数据处理与统计分析——01-Numpy的属性&ndarray数组创建

Numpy的属性

• Numpy简介

  • NumPy（Numerical Python）是Python数据分析必不可少的第三方库
  • NumPy的出现一定程度上解决了Python运算性能不佳的问题，同时提供了更加精确的数据类型，使其具备了构造复杂数据类型的能力。
  • 本身是由C语言开发，是个很基础的扩展，NumPy被Python其它科学计算包作为基础包，因此理解np的数据类型对python数据分析十分重要。
  • NumPy重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多

• 重要功能如下

  1. 高性能科学计算和数据分析的基础包
  2. ndarray，多维数组，具有矢量运算能力，快速、节省空间
  3. 矩阵运算，无需循环，可完成类似Matlab中的矢量运算
  4. 用于读写磁盘数据的工具以及用于操作内存映射文件的工具

• Numpy的属性

  NumPy的数组类被称作ndarray，通常被称作数组。

  • ndarray.ndim

  • ndarray.shape

  • ndarray.reshape()

  • ndarray.size

  • ndarray.dtype

  • ndarray.itemsize()

  • ndarray.vstack() : 按垂直方向（行顺序） 堆叠数组构成一个新的数组, 堆叠的数据需要具有相同的维度

  • ndarray.hstack() : 按水平方向（列顺序） 堆叠数组构成一个新的数组, 堆叠的数据需要具有相同的维度

    数组的维度。这是一个指示数组在每个维度上大小的整数元组。例如一个n排 m列的矩阵，它的shape属性将是(2,3),这个元组的长度显然是秩，即维度或者ndim属性。

• 代码演示

  # numpy属性介绍:  shape, dtype, ndim, itemsize, size
  
  # 导包
  import numpy as np
  
  # 1. 创建numpy的数组.   
  # arange(15)       等价于python的 range(15), 即: 获取 0 ~ 14的整数
  
  # reshape(3, 5)    把上述数据封装到 3个一维数组中, 每个一维数组的长度为: 5,  然后把三个一维数组封装成1个 二维数组.	若参数为 负数, 表示模糊控制, 可以传入任何负数, (-1, 5)表示, 固定五列, (3, -1)表示固定三行, 其余自动计算, 若无法 整除, 则报错
  
  
  arr = np.arange(15).reshape(3, 5)
  
  # 2. 打印数组, 查看内容
  print(arr)
  
  # 3. 演示numpy的 属性
  print(f'数组的维度: {arr.shape}')         # (3, 5)   几行几列
  print(f'数组轴的个数: {arr.ndim}')        # 几维数组, 轴就是几,  2  
  print(f'数组元素类型: {arr.dtype}')       # int64 
  print(f'数组每个元素的占用字节数: {arr.itemsize}')    # 8
  print(f'数组元素个数: {arr.size}')        # 15 
  print(f'数组类型: {type(arr)}')          # <class 'numpy.ndarray'>
  
  # 4. 上述的 shape, ndim, size属性 可以 函数写法 实现.
  # 格式: np.函数名(数组)
  print(f'数组的维度: {np.shape(arr)}')         # (3, 5)   3个元素(一维数组), 每个元素(一维数组)又有5个元素(值)
  print(f'数组轴的个数: {np.ndim(arr)}')        # 几维数组, 轴就是几,  2  
  print(f'数组元素个数: {np.size(arr)}')        # 15 
  print(f'数组类型: {type(arr)}')              # <class 'numpy.ndarray'>
  

Numpy的ndarry创建

• ndarray介绍

  • NumPy数组是一个多维的数组对象（矩阵），称为ndarray(N-Dimensional Array)
  • 具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点
  • 注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型。

• 数组形式

  import numpy as np 
  a = np.array([2, 3, 4])
  print('数组a元素类型: ', a)
  print('数组a类型:', a.dtype)
  
  b = np.array([1.2, 3.5, 5.1])
  print('数组b类型:', b.dtype)
  

• zeros() /ones()/empty()

  函数zeros创建一个全是0的数组，

  函数ones创建一个全1的数组，

  函数empty创建一个内容随机并且依赖于内存状态的数组。默认创建的数组类型(dtype)都是float64

  zero1 = np.zeros((3, 4))    # 3个一维数组, 每个长度为: 4
  print('数组zero1: ', zero1)
  
  ones1 = np.ones((2, 3, 4))  # 2个二维数组, 每个二维数组有3个一维数组, 每个一维数组有4个元素1, 整体放入1个数组中
  print('数组one1: ', ones1)
  
  empty1 = np.empty((2, 3))
  print('数组empty1: ', empty1)
  
  print(zero1.dtype, ones1.dtype, empty1.dtype)
  

• arange(), 类似 python 的 range() ，创建一个一维 ndarray 数组。

  np_arange = np.arange(10, 20, 5,dtype=int)   # 起始, 结束, 步长, 类型
  print("arange创建np_arange:", np_arange)
  print("arange创建np_arange的元素类型:", np_arange.dtype)
  print("arange创建np_arange的类型:", type(np_arange))
  

• matrix(), 是 ndarray 的子类，只能生成 2 维的矩阵

  x1 = np.mat("1 2;3 4")
  print(x1)
  x2 = np.matrix("1,2;3,4")
  print(x2)
  x3 = np.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
  print(x3)
  

• 创建随机数矩阵

  import numpy as np
  
  # 生成指定维度大小(3行4列)的 随机多维 浮点型数据(二维), rand 固定 区间0.0 ~ 1.0
  arr = np.random.rand(3, 4)
  print(arr)
  print(type(arr))
  
  # 生成指定维度大小(3行4列)的 随机多维 整型数据(二维), randint()可指定区间(-1, 5)
  arr = np.random.randint(-1, 5, size=(3, 4))
  print(arr)
  print(type(arr))
  
  #生成指定维度大小(3行4列)的 随机多维 浮点型数据(二维), uniform()可以指定区间(-1, 5)产生-1到5之间均匀分布的样本值
  arr = np.random.uniform(-1, 5, size=(3, 4))
  print(arr)
  print(type(arr))
  

• ndarray的数据类型

  1. dtype参数，指定数组的数据类型，类型名+位数，如float64, int32
  2. astype方法，转换数组的数据类型
  
  # 初始化3行4列数组，数据类型为f1oat64
  zeros_float_arr =np.zeros((3,4),dtype=np.float64)
  print(zeros_float_arr)
  print(zeros_float_arr.dtype) # float64
  
  # astype转换数据类型，将已有的数组的数据类型转换为int32
  zeros_int_arr = zeros_float_arr.astype(np.int32)
  print(zeros_int_arr)
  print(zeros_int_arr.dtype) #int32
  

• 等比数列

  # np.logspace 等比数列, logspace中，开始点和结束点是10的幂
  # 我们让开始点为0，结束点为0，元素个数为10，看看输出结果。
  
  a = np.logspace(0,0,10)
  
  # 输出结果
  # a
  
  # 假如，我们想要改变基数，不让它以10为底数，我们可以改变base参数，将其设置为2
  a = mp.logspace(0, 9, 10, base=2)
  a
  # 输出结果
  # array([1., 2., 4., 8., 16., 32., 64., 128., 256., 512.])
  

• 等差数列

  # np.linspace等差数列, 包左包右
  # np.linspace是用于创建一个一维数组，并且是等差数列构成的一维数组，它最常用的有三个参数。
  # 第一个例子，用到三个参数，第一个参数表示起始点，第二个参数表示终止点，第三个参数表示数列的个数。
  
  a = np.linespace(1, 10, 10)
  a
  # 输出结果
  # array([1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
  
  # np.linespace 创建的数组元素时浮点型
  a.dtype		# dtype('float64')
  
  # 可以使用参数 endpoint决定是否包含 终止值, 默认为True
  a = np.linespace(1, 10, 10, endpoint=False)
  a