网站做导航设计的作用是什么意思,wordpress调用目录,怎么提升关键词的质量度,盘锦市建设银行网站数据分析
引言
这一周#xff1a;学习了python的numpy和matplotlib以及在飞桨paddle上面做了几个小项目
发现numpy和matplotlib里面有很多api#xff0c;要全部记住是不可能的#xff0c;也是不可能全部学完的#xff0c;所以我们要知道并且熟悉一些常用的api#xff0…数据分析
引言
这一周学习了python的numpy和matplotlib以及在飞桨paddle上面做了几个小项目
发现numpy和matplotlib里面有很多api要全部记住是不可能的也是不可能全部学完的所以我们要知道并且熟悉一些常用的api并且学到哪用到哪遇到不会的api也不要害怕直接去网上查找或者自己尝试着摸索就可以了的代码也不需要特别死扣思路是最重要的。
什么是数据分析
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
使用python做数据分析的常用库
numpy 基础数值算法matplotlib 数据可视化pandas 序列高级函数
numpy的核心多维数组
代码简洁减少Python代码中的循环。底层实现厚内核©薄接口(Python)保证性能。
numpy基础
ndarray数组
用np.ndarray类的对象表示n维数组
import numpy as np
ary np.array([1, 2, 3, 4, 5, 6])
print(type(ary))#class numpy.ndarray
内存中的ndarray对象
元数据metadata
存储对目标数组的描述信息如dim count、dimensions、dtype、data等。
实际数据
完整的数组数据[1,2,3,4,5,6]
将实际数据与元数据分开存放一方面提高了内存空间的使用效率另一方面减少对实际数据的访问频率提高性能。
ndarray数组对象的特点
Numpy数组是同质数组即所有元素的数据类型必须相同Numpy数组的下标从0开始最后一个元素的下标为数组长度减1
ndarray数组对象的创建
np.array(任何可被解释为Numpy数组的逻辑结构)
import numpy as np
a np.array([1, 2, 3, 4, 5, 6])
print(a)np.arange(起始值(0),终止值,步长(1))
import numpy as np
a np.arange(0, 5, 1)
print(a)
b np.arange(0, 10, 2)
print(b)#默认生成每一个元素的维度都是一维的而且它每一个元素的是默认的int32np.zeros(数组元素个数, dtype‘类型’)
import numpy as np
a np.zeros(10)
print(a)#默认生成每一个元素的是float64默认0.np.ones(数组元素个数, dtype‘类型’)
import numpy as np
a np.ones(10)
print(a)#默认生成的每一个元素都是float64都是1.# 构建一个结构与a1相同的全0数组
print(np.zeros_like(a1))
# 构建一个结构与a3相同的全1数组
print(np.ones_like(a3))#维度是一样的ndarray对象属性的基本操作
**数组的维度**np.ndarray.shape
import numpy as np
ary np.array([1, 2, 3, 4, 5, 6])
print(type(ary), ary, ary.shape)
#二维数组
ary np.array([[1,2,3,4],[5,6,7,8]
])
print(type(ary), ary, ary.shape)**元素的类型**np.ndarray.dtype
import numpy as np
ary np.array([1, 2, 3, 4, 5, 6])
print(type(ary), ary, ary.dtype)
#转换ary元素的类型
b ary.astype(float)
print(type(b), b, b.dtype)
#转换ary元素的类型
c ary.astype(str)
print(type(c), c, c.dtype)**数组元素的个数**np.ndarray.size
import numpy as np
ary np.array([[1,2,3,4],[5,6,7,8]
])
#观察维度sizelen的区别
print(ary.shape, ary.size, len(ary))
#shape指的是数组的维度size指的是数组的元素个数len指的是数组的行数数组元素索引(下标)
数组对象[…, 页号, 行号, 列号]
下标从0开始到数组len-1结束。
import numpy as np
a np.array([[[1, 2],[3, 4]],[[5, 6],[7, 8]]])
print(a, a.shape)#(3,2,2)
print(a[0])#第一页
print(a[0][0])#第一页第一行
print(a[0][0][0])#第一页第一行第一列
print(a[0, 0, 0])#第二种写法
#当是三维数组的时候循环遍历每一个元素
for i in range(a.shape[0]):#页数for j in range(a.shape[1]):#行数for k in range(a.shape[2]):#列数print(a[i, j, k])#访问每一个元素ndarray对象属性操作详解
Numpy的内部基本数据类型
类型名类型表示符布尔型bool_有符号整数型int8(-128~127)/int16/int32/int64无符号整数型uint8(0~255)/uint16/uint32/uint64浮点型float16/float32/float64复数型complex64/complex128字串型str_每个字符用32位Unicode编码表示
自定义复合类型
#如果不用这种方法那么你也可以先创建一个类里面有对象的各种属性然后再创建一个对象列表但是这样虽然思路上十分清晰但是很耗时间占内存所以不建议使用这种方法numpy里面虽然大部分只能用在数字上但是也为此有了一种自定义复合类型。如果要访问属性的时候只需要访问他的字段
# 自定义复合类型
import numpy as npdata[(zs, [90, 80, 85], 15),(ls, [92, 81, 83], 16),(ww, [95, 85, 95], 15)
]
#第一种设置dtype的方式
a np.array(data, dtypeU3, 3int32, int32)
print(a)
print(a[0][0],:,a[0][1])
print(a[0][f0], :, a[1][f1])
print()
#第二种设置dtype的方式
b np.array(data, dtype[(name, str_, 2),(scores, int32, 3),(ages, int32, 1)])
print(b[0][name], :, b[0][scores])
print()#第三种设置dtype的方式
#最常用
c np.array(data, dtype{names: [name, scores, ages],formats: [U3, 3int32, int32]})
print(c[0][name], :, c[0][scores], :, c.itemsize)
print()#第四种设置dtype的方式
d np.array(data, dtype{name: (U3, 0),#数字代表的是偏移位置单位是字节scores: (3i4, 16),age: (i4, 28)})
print(d[0][name], d[0][scores], d.itemsize)print()
#测试日期类型数组
f np.array([2011, 2012-01-01, 2013-01-01 01:01:01,2011-02-01])
f f.astype(M8[D])#把类型转化为只精确到天数的
f f.astype(int32)
print(f[3]-f[0])#一个月31print()
#复数
a np.array([[1 1j, 2 4j, 3 7j],[4 2j, 5 5j, 6 8j],[7 3j, 8 6j, 9 9j]])
print(a.T)#进行转置for x in a.flat:#flat返回一个可迭代的一维数组print(x.array(a.flat))#[1.1.j 2.4.j 3.7.j 4.2.j 5.5.j 6.8.j 7.3.j 8.6.j 9.9.j]print(x.imag)#得到每一个元素的虚部
类型字符码
类型字符码np.bool_?np.int8/16/32/64i1/i2/i4/i8np.uint8/16/32/64u1/u2/u4/u8np.float/16/32/64f2/f4/f8np.complex64/128c8/c16np.str_U字符数np.datetime64M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s]
类型字符码格式
字节序前缀维度类型字节数或字符数
释义3i4大端字节序3个元素的一维数组每个元素都是整型每个整型元素占4个字节。(2,3)u8小端字节序6个元素2行3列的二维数组每个元素都是无符号整型每个无符号整型元素占8个字节。U7包含7个字符的Unicode字符串每个字符占4个字节采用默认字节序。
ndarray数组对象的维度操作
视图变维数据共享 reshape() 与 ravel()
import numpy as np
a np.arange(1, 9)
print(a) # [1 2 3 4 5 6 7 8]
b a.reshape(2, 4)#一定要拿一个变量来接收 #视图变维 : 变为2行4列的二维数组
print(b)
a[0]10000
print(b)
#[[10000 2 3 4]
# [ 5 6 7 8]]
c b.reshape(2, 2, 2) #视图变维 变为2页2行2列的三维数组
print(c)
d c.ravel() #视图变维 变为1维数组
print(d)**复制变维数据独立**flatten()
e c.flatten()
print(e)
c 10
print(c, e, sep\n)就地变维直接改变原数组对象的维度不返回新数组
a.shape (2, 4)
print(a)
a.resize(2, 2, 2)
print(a)ndarray数组切片操作
#数组对象切片的参数设置与列表切片参数类似
# 步长默认切从首到尾
# 步长-默认切从尾到首
数组对象[起始位置:终止位置:步长, ...]
#默认位置步长1import numpy as np
a np.arange(1, 10)
print(a) # 1 2 3 4 5 6 7 8 9
print(a[:3]) # 1 2 3
print(a[3:6]) # 4 5 6
print(a[6:]) # 7 8 9
print(a[::-1]) # 9 8 7 6 5 4 3 2 1
print(a[:-4:-1]) # 9 8 7
print(a[-4:-7:-1]) # 6 5 4
print(a[-7::-1]) # 3 2 1
print(a[::]) # 1 2 3 4 5 6 7 8 9
print(a[:]) # 1 2 3 4 5 6 7 8 9
print(a[::3]) # 1 4 7
print(a[1::3]) # 2 5 8
print(a[2::3]) # 3 6 9多维数组的切片操作
import numpy as np
a np.arange(1, 28)
a.resize(3,3,3)
print(a)
#切出1页
print(a[1, :, :])
#切出所有页的第二行
print(a[:, 1, :])
#切出0页的第二列
print(a[0, :, 1]) ndarray数组的掩码操作
import numpy as np
a np.arange(0, 10)
mask [True, False,True, False,True, False,True, False,True, False]
print(a[mask])#得到True组成的数组
# bool掩码
a np.arange(10)
mask a % 2 0
print(a[mask])
print(a[a%20])
# 3与7的公倍数
a np.arange(1, 100)
print(a[(a%30) (a%70)])# 索引掩码
a np.array([10, 20, 30, 40])
mask [0,3,2,0,1,2,0,3,1,2,3,0,2]
print(a[mask])
#[10 40 30 10 20 30 10 40 20 30 40 10 30]多维数组的组合与拆分
垂直方向操作
import numpy as np
a np.arange(1, 7).reshape(2, 3)
b np.arange(7, 13).reshape(2, 3)
# 垂直方向完成组合操作生成新数组
c np.vstack((a, b))#上下组合
# 垂直方向完成拆分操作生成两个数组
d, e np.vsplit(c, 2)#水平拆分第一个参数是待拆分的元素第二个元素是待拆分的数组总数水平方向操作
import numpy as np
a np.arange(1, 7).reshape(2, 3)
b np.arange(7, 13).reshape(2, 3)
# 水平方向完成组合操作生成新数组
c np.hstack((a, b))
# 水平方向完成拆分操作生成两个数组
d, e np.hsplit(c, 2)深度方向操作3维
import numpy as np
a np.arange(1, 7).reshape(2, 3)
b np.arange(7, 13).reshape(2, 3)
# 深度方向3维完成组合操作生成新数组
i np.dstack((a, b))
# 深度方向3维完成拆分操作生成两个数组
k, l np.dsplit(i, 2)多维数组组合与拆分的相关函数
# 通过axis作为关键字参数指定组合的方向取值如下
# 若待组合的数组都是二维数组
# 0: 垂直方向组合
# 1: 水平方向组合
# 若待组合的数组都是三维数组
# 0: 垂直方向组合
# 1: 水平方向组合
# 2: 深度方向组合
np.concatenate((a, b), axis0)
# 通过给出的数组与要拆分的份数按照某个方向进行拆分axis的取值同上
np.split(c, 2, axis0)长度不等的数组组合
import numpy as np
a np.array([1,2,3,4,5])
b np.array([1,2,3,4])
# 填充b数组使其长度与a相同,头部添加0个元素尾部添加1个元素
b np.pad(b, pad_width(0, 1), modeconstant, constant_values-1)#默认modeconstant,constant_values0
print(b)
# 垂直方向完成组合操作生成新数组
c np.vstack((a, b))
print(c)简单的一维数组组合方案
a np.arange(1,9) #[1, 2, 3, 4, 5, 6, 7, 8]
b np.arange(9,17) #[9,10,11,12,13,14,15,16]
#把两个数组摞在一起成两行
c np.row_stack((a, b))
print(c)
#把两个数组组合在一起成两列
d np.column_stack((a, b))
print(d)ndarray类的其他属性
shape - 维度dtype - 元素类型size - 元素数量ndim - 维数len(shape)itemsize - 元素字节数nbytes - 总字节数 size x itemsizereal - 复数数组的实部数组imag - 复数数组的虚部数组T - 数组对象的转置视图flat - 扁平迭代器,#生成可迭代的一维数组对象
import numpy as np
a np.array([[1 1j, 2 4j, 3 7j],[4 2j, 5 5j, 6 8j],[7 3j, 8 6j, 9 9j]])
print(a.shape)
print(a.dtype)
print(a.ndim)
print(a.size)
print(a.itemsize)
print(a.nbytes)
print(a.real, a.imag, sep\n)
print(a.T)
print([elem for elem in a.flat])
b a.tolist()#把数组转换成列表
print(b)
