python计算⼗年平均录取率_Python数据分析numpy（1）Python开源的科学计算基础库
1.表⽰N维数组对象ndarray
2.线性代数、傅⾥叶变换、随机数⽣成
3.⼴播函数，整合c++、c
⼀.数据的维度
1.数据
2.数据维度
3.⼀维数据
(1)特点
(2)Python中的表达⽅式
列表、集合类型
(3)列表和数组的区别
数据类型要求不⼀样
4.⼆维数据
(1)概念，多个⼀位数据组成，⼀个以为数据的组合。
(2)列表
5.多维数据
(1)
(2)列表
6.⾼维数据
(1)仅利⽤最基本的⼆元关系展⽰数据间的复杂关系
(2)字典类型或者数据表⽰格式
⼆.numpy库中的N维数组对象ndarray
1.使⽤numpy数组原因：
(1)节省空间
(2)numpy的底层实现靠c语⾔实现的，提⾼运⾏速度。python生成1到100之间随机数
代码⽰例：
2.N维数组对象-ndarray
(1)组成
实际的数据
描述这些数据的元数据(数据维度、数据类型等)
轴、秩
⽅法
功能
.ndim
轴
.shape
秩
.size
元素个数
.dtype
数据类型
.itemsize
元素所占的字节
import numpy as np
a=np.array([[0,1,2,3,4],[9,8,7,6,5]])# -*- coding: utf-8 -*-
print(a.ndim)
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)
输出：
2
(2, 5)
10
int32
4
(2)要求所有的元素类型相同，数组下标从0开始。
(3)实例
(4)⽀持那么多数据类型原因
(5)不同质数据类型
()
3.ndarray数组的创建⽅法
(1)从Python的列表、元组等等类型创建ndarray数组
x=np.array(list/tuple),detype=数据类型)
不指定元素类型，根据读⼊的数据类型确定，根据最⾼级确定数据类型。
(2)使⽤numpy中函数创建ndarray数组，如arange，ones，Zeros等
函数
作⽤
具体应⽤
np.arange(n)
类似range()函数，返回ndarray类型，元素从0到-s(shape)
根据shape⽣成⼀个全1数组，shape是元组类型np.ones(2,3)
根据shape⽣成⼀个全0数组，shape是元组类型np.full(shape,val)
根据shape⽣成⼀个数组，每个元素值都是val
<(n)
创建⼀个证放的n*n单位矩阵，对⾓线为1，其余为0代码⽰例：
import numpy as np
#arange⽣成的为整数类型
print(np.arange(10))
#其他的都为浮点数类型
s((3,6)))
s((3,6)))
(5))
输出：
[0 1 2 3 4 5 6 7 8 9]
[[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]
[[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0.]]
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 0. 1.]]
⽣成多维数组
代码⽰例：
import numpy as np
s((2,3,4))
print(x)
print(x.shape)#最外层到最内层元素变化的⽅式。
输出：
[[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]]
(2, 3, 4)
(3)从字节流(raw bytes)中创建ndarray数组
(4)从⽂件读取特定格式，创建ndarray数组
(5)数据类型多为浮点数，符合现实计算的思维。
(6)ndarray数组的变换
astype：创建⼀个新的数组
(7)数组转换为Python中列表
3.ndarray数组的操作
(1)数组的索引和切⽚
索引：获取数组中特定元素位置的过程(到元素在数组中的位置)。
切⽚：获取数组元素⼦集的过程(获得数组元素⼀部分)。
⽰例
⼀维数组索引：和Python列表中⼀样。
⼀维数组的切⽚：和Python列表切⽚⼀样。
多维数组的索引和切⽚⾸先要分辨出对象为⼏维的数组。
多维数组索引：a[1,2,3]表⽰的是：第⼀个维度的第⼆个轴的元素，第⼆个维度的第三个轴的元素，第三个维度的最后⼀个轴的第四个位置的元素。(由外⽽内的去寻索引位置)
多维数组的切⽚：a[：，1：3，：]，从外⽽内的寻切⽚内容。
代码⽰例：
import numpy as np
a=np.array([[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[13,14,15,16],[17,18,19,20],[21,22,23,24]]]) print(a[1,2,3])
print(a[:,1:3,:])
print(a[:,:,::2])
输出：
24
[[[ 5  6  7  8]
[ 9 10 11 12]]
[[17 18 19 20]
[21 22 23 24]]]
[[[ 1  3]
[ 5  7]
[ 9 11]]
[[13 15]
[17 19]
[21 23]]]
可以对创建后的ndarray的维度和元素类型进⾏变换。
4.ndarray的运算
(1)数组与标量之间的运算
数组与标量之间的运算作⽤与数组的每⼀个元素。
代码⽰例：
(2)numpy中的⼀元函数，对数组的运算就是对数组中每⼀个元素的运算。
函数
作⽤
np.abs(x)  np.fabs(x)
计算数组各元素的绝对值
np.sqrt(x)
计算数组各元素的平⽅根
np.square(x)
计算数组各元素的平⽅
np.log(x) 、np.log10(x)、nplog2(x)
计算数组各元素的⾃然对数、10底数和2底对数

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。