【Python】数据分析:numpy的常用方法

简介: 【Python】数据分析:numpy的常用方法

1 - 基本语法01

array.astype(int/float):将数组里面数据设置为()里面的类型

np.eye(n):创建一个n维的单位数组

np.ones(n,m):创建一个n×m的数值为1的数组

np.zeros(n,m):创建一个n×m的数值为0的零数组

np.argmax(arr,axis=n):arr数组n轴上最大值的索引值

np.argmin(arr,axis=n):arr数组n轴上最小值的索引值

arr[arr==n] = m:arr数组数值为n的数赋值为m

import numpy as np
# 3行4列的零矩阵数组
t1 = np.zeros((3,4))
print(t1)
# 3行4列的1矩阵数组
t2 = np.ones((3,4))
print(t2)
# 秩为4的单位矩阵
t3 = np.eye(4)
print(t3)
# 指定轴最大值的索引
print(np.argmax(t3,axis=0))
# 反方向赋值
t3[t3==1]=-1
print(t3)
# 指定轴最小值的索引
print(np.argmin(t3,axis=0))

0S`%$QEU@($NIGQET4)UUP6.png

result01.png

2 - 关于分布的基础语法

np.random.rand(n,m):n行m列的0-1的随机数数组

np.random.randint(n,m,(size):形状为size的low=n,high=m的随机数组

np.random.randn(size)`***:形状为size的正态分布的随机数组 ***`np.random.normal(n,m,(size))`***:形状为size的均值为n,标准差为m的随机数组 ***`np.random.uniform(low,high,(size))`***:形状为size的min=low,max=high的服从均匀分布随机数组 ***:

8H5E[{@4MEAD[JR3_MWCEMM.png

随机分布 random distribution.png


GH9XC{[[[UF`)8RM3U[TVOS.png

正态分布normal distribution.png

import numpy as np
# 随机分布
t1 = np.random.rand(2,3)
print(t1)
# min为2,max为6的2行4列的整数数组
t2 = np.random.randint(2,6,(2,4))
print(t2)
# 2行5列的值服从标准正态分布的数组
t3 = np.random.randn(2,5)
print(t3)
# 2行4列的值服从均匀分布的数组
t4 = np.random.uniform(2,4,(2,4))
print(t4)
# 2行4列的值服从均值为2,标准差为6正态分布的数组
t5 = np.random.normal(2,6,(2,4))
print(t5)
# 随机种子
np.random.seed(10)
t6 = np.random.randint(2,10,(2,6))
print(t6)

PE`H21N9KM4HQJXA]8(($2T.png

result02.png

3-numpy中的view和copy

6GVJDFPTHCWQU)~TH`4QXAC.png

目录
相关文章
|
30天前
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 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。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
235 1
|
30天前
|
Java 数据处理 索引
(numpy)Python做数据处理必备框架!(二):ndarray切片的使用与运算;常见的ndarray函数:平方根、正余弦、自然对数、指数、幂等运算;统计函数:方差、均值、极差;比较函数...
ndarray切片 索引从0开始 索引/切片类型 描述/用法 基本索引 通过整数索引直接访问元素。 行/列切片 使用冒号:切片语法选择行或列的子集 连续切片 从起始索引到结束索引按步长切片 使用slice函数 通过slice(start,stop,strp)定义切片规则 布尔索引 通过布尔条件筛选满足条件的元素。支持逻辑运算符 &、|。
100 0
|
2月前
|
数据采集 数据可视化 数据挖掘
Python数据分析实战:Pandas处理结构化数据的核心技巧
在数据驱动时代,结构化数据是分析决策的基础。Python的Pandas库凭借其高效的数据结构和丰富的功能,成为处理结构化数据的利器。本文通过真实场景和代码示例,讲解Pandas的核心操作,包括数据加载、清洗、转换、分析与性能优化,帮助你从数据中提取有价值的洞察,提升数据处理效率。
138 3
|
4月前
|
自然语言处理 数据挖掘 数据处理
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
本文将介绍 10 个在数据处理中至关重要的 Pandas 技术模式。这些模式能够显著减少调试时间,提升代码的可维护性,并构建更加清晰的数据处理流水线。
174 3
告别低效代码:用对这10个Pandas方法让数据分析效率翻倍
|
14天前
|
数据可视化 大数据 关系型数据库
基于python大数据技术的医疗数据分析与研究
在数字化时代,医疗数据呈爆炸式增长,涵盖患者信息、检查指标、生活方式等。大数据技术助力疾病预测、资源优化与智慧医疗发展,结合Python、MySQL与B/S架构,推动医疗系统高效实现。
|
4月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
506 0
|
2月前
|
数据可视化 数据挖掘 大数据
基于python大数据的水文数据分析可视化系统
本研究针对水文数据分析中的整合难、分析单一和可视化不足等问题,提出构建基于Python的水文数据分析可视化系统。通过整合多源数据,结合大数据、云计算与人工智能技术,实现水文数据的高效处理、深度挖掘与直观展示,为水资源管理、防洪减灾和生态保护提供科学决策支持,具有重要的应用价值和社会意义。
|
3月前
|
存储 数据挖掘 大数据
基于python大数据的用户行为数据分析系统
本系统基于Python大数据技术,深入研究用户行为数据分析,结合Pandas、NumPy等工具提升数据处理效率,利用B/S架构与MySQL数据库实现高效存储与访问。研究涵盖技术背景、学术与商业意义、国内外研究现状及PyCharm、Python语言等关键技术,助力企业精准营销与产品优化,具有广泛的应用前景与社会价值。
|
3月前
|
机器学习/深度学习 API 异构计算
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
JAX是Google开发的高性能数值计算库,旨在解决NumPy在现代计算需求下的局限性。它不仅兼容NumPy的API,还引入了自动微分、GPU/TPU加速和即时编译(JIT)等关键功能,显著提升了计算效率。JAX适用于机器学习、科学模拟等需要大规模计算和梯度优化的场景,为Python在高性能计算领域开辟了新路径。
287 0
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
|
3月前
|
存储 数据采集 数据处理
Pandas与NumPy:Python数据处理的双剑合璧
Pandas与NumPy是Python数据科学的核心工具。NumPy以高效的多维数组支持数值计算,适用于大规模矩阵运算;Pandas则提供灵活的DataFrame结构,擅长处理表格型数据与缺失值。二者在性能与功能上各具优势,协同构建现代数据分析的技术基石。
262 0

热门文章

最新文章

推荐镜像

更多