python數據分析Numpy庫的常用操作
numpy庫的引入:
import numpy as np
1、numpy對象基礎屬性的查詢
lst = [[1, 2, 3], [4, 5, 6]] def numpy_type(): print(type(lst)) data = np.array(lst, dtype=np.float64) # array將數組轉為numpy的數組 # bool,int,int8,int16,int32,int64,int128,uint8,uint32, # uint64,uint128,float16/32/64,complex64/128 print(type(data)) # 數據類型 print(data.shape) # 幾行幾列 print(data.ndim) # 空間維數 print(data.dtype) # 元素類型 print(data.itemsize) # 元素所占字節 print(data.size) # 元素總數
2、numpy的數組的常用操作
def numpy_array(): # 輸出2行4列的全0的numpy的array數組 print(np.zeros([2, 4])) # 一般用於數據初始化 # 輸出3行5列的全1的numpy的array數組 print(np.ones([3, 5])) # 隨機數 print(np.random.rand(2, 4)) # 生成2行4列的隨機數矩陣,此時默認元素大小在0到1 print(np.random.rand()) # 打印一個隨機數,此時默認元素大小在0到1 print(np.random.rand(1, 10, 3)) # 三個參數分別對應x、y、z軸,表示三維矩陣 # 與rand不同randint的三個參數表示范圍[1,10)內的3個元素的一維數組 print(np.random.randint(1, 10, 3)) print(np.random.randint(1, 10)) # randint必須傳入參數范圍,這表示返回一個范圍內的隨機數 print(np.random.randn()) # 返回一個標準正態分佈的隨機數 print(np.random.randn(2, 4)) # 返回2行4列符合標準正態發佈的隨機數 print(np.random.choice([10, 2, 3, 1, 5, 6])) # 從可迭代數組中隨機返回一個 print(np.random.beta(1, 10, 100)) # 隨機生成[1,10]裡符合beta發佈的100元素的一維數組 lst1 = np.array([10, 20, 30, 40]) lst2 = np.array([4, 3, 2, 1]) # 直接操作 print(lst2 + lst1) print(lst2 - lst1) print(lst2 / lst1) print(lst2 * lst1) print(lst2 ** lst1) # 平方 # 點乘 print(np.dot(lst1.reshape([2, 2]), lst2.reshape([2, 2]))) # 追加 print(np.concatenate((lst2, lst1), axis=0)) # 0水平追加,1豎向追加 print(np.vstack((lst2, lst1))) # 豎向追加 print(np.hstack((lst2, lst1))) # 水平追加 # 分裂 print(np.split(lst2, 2)) # 分成2份 # 拷貝 print(np.copy(lst2))
3、numpy常用數據操作方法
def numpy_handle(): print(np.arange(1, 11)) # 生成[1,11)裡的整數的一維數組,默認按1遞增 print(np.arange(1, 11).reshape([2, 5])) # reshape方法可以將矩陣重構為x行y列的矩陣 print(np.arange(1, 11).reshape([2, -1])) # 也可以使用缺失值-1實現相同的效果 data = np.arange(1, 11).reshape([2, -1]) print(np.exp(data)) # 自然指數e的指數操作 print(np.exp2(data)) # 自然指數e的平方操作 print(np.sqrt(data)) # 開方操作 print(np.sin(data)) # 三角函數 print(np.log(data)) # 對數操作 print(data.max()) # 最大值 print(data.min()) # 最小值
4、numpy裡axis的理解
def numpy_axis(): data = np.array([ [[1, 2, 3, 4], [5, 6, 7, 8]], [[9, 10, 11, 12], [13, 14, 15, 16]], [[17, 18, 19, 20], [20, 21, 22, 23]] ]) # axis從外而內的滲入,值越大滲透入層數越多,最大為n-1 # axis=0,表示從外而內n+1層,即1進行解析 print(data.sum(axis=2)) # 求和 #這裡滲入瞭3層 print(data.max(axis=1)) # 獲取最大值 print(data.min(axis=0)) # 獲取最小值
5、numpy裡常用的線性代數計算
這裡記得引入依賴:
from numpy.linalg import * # 引入線性方程組的依賴
def numpy_line(): from numpy.linalg import * # 引入線性方程組的依賴 print(np.eye(3)) # 階級為3的單位矩陣 lst3 = np.array([[1, 2], [3, 4]]) print(inv(lst3)) # 逆矩陣 print(lst3.transpose()) # 轉置矩陣 print(det(lst3)) # 行列式 print(eig(lst3)) # 體征值和體征向量,第一個表示體征值,第二個表示體征向量 y = np.array([[5.], [7.]]) print(solve(lst3, y)) # 求解線性矩陣方程
瞭解更多參考官方手冊:NumPy 參考手冊 | NumPy 中文
到此這篇關於python數據分析Numpy庫的常用操作的文章就介紹到這瞭,更多相關python數據分析 Numpy庫內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python ndarray數組對象特點及實例分享
- 初識python的numpy模塊
- Python Numpy中ndarray的常見操作
- Numpy中創建數組的9種方式小結
- python中NumPy的安裝與基本操作