1. 前言
Numpy和pandas是python当中两个非常重要的库，用于配合科学运算和矩阵处理。程序是算法与数据的结合，二者缺一不可，而numpy和pandas就是python中用于处理数据的利器，因此学习这两个package的使用非常重要。在使用matplotlib和seaborn进行数据可视化的时候，就会发现，所有作图的关键在于数据格式的把控，这两个package所提供的API就像是图表的模具，而整理好相应格式的数据就是原料，numpy和pandas就是整理数据的工具。接下来让我们开始学习这两个package吧。在这一篇博客中我们先学习numpy。
这是一幅python_package的总览图，由此我们可以大概了解，有哪些很值得我们学习的package。
2. Numpy学习
理解
Numpy是一个科学运算包，里面包含了最重要的的内容就是一个ndarray（N dimension array）模型，即n维数组模型，如果学习过线性代数的数值运算，我们就会知道矩阵运算对于计算机而言有多重要，那我们就会知道ndarray模型对于python来说有多重要，可以说，正是因为这个模型，python才被赋予了科学运算的能力。除了ndarray模型的属性及其相关方法，在numpy包里面还包括了大量的数学函数、统计函数、字符串函数、随机函数等这些可以表达数学语言的内容，为我们构建复杂的数学算法奠定了基础，其中很多函数对于我们进行科学运算尤为重要。接下来我们先学习第一部分内容，ndarray的属性及其方法。
ndarray的属性
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39In [1]: import numpy as np
In [2]: a = np.arange(15)
In [3]: a
Out[3]: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
In [4]: print(a.shape)
(15,)
In [5]: print(a.ndim)
1
In [6]: b = a.reshape(3, 5)
In [8]: print(b.ndim)
2
In [9]: print(b)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
In [10]: print(a.flags)
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
In [11]: print(a.itemsize)
4
In [12]: y = np.array(a, dtype=np.float64)
In [13]: print(y.itemsize)
8ndarray操作方法
- 创建数组
创建有5种方式，其中包括0矩阵，单位矩阵，内容随机矩阵以及自定义的矩阵，还有arange方法，可以便捷的创建一维矩阵。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33In [14]: x = np.empty([3,2], dtype=int)
In [15]: x
Out[15]:
array([[ 2063158980, 32765],
[ -536194544, 632],
[ 0, -2147483648]])
In [16]: y = np.zeros([3,2], dtype=float)
In [17]: y
Out[17]:
array([[0., 0.],
[0., 0.],
[0., 0.]])
In [18]: z = np.ones([3,2], dtype=int)
In [19]: z
Out[19]:
array([[1, 1],
[1, 1],
[1, 1]])
In [23]: m = np.arange(15)
In [24]: m
Out[24]: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
In [25]: a = np.array([1,2,3,4,5,6])
In [26]: a
Out[26]: array([1, 2, 3, 4, 5, 6])
- np常用数学函数
- np线性代数运算
- np random函数
| function | introduction | 理解 |
|---|---|---|
| randn(d1, d2) | 返回一个符合标准正太分布的随机数据，array对象 | 重点在于符合标准正太分布 |
| randint(low, high, size) | 返回size个[low, high)范围内的随机整数，array对象 | 生成整数时使用，与random_integers相似 |
| random_integers(low, high, size) | 返回size个在[low, high]闭区间内的随机整数，array对象 | 生成整数，但是不建议使用这个方法，直接使用randint即可 |
| rand(d1, d2) | 返回[0.0,1.0)范围内的随机数，array对象 | 产生大于等于0并小于1的随机浮点数 |
| random_sample([size]) | 返回size个在[0.0, 1.0)之间的随机浮点数，array对象 | 产生大于等于0并小于1的随机浮点数 |
| random([size]) | 返回size个[0.0, 1.0)范围内的随机浮点数，array对象 | 产生大于等于0并小于1的随机浮点数 |
| ranf(size) | 返回size个[0.0, 1.0)范围内的随机浮点数，array对象 | 产生大于等于0并小于1的随机浮点数 |
| sample(size) | 返回size个[0.0, 1.0)范围内的随机浮点数，array对象 | 产生大于等于0并小于1的随机浮点数 |
| seed([seed]) | 在生成随机数的算法中设定初始值，保证每次random函数生成同一批随机数 | 设定随机数种子，每批随机数一样，在生成数据样本时用得上 |
1 | In [119]: np.random.rand(2,3) |