Python数据分析之numpy
原创Python数据分析之numpy
原创
Numpy是Python中基于数组对象的科学计算库。
NumPy 中最重要的对象是多维数组（ndarray），ndarray 是 N-dimensional array，即 N 维数组。
numpy比math库在许多计算上更方便。
我们最初使用numpy的目的，是想利用它强大的向量运算功能。
>>> np.zeros(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
>>> np.ones(10)
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
默认生成的是浮点数，numpy 会省略小数点后的 0，因此 1.0 和 0.0 变成了 1. 和 0.
ones = np.ones(3, dtype='int')
print(ones)
# 输出：[1 1 1]
一维数组
import numpy as np
data = np.array([1, 2, 3]) #该数组是一维的
print(data)
# 输出：[1 2 3]
print(type(data))
# 输出：<class 'numpy.ndarray'>
打印出来的多维数组和列表也很像，只是少了分隔的逗号。
列表间只有加法操作，作用是将两个列表的元素合并在一起。而多维数组间可以进行加减乘除的四则运算，运算规则也很简单：将两个数组中对应位置的元素一一进行运算。
小贴士：两个多维数组的形状必须一致才能进行四则运算，可以简单地理解为长度一样。
举个栗子：
data = np.array([1, 2])
ones = np.ones(2)
print(data + ones)
# 输出：[2. 3.]除了多维数组间的四则运算，多维数组直接和数字进行计算的方式也很常用，举个例子：
data = np.array([1, 2])
print(data + 1)
# 输出：[2 3]多维数组和数字的四则运算会作用在数组中的每个元素上，这在 numpy 中被称为 Broadcasting。
Broadcasting 的本义为“大范围传播、投射”。
用在媒体中，就是我们熟知的“广播”（广泛将信息传播给大众），用在数组运算中，就是“大范围地将运算应用到全部元素”的意思。
根据 Broadcasting 规则，[1 2] + 1 相当于 [1 2] + [1 1]，因此结果为 [2 3]。其余的减乘除同样如此。
如果用列表来写更复杂:
data = []
for i in [1, 2]:
data.append(i + 1)
print(data)
# 输出：[2, 3]
用 numpy 求平均数——用mean()方法
player1 = np.array([7, 9, 10, 9, 11, 13, 10, 10, 11, 10])
player2 = np.array([7, 9, 8, 9, 11, 10, 11, 12, 10, 13])
player3 = np.array([3, 7, 10, 3, 6, 30, 10, 7, 11, 13])
print('球员1的平均得分为', player1.mean())
print('球员2的平均得分为', player2.mean())
print('球员3的平均得分为', player3.mean())
#注意此处print的格式 '****',****
输出的格式是逗号换为空格
>>> print(1,2,3)
1 2 3
类似的还有求最大值的 max() 方法、求最小值的 min() 方法、求和的 sum() 方法等
# 单层嵌套列表
nested_list = [[1, 2], [3, 4]]
print(nested_list)
# 输出：[[1, 2], [3, 4]]
# 二维数组
data = np.array(nested_list)
print(data)
# 输出：
# [[1 2]
# [3 4]]
>>> import numpy as np
>>> a=np.arange(0,60,5)
>>> a=a.reshape(3,4)
>>> a
array([[ 0, 5, 10, 15],
[20, 25, 30, 35],
[40, 45, 50, 55]])
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
