的一张图片读取加载到numpy数组中，然后尝试改变数组元素的数值查看对原始图片的影响

import matplotlib.pyplot as plt
img_arr = plt.imread('./1.jpg')  # 返回的数组，数组中装载的就是图片内容
plt.imshow(img_arr)  # 将numpy数组进行可视化展示

<matplotlib.image.AxesImage at 0x117fb1b38>

img_arr = img_arr - 100  # 将每一个数组元素都减去100
plt.imshow(img_arr)

<matplotlib.image.AxesImage at 0x1181a6b38>

使用内置函数创建数组

  • zero()
  • ones()
  • linespace()
  • arange()
  • random系列
np.ones(shape=(3,4))

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

np.linspace(0,100,num=20)  # 一维的等差数列数组

array([  0.        ,   5.26315789,  10.52631579,  15.78947368,
        21.05263158,  26.31578947,  31.57894737,  36.84210526,
        42.10526316,  47.36842105,  52.63157895,  57.89473684,
        63.15789474,  68.42105263,  73.68421053,  78.94736842,
        84.21052632,  89.47368421,  94.73684211, 100.        ])

np.arange(10,50,step=2)  # 一维等差数列

array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
       44, 46, 48])

np.random.randint(0,100,size=(5,3))

array([[19,  0, 17],
       [72, 29, 13],
       [69, 59, 68],
       [63, 54, 87],
       [70, 64,  0]])

numpy的常用属性

  • shape
  • ndim
  • size
  • dtype
arr = np.random.randint(0,100,size=(5,6))
arr

array([[43, 96, 75,  1, 34, 88],
       [96,  2, 17, 34, 26, 57],
       [71, 36, 11, 11, 10, 29],
       [72, 46, 51,  4, 27, 75],
       [80, 42, 27, 55, 19, 43]])

arr.shape  # 返回的是数组的形状

(5, 6)

arr.ndim  # 返回的是数组的维度

2

arr.size  # 返回数组元素的个数

30

arr.dtype  # 返回的是数组元素的类型

dtype('int64')

type(arr)  # 数组的数据类型

numpy.ndarray

numpy的数据类型

  • array(dtype=?):可以设定数据类型
  • arr.dtype = '?':可以修改数据类型image.png
arr = np.array([1,2,3])
arr.dtype

dtype('int64')

# 创建一个数组，指定数组元素类型为int32
arr = np.array([1,2,3],dtype='int32')
arr.dtype

dtype('int32')

arr.dtype = 'uint8' #修改数组的元素类型
arr.dtype

dtype('uint8')

numpy的索引和切片操作（重点）

索引操作和列表同理

arr = np.random.randint(1,100,size=(5,6))
arr

array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

arr[1]  # 取出了numpy数组中的下标为1的行数据

array([37, 57, 26, 92, 91, 34])

arr[[1,3,4]]  # 取出多行

array([[37, 57, 26, 92, 91, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

切片操作

  • 切出前两列数据
  • 切出前两行数据
  • 切出前两行的前两列的数据
  • 数组数据翻转
  • 练习：将一张图片上下左右进行翻转操作
  • 练习：将图片进行指定区域的裁剪
# 切出arr数组的前两行的数据
arr[0:2]  # arr[行切片]

array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34]])

# 切出arr数组中的前两列
arr[:,0:2]  # arr[行切片,列切片]

array([[69, 80],
       [37, 57],
       [13, 16],
       [ 5, 16],
       [54, 63]])

# 切出前两行的前两列的数据
arr[0:2,0:2]

array([[69, 80],
       [37, 57]])

arr

array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

# 将数组的行倒置
arr[::-1]

array([[54, 63, 20, 11, 94, 88],
       [ 5, 16, 47, 66, 51, 12],
       [13, 16, 93, 54, 87, 34],
       [37, 57, 26, 92, 91, 34],
       [69, 80,  7, 90, 31, 44]])

# 将数组的列倒置
arr[:,::-1]

array([[44, 31, 90,  7, 80, 69],
       [34, 91, 92, 26, 57, 37],
       [34, 87, 54, 93, 16, 13],
       [12, 51, 66, 47, 16,  5],
       [88, 94, 11, 20, 63, 54]])

# 所有元素倒置
arr[::-1,::-1]

array([[88, 94, 11, 20, 63, 54],
       [12, 51, 66, 47, 16,  5],
       [34, 87, 54, 93, 16, 13],
       [34, 91, 92, 26, 57, 37],
       [44, 31, 90,  7, 80, 69]])

# 将一张图片进行左右翻转
img_arr = plt.imread('./1.jpg')
plt.imshow(img_arr)

<matplotlib.image.AxesImage at 0x1182c3b00>

img_arr.shape

(300, 450, 3)
plt.imshow(img_arr[:,::-1,:])  # img_arr[行，列，颜色]

<matplotlib.image.AxesImage at 0x11835cb70>

# 图片上下翻转
plt.imshow(img_arr[::-1,:,:])

<matplotlib.image.AxesImage at 0x118437ef0>

# 图片裁剪的功能
plt.imshow(img_arr[66:200,78:300,:])

<matplotlib.image.AxesImage at 0x1187fee48>

变形reshape

arr  # 是一个5行6列的二维数组

array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

# 将二维的数组变形成1维
arr_1 = arr.reshape((30,))

# 将一维变形成多维
arr_1.reshape((6,5))

array([[69, 80,  7, 90, 31],
       [44, 37, 57, 26, 92],
       [91, 34, 13, 16, 93],
       [54, 87, 34,  5, 16],
       [47, 66, 51, 12, 54],
       [63, 20, 11, 94, 88]])

级联操作

  • 将多个numpy数组进行横向或者纵向的拼接
  • axis轴向的理解
    • 0:列
    • 1:行
  • 问题：级联的两个数组维度一样，但是行列个数不一样会如何？
np.concatenate((arr,arr),axis=1)

array([[69, 80,  7, 90, 31, 44, 69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34, 37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34, 13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12,  5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88, 54, 63, 20, 11, 94, 88]])

arr_3 = np.concatenate((img_arr,img_arr,img_arr),axis=0)
plt.imshow(arr_3)

<matplotlib.image.AxesImage at 0x118f459b0>

常用的聚合操作

  • sum,max,min,mean
arr

array([[69, 80,  7, 90, 31, 44],
       [37, 57, 26, 92, 91, 34],
       [13, 16, 93, 54, 87, 34],
       [ 5, 16, 47, 66, 51, 12],
       [54, 63, 20, 11, 94, 88]])

arr.sum(axis=1)

array([321, 337, 297, 197, 330])

arr.max(axis=1)

array([90, 92, 93, 66, 94])

常用的数学函数

  • NumPy 提供了标准的三角函数：sin()、cos()、tan()
  • numpy.around(a,decimals) 函数返回指定数字的四舍五入值。
  • 参数说明：
    • a: 数组
    • decimals: 舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置
np.sin(2.5)

0.5984721441039564

np.around(3.84,2)

3.84

常用的统计函数

  • numpy.amin() 和 numpy.amax()，用于计算数组中的元素沿指定轴的最小、最大值。
  • numpy.ptp():计算数组中元素最大值与最小值的差（最大值 - 最小值）。
  • numpy.median() 函数用于计算数组 a 中元素的中位数（中值）
  • 标准差std():标准差是一组数据平均值分散程度的一种度量。
    • 公式：std = sqrt(mean((x - x.mean())**2))
    • 如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]，并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。
  • 方差var()：统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x - x.mean())** 2)。换句话说，标准差是方差的平方根。
arr[1].std()

26.66718749491384

arr[1].var()

711.138888888889

矩阵相关

  • NumPy中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。一个 的矩阵是一个由行（row）列（column）元素排列成的矩形阵列。
  • numpy.matlib.identity() 函数返回给定大小的单位矩阵。单位矩阵是个方阵，从左上角到右下角的对角线（称为主对角线）上的元素均为 1，除此以外全都为 0。

eye返回一个标准的单位矩阵

np.eye(6)

array([[1., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 1.]])

.T 转置矩阵

arr.T

array([[69, 37, 13,  5, 54],
       [80, 57, 16, 16, 63],
       [ 7, 26, 93, 47, 20],
       [90, 92, 54, 66, 11],
       [31, 91, 87, 51, 94],
       [44, 34, 34, 12, 88]])

矩阵相乘

  • numpy.dot(a, b, out=None)
    • a : ndarray 数组
    • b : ndarray 数组
  • 第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1），然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。也就是说，结果矩阵第m行与第n列交叉位置的那个值，等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和。
  • 线性代数基于矩阵的推导: https://www.cnblogs.com/alantu2018/p/8528299.html
a1 = np.array([[2,1],[4,3]])
a2 = np.array([[1,2],[1,0]])
np.dot(a1,a2)

array([[3, 4],
       [7, 8]])

标签：arr,16,--,54,34,数组,array,numpy,三剑客
From： https://www.cnblogs.com/zylyehuo/p/17738057.html

相关文章

  • python 拷贝整个目录及其子目录和文件
    拷贝整个目录及其子目录和文件，可以使用shutil.copytree()函数。 importshutil#源目录路径src_dir='/path/to/source/directory'#目标目录路径dst_dir='/path/to/destination/directory'#使用shutil模块的copytree函数进行拷贝shutil.copytree(src_dir,dst_d......
  • python提取论文图片波形数据：pyautogui键盘移动鼠标，跨模块全局变量使用，cv2局部放大窗口
    最近写了一个python提取论文图片波形数据的脚本，代码如下。涉及新知识点：pyautogui键盘移动鼠标，跨模块全局变量使用，cv2局部放大窗口，matplotlib图片在pyQT5lable显示,坐标变换，多线程同时使用。搜索相关关键字去对应代码区看注释就可以了。gui窗口：1#-*-coding:utf-8-*-2......
  • DeviceCensus.exe是Windows操作系统中的一个进程，它与设备普查相关
    DeviceCensus.exe是Windows操作系统中的一个进程，它与设备普查相关。设备普查是Windows操作系统收集和报告硬件和软件信息的一项功能。具体来说，DeviceCensus.exe是Windows的设备普查服务的主执行文件。它负责定期运行设备普查任务，收集系统的硬件配置、驱动程序信息、应用程序使用情......
  • python基础：表示数字的相关类型
    一python中表示数字的相关类型在python中要表示一个数字，就要用它所支持的一些类型创建。在python中常见的数字类型有int、float、complex(复数)，Decimal等二int类型和float类型int为整数类型，float为浮点数类型及小数要表示一个数为整数类型，给直接把一个整数赋值给变量或用内......
  • 2023.9.30日报
    今天学习了部分vue的开发知识，了解了一部分vue的运作原理，即先定义数据，然后生成对应的app，然后嵌入到对应的div视图中即可，在这个过程中，起初使用的是vscode，但是没有查找到对应的启动html的插件，因此还是转到了idea......
  • 解决服务器取证过程中宝塔强制绑定手机号的问题
    声明本文中提及的方式仅是为了便于服务器取证的研究，仅适用于无法出网的真实取证鉴定情况。请不要在生产环境随意修改宝塔服务的任何文件！分析目前，宝塔面板已经强制要求绑定手机号。这给取证工作带来很大的不便，尤其是在实际工作中，服务器是不可以连接互联网的，因此必须解决掉这个......
  • UE5 Substrate SSS
    前言本文将介绍如何使用UE5的新的材质系统——Substrate来制作次表面反射效果关于Substrate不懂得可以看这https://www.cnblogs.com/chenglixue/p/17418887.html玉初次实现在Substrate中，Albedo用于表示光线散射后的颜色。在这里我设为绿色SSSMFP控制的是长中短波长......
  • 0.0.0.0与127.0.0.1
    0.0.0.0指的是本机上的所有IPV4地址，该主机上的一个服务监听的地址是0.0.0.0，那么网络上的其他主机通过该服务器的ip才可以访问到该此服务。如果一个服务监听的地址是127.0.0.1，那么其他网络上的其他主机通过该服务器的ip才可以访问到该此服务，因为127.0.0.1代表回环，只用于本机访问本......
  • 第四周题解
    第四周题解7-1根据后续和中序遍历输出先序遍历利用数组保存树的后序遍历和中序遍历，根据后续遍历和中序遍历的特点还原树，并根据先序遍历的顺序，即根左右，利用函数递归输出打印，注意输出格式的正确性。#include<bits/stdc++.h>usingnamespacestd;constintN=40;typedeflon......
  • http get 请求，path请求参数有数组类型的参数，怎么传参
    内容来自对chatgpt的咨询当在HTTPGET请求中传递数数组类型的参数时，需要按照一定的格式进行编码。并且具体的格式可能会根据后端的实现和预期的格式进行变化。这里有两种常见的方法：方法一：相同参数名，多次出现在URL中，后面每一个数组元素都用相同的参数名。例如，如果你有一个名......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99