❶ python——ndarray多维数组基本操作（1）
数组允许进行批量操作而无需使用for循环，因此更加简便，这种特性也被称为向量化。任何两个等尺寸之间的算术操作都应用逐元素操作的方式进行。
同尺度数组之间的比较，会产生一个布尔型数组。
上述操作均是在同尺度数组之间进行的，对于不同尺度数组间的操作，会使用到广播特性。
索引：获取数组中特定位置元素的过程；
切片：获取数组元素子集的过程。
new_a = a.astype(new_type)
astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。
ls = a.tolist()
转置是一种特殊的数据重组形式，可以返回底层数据的视图而不需要复制任何内容。
数组拥有 transpose 方法，也有特殊的 T 属性。
对于更高纬度的数组， transpose 方法可以接受包含轴编号的元组，用于转置轴。
ndarray的 swapaxes 方法，通过接受一对轴编号作为参数，并对轴进行调整用于重组数据。
swapaxes 方法返回的是数据的视图，而没有对数据进行复制。
Reference：
《Python for Data Analysis:Data Wrangling with Pandas,Numpy,and IPython》
❷ Python科学计算包numpy用法
本文实例讲述了Python科学计算包numpy用法。分享给大家供大家参考，具体如下：
1 数据结构
numpy使用一种称为ndarray的类戚乱似Matlab的矩阵式数据结构管理数据，比python的列表和标准库的array类更为强大，处理数据更为方便。
1.1 数组的生成
在numpy中，生成数组需要指定数据类型，默认是int32，即整数，可以通过dtype参数来指定，一般用到的有int32、bool、float32、uint32、complex，分别代旦念表整数、布尔值、浮模仔困点型、无符号整数和复数
一般而言，生成数组的方法有这么几种：
以list列表为参数生成(用tolist方法即可转换回list)：
?
1
234
5
In[
3
]: a
=
array([
1
,
2
,
3
])
In[
4
]: a
Out[
4
]: array([
1
,
2
,
3
])
In[
5
]: a.tolist()
Out[
5
]: [
1
,❸ python基础之numpy.reshape详解
这个方法是在不改变数据内容的情况下，改变一个数组的格式，参数及返回值，官网介绍：
a：数组--需要处理的数据
newshape：新的格式--整数或整数数组，如(2,3)表示2行3列，新的形状应该与原来的形状兼容，即行数和列数相乘后等于a中元素的数量
order：
首先做出翻译： order : 可选范围为{‘C’, ‘F’, ‘A’}。使用索引顺序读取a的元素，并按照索引顺序将元素放到变换后的的数组中。如果不进行order参数的设置，默认参数为C。
（1）“C”指的是用类C写的读/索引顺序的元素，最后一个维度变化最快，第一个维度变化最慢。以二维数组为例，简单来讲就是横着读，横着写，优先读/写一行。
（2）“F”是指用FORTRAN类索引顺序读/写元素，最后一个维度变化最慢，第一个维度变化最快。竖着读，竖着写，优先读/写一列。注意，“C”和“F”选项不考虑底层数组的内存布局，只引用索引的顺序。
（3）“A”选项所生成的数组的效果与原数组a的数据存储方式有关，如果数据是按照FORTRAN存储的话，它的生成效果与”F“相同，否则与“C”相同。这里可能听起来有点模糊，下面会给出示例。
二、示例解释
1、首先随机生成一个4行3列的数组
2、使用reshape，这里有两种使用方法，可以使用np.reshape(r,(-1,1),order='F')，也可以使用r1=r.reshape((-1,1),order='F')，这里我选择使用第二种方法。通过示例可以观察不同的order参数效果。
通过例子可以看出来，F是优先对列信息进行操作，而C是优先行信息操作。如果未对r的格式进行设置，那么我们rashape的时候以“A”的顺序进行order的话，它的效果和“C”相同。
3、我们将r的存储方式进行修改，修改为类Fortan的方式进行存储。并做与第2步类似的操作。
基础操作样例：
1.引入numpy，名称为np
2.接下来创建一个数组a，可以看到这是一个一维的数组
3.使用reshape()方法来更改数组的形状，可以看到看数组d成为了一个二维数组
4.通过reshape生成的新数组和原始数组公用一个内存，也就是说，假如更改一个数组的元素，另一个数组也将发生改变
5.同理还可以得到一个三维数组
reshape(-1,1)什么意思：
大意是说，数组新的shape属性应该要与原来的配套，如果等于-1的话，那么Numpy会根据剩下的维度计算出数组的另外一个shape属性值。
举例：
同理，只给定行数，newshape等于-1，Numpy也可以自动计算出新数组的列数。
❹ Python基础 numpy中的常见函数有哪些
有些Python小白对numpy中的常见函数不太了解，今天小编就整理出来分享给大家。
Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。
数组常用函数
1.where()按条件返回数组的索引值
2.take(a,index)从数组a中按照索引index取值
3.linspace(a,b,N)返回一个在(a,b)范围内均匀分布的数组，元素个数为N个
4.a.fill()将数组的所有元素以指定的值填充
5.diff(a)返回数组a相邻元素的差值构成的数组
6.sign(a)返回数组a的每个元素的正负符号
7.piecewise(a,[condlist],[funclist])数组a根据布尔型条件condlist返回对应元素结果
8.a.argmax(),a.argmin()返回a最大、最小元素的索引
改变数组维度
a.ravel(),a.flatten():将数组a展平成一维数组
a.shape=(m,n),a.reshape(m,n):将数组a转换成m*n维数组
a.transpose,a.T转置数组a
数组组合
1.hstack((a,b)),concatenate((a,b),axis=1)将数组a,b沿水平方向组合
2.vstack((a,b)),concatenate((a,b),axis=0)将数组a,b沿竖直方向组合
3.row_stack((a,b))将数组a,b按行方向组合
4.column_stack((a,b))将数组a,b按列方向组合
数组分割
1.split(a,n,axis=0),vsplit(a,n)将数组a沿垂直方向分割成n个数组
2.split(a,n,axis=1),hsplit(a,n)将数组a沿水平方向分割成n个数组
数组修剪和压缩
1.a.clip(m,n)设置数组a的范围为(m,n),数组中大于n的元素设定为n,小于m的元素设定为m
2.a.compress()返回根据给定条件筛选后的数组
数组属性
1.a.dtype数组a的数据类型
2.a.shape数组a的维度
3.a.ndim数组a的维数
4.a.size数组a所含元素的总个数
5.a.itemsize数组a的元素在内存中所占的字节数
6.a.nbytes整个数组a所占的内存空间7.a.astype(int)转换a数组的类型为int型
数组计算
1.average(a,weights=v)对数组a以权重v进行加权平均
2.mean(a),max(a),min(a),middle(a),var(a),std(a)数组a的均值、最大值、最小值、中位数、方差、标准差
3.a.prod()数组a的所有元素的乘积
4.a.cumprod()数组a的元素的累积乘积
5.cov(a,b),corrcoef(a,b)数组a和b的协方差、相关系数
6.a.diagonal()查看矩阵a对角线上的元素7.a.trace()计算矩阵a的迹，即对角线元素之和
以上就是numpy中的常见函数。更多Python学习推荐:PyThon学习网教学中心。
❺ python数据分析模块：numpy、pandas全解
一维数组情况：
二维数组情况：
3参数情况：
2参数情况：
1参数情况：
一维情况：
二维情况：
一维情况：
二维情况：
一维情况：
二维情况：第三个参数指定维度
只查看行数、或者列数
逗号隔开两个索引
某些行
某些列
可以看出append()函数在二维数组中添加元素，结果转为了一维数组。
那怎么保持二维数组呢？可以设置axis参数按行或者按列添加
可以看出先把二维数组降成了一维数组，再在索引为1的位置添加元素。
那么怎么保持在二维添加元素呢？ 同样设置axis参数
也分按行和按列删除
标记缺失值： isnan()函数
补充缺失值：
同样axis参数可以指定拼接按行还是按列
2. hstack()函数：以水平堆叠的方式拼接数组
3. vstack()函数：以垂直堆叠的方式拼接数组
第二个参数还可以是数组，指定拆分的位置
hsplit()函数：横向拆成几个数组
vsplit()函数：纵向拆成几个数组
数组与数组之间的运算
数组与数值的运算
可以指定整个数组求和，还是按行或者按列
axis=0：每一列的元素求和
axis=1：每一行的元素求和
axis=0：每一列求均值
axis=1：每一行求均值
axis=0：每一列求最大值
axis=1：每一行求最大值
pandas有两个重要的数据结构对象：Series和DataFrame。
Series是创建一个一维数组对象，会自动生成行标签。
会自动生成行列标签
也可以用字典形式生成数据
在用字典生成数据的基础上，同时指定行标签
例如对下表的数据进行读取
4月是第四个表，我们应把sheet_name参数指定为3；因为索引是从0开始的。
可以看出read_excel()函数自动创建了一个DataFrame对象，同时自动把第一行数据当做列标签。
可以看出不给出header参数时，该参数默认为0。
header=1时结果如下：
header=None时结果如下：
index_col=0时，第0列为列标签
index_col=0时
usecols=[2]：指定第二列
指定多列
数据如下：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-j1SHxY8y-1637655972909)(C: ypora-user-imagesimage-20211114192949607.png)]
nrows=3时
head()函数中参数为空默认前5行
指定head(3)时如下
numpy模块也是shape
查看特定列的书库类型
特定列数据类型转换
先查看一下所有数据
与单行相比，结果显示的格式不一样了
iloc()挑选：
或者给出区间
挑选数据要么标签，要么索引挑选
或者
或者写成区间
标签挑选
或者索引挑选
先查看一下数据
或者用字典一对一修改
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-a6QKIoie-1637655972912)(C: ypora-user-imagesimage-20211123110431201.png)]
isin()函数查看表中是否有该值
查看特定列是否有该值
可以看出上述代码并没有替换，那怎么替换呢？
末尾插入一列
指定插入到哪列
axis参数可以指定删除行还是删除列
指定标签删除
指定索引删除
方法三
指定行标签删除
指定索引删除
方法三：
先查看所有数据
info()函数查看数据类型，还可以查看是否有缺失值
isnull()函数查看是否有缺失值
在numpy模块中用isnan()函数
删除有缺失值的行
删除整行都为缺失值的行： 需要指定how参数
不同列的缺失值设置不同的填充值
默认保留第一个重复值所在的行，删除其他重复值所在的行
保留第一个重复值所在的行
保留最后一个重复值所在的行
是重复的就删除
降序如下
参数指定first时，表示在数据有重复值时，越先出现的数据排名越靠前
获取产品为单肩包的行数据
获取数量>60的行数据
获取产品为单肩包 且 数量>60 的行数据
获取产品为单肩包 或 数量>60 的行数据
stack()函数转换成树形结构
how参数指定外连接
on参数指定按哪一列合并
concat()函数采用 全连接 的方式，没有的数设置为缺失值
重置行标签
效果与concat()一样
末尾添加行元素
指定列求和
指定列求均值
指定列求最值
获取单列的
corr()函数获取相关系数
获取指定列与其他列的相关系数
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-46g9qgQw-1637655972913)(C: ypora-user-imagesimage-20211123135643804.png)]
groupby()函数返回的是一个DataFrameBy对象，该对象包含分组后的数据，但是不能直观地显示出来。
分组后获取指定列的汇总情况
获取多列的汇总情况
获取多列的情况
ta = pd.read_excel(‘相关性分析.xlsx’)
print(data)
corr()函数获取相关系数
获取指定列与其他列的相关系数
[外链图片转存中…(img-46g9qgQw-1637655972913)]
groupby()函数返回的是一个DataFrameBy对象，该对象包含分组后的数据，但是不能直观地显示出来。
分组后获取指定列的汇总情况
获取多列的汇总情况
获取多列的情况
❻ python自带及pandas、numpy数据结构(一)
1.python自带数据结构：序列（如list）、映射（如字典）、集合（set）。
以下只介绍序列中的list：
创建list：
list1 = []
list1 = [1,2,3,4,5,6,7,8,9] #逗号隔开
list2 = [[1,2],[3,4],[5,6],[7,8]] #list2长度(len(list2))为2,list2[0] = [1,2]
liststring = list(“thisisalist”) #只用于创建字符串行表
索引list：
e = list1[0] #下标从零开始，用中括号
分片list：
es = list1[0:3]
es = list1[0:9:2] #步长在第二个冒号后
list拼接（list1.append(obj)、加运算及乘运算）：
list长度：
list每个元素乘一个数值：
list2 = numpy.dot(list2,2)
list类似矩阵相乘（每个元素对应相乘取和）：
list3 = numpy.dot(list1,list1)
#要求相乘的两个list长度相同
list3 = numpy.dot(list2,list22)
#要求numpy.shape(list2)和numpy.shape(list22)满足“左行等于右列”的矩阵相乘条件，相乘结果numpy.shape(list3)满足“左列右行”
2.numpy数据结构：
Array：
产生array：
data=np.array([[1, 9, 6], [2, 8, 5], [3, 7, 4]])
data=np.array(list1)
data1 = np.zeros(5) #data1.shape = (5,),5列
data1 = np.eye(5)
索引array:
datacut = data[0,2] #取第零行第二列，此处是6
切片array：
datacut = data[0:2,2] # array([6, 5])
array长度：
data.shape
data.size
np.shape(data)
np.size(data)
len(data)
array拼接：
#括号内也有一个括号（中括号或者小括号）！
d = np.concatenate((data,data))
d = np.concatenate((data,data),axis = 1) #对应行拼接
array加法：逐个相加
array乘法：
d = data data #逐个相乘
d = np.dot(data,data) #矩阵相乘
d = data 3 #每个元素乘3
d = np.dot(data,3) #每个元素乘3
array矩阵运算：
取逆 : np.linalg.inv(data)
转置：data.T
所有元素求和 : np.sum(data)
生成随机数：np.random.normal(loc=0, scale=10, size=None)
生成标准正态分布随机数组：np.random.normal(size=(4,4))
生成二维随机数组：
np.random.multivariate_normal([0,0],np.eye(2))
生成范围在0到1之间的随机矩阵(M,N)：
np.random.randint(0,2,(M,N))
Matrix:
创建matrix：
mat1 = np.mat([[1, 2, 3], [4, 5, 6]])
mat1 = np.mat(list)
mat1 = np.mat(data)
matrix是二维的，所有+，-，*都是矩阵操作。
matrix索引和分列：
mat1[0:2，1]
matrix转置：
np.transpose(mat1)
mat1.transpose()
matrix拼接：
np.concatenate([mat1,mat1])
np.concatenate([mat1,mat1],axis = 1)
numpy数据结构总结：对于numpy中的数据结构的操作方法基本相同：
创建：np.mat(list),np.array(list)
矩阵乘：np.dot(x,y)
转置：x.T or np.transpose(x)
拼接：np.concatenate([x,y],axis = 1)
索引：mat[0:1,4],ary[0:1,4]
3.pandas数据结构:
Series:
创建series：
s = pd.Series([[1,2,3],[4,5,6]],index = [‘a’,‘b’])
索引series：
s1 = s[‘b’]
拼接series：
pd.concat([s1,s1],axis = 1) #也可使用s.append(s)
DataFrame:
创建DaraFrame:
df = pd.DataFrame([[1,2,3],[1,2,3]],index = ['a','b'],columns = ['x','y','z'])
df取某一列：
dfc1 =df.x
dfc1 = df[‘x’]
dfc2 = df.iloc[:,0] #用.iloc方括号里是数字而不是column名！
dfc2 = df.iloc[:,0:3]
df取某一行：
dfr1 = df.iloc[0]
df1 = df.iloc[0:2]
df1 = df[0:2] #这种方法只能用于取一个区间
df取某个值：
dfc2 = df.iloc[0,0]
dfc2 = df.iloc[0:2,0:3]