数据分析的Numpy

数据分析：是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律

数据分析的三剑客 ：  Numpy ，Pandas ，Matplotlib

一.Numpy

　　Numpy(Mumerical 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。

1.建立ndarray

　　使用np.array()建立

　　 一维数据建立

import numpy as np

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

　　二维数组建立

import numpy as np

np.array([[1,2,3],['a','b',1.1]])

注意：

　　numpy默认ndarray的全部元素的类型是相同的

　　若是传进来的列表中包含不一样的类型，则统一为同一类型，优先级：str>float>int

　　使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

　　操做该numpy数据，该操做会同步到图片中

import matplotlib.pyplot as plt

img_arr = plt.imread('./bobo.jpg')

plt.imshow(img_arr)

plt.imshow(img_arr - 66)

2.使用np的routines函数建立

　　np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

np.linspace(1,100,num=50)

　　np.arange([start, ]stop, [step, ]dtype=None)

np.arange(1,100,2)

　　 np.random.randint(low, high=None, size=None, dtype='l')

np.random.seed(10)
arr = np.random.randint(0,100,size=(5,6))

　　np.random.random(size=None)     生成0到1的随机数，左闭右开 np.random.seed(3)

np.random.random(size=(3,3))

二.ndarray的属性

　　参数： ndim-->维度     shape --> 形状(各类维度的长度)     size --> 总长度     dtype-->元素类型

img_arr.shape

img_arr.ndim

img_arr.size

img_arr.dtype

type(img_arr)

三.ndarray的基本操做

1.索引　　

　　一维与列表彻底一致 多维时同理

np.random.seed(10)
arr = np.random.randint(0,100,size=(5,6))

arr

　　根据索引修改数据

arr[[1,2]]

2.切片

　　一维与列表彻底一致 多维时同理

np.random.seed(10)
arr = np.random.randint(0,100,size=(5,6))

arr

　　获取二维数组前两行

arr[0:2]

　　获取二维数组前两列

arr[:,0:2]

　　获取二维数组前两行和前两列

arr[0:2,0:2]

　　将数据反转，   ：：  进行切片

　　将数组的行倒序

#将数组的行倒序
arr[::-1]


#列倒序
arr[:,::-1]


#所有倒序
arr[::-1,::-1]

　　将图片进行所有倒置操做

plt.imshow(img_arr)


plt.imshow(img_arr[:,::-1,:])


plt.imshow(img_arr[::-1,::-1,::-1])

3.变形

　　使用arr.reshape()函数，注意参数是一个tuple

　　基本使用

　　　　将一维数组变造成多维数组

arr_1.reshape((-1,15))

　　　　将多维数组变造成一维数组

arr_1 = arr.reshape((30,))

4.级联

　　np.concatenate()

　　一维，二维，多维数组的级联，实际操做中级联多二维数组

np.concatenate((arr,arr),axis=1)

arr1 = np.random.randint(0,100,size=(5,5))

np.concatenate((arr,arr1),axis=1)

　　合并两张照片

img_3 = np.concatenate((img_arr,img_arr,img_arr),axis=1)
imgs = np.concatenate((img_3,img_3,img_3),axis=0)
plt.imshow(imgs)

　　np.hstack与np.vstack

　　级联须要注意的点：

　　　　级联的参数是列表：必定要加中括号或小括号

　　　　维度必须相同

形状相符:在维度保持一致的前提下，若是进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。若是进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。

　　　　可经过axis参数改变级联的方向

切割

plt.imshow(np.split(img_arr,[400],axis=0)[0])

四.ndarray的聚合操做

1.求和np.sum

#求和np.sum
arr.sum(axis=0)

#最大最小值：np.max/ np.min
arr.max()

#平均值：np.mean()
arr.mean()

其余聚合操做

Function Name    NaN-safe Version    Description
np.sum    np.nansum    Compute sum of elements
np.prod    np.nanprod    Compute product of elements
np.mean    np.nanmean    Compute mean of elements
np.std    np.nanstd    Compute standard deviation
np.var    np.nanvar    Compute variance
np.min    np.nanmin    Find minimum value
np.max    np.nanmax    Find maximum value
np.argmin    np.nanargmin    Find index of minimum value
np.argmax    np.nanargmax    Find index of maximum value
np.median    np.nanmedian    Compute median of elements
np.percentile    np.nanpercentile    Compute rank-based statistics of elements
np.any    N/A    Evaluate whether any elements are true
np.all    N/A    Evaluate whether all elements are true
np.power 幂运算

五.ndarray的排序

1.快速排序

　　np.sort()与ndarray.sort()均可以，但有区别：

　　　　np.sort()不改变输入

　　　　ndarray.sort()本地处理，不占用空间，但改变输入

np.sort(arr,axis=0)