Anaconda 是一个跨平台的版本，通过命令行来管理安装包。进行大规模数据处理、预测分析和科学计算。它包括近 200 个工具包，大数据处理需要用到的常见包有 NumPy 、 SciPy 、 pandas 、 IPython 、 Matplotlib 、 Scikit-learn 、gensim、nltk、networkx、beautifulsoup4和statsmodels 等。
可以直接通过命令进行安装。如下图，分别安装上述相关文件（示例安装pandas，其他类似）。
一、NumPy(Numerical Python)
NumPy是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，也针对数组运算提供大量的数学函数库。NumPy 为开放源代码并且由许多协作者共同维护开发，是一个运行速度非常快的数学库，用于数组计算。
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用，可广泛用于替代 MatLab，是一个强大的科学计算环境，便于后期学习数据科学和者机器学习。 SciPy 是一个开源的 Python 算法库和数学工具包， 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面，是为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API），前期在数据可视化中做作过简单的介绍。
1、numpy中的数组操作及代码
NumPy中的ndarray是一个多维数组对象，该对象由两部分组成：实际的数据和描述这些数据的元数据，大部分的数组操作仅仅修改元数据部分。
import numpy as np #导入numpy包，并另命令为np
a = np.arange(5) # 调用numpy中的函数arange,函数创建数组
print(a.dtype) # 打印出数组a的数据类型
print(a.shape) #数组的 shape 属性返回一个元组（tuple）,元组中的元素即为NumPy数组每一个维度上的大小
print('\n')
#创建多维数组
m = np.array([np.arange(5), np.arange(5)]) #列表作为参数传给array函数，从而创建了一个5×2的数组
print(m)
#选取数组元素
print(m[0,0])
print(m[0,1])
print(m[1,1])
print(m[1,2])
print(m[1,3])
NumPy 自定义的异构数据类型，该数据类型包括一个用字符串记录的名字、一个用
以整数表示的数字和以浮点数表示的价格<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>A number recorded in an integer and a price recorded in a floating point number</font>*</details>
t = np.dtype([('name', np.str_, 40), ('numitems', np.int32), ('price',np.float32)])
print(t)
一维数组的索引和切片
a = np.arange(9)
print(a[3:7])
print('\n')
#多维数组的切片和索引
b = np.arange(24).reshape(2,3,4) #reshape函数的作用是改变数组的"形状",也就是改变数组的维度
#其参数为一个正整数元组，分别指定数组在每个维度上的大小
print(b.shape)
print('\n')
print(b)
print('\n')
print(b[0])
print('\n')
print(b[:,0,0]) #下标用英文标点的冒号:来代替,表示不限该位置的参数,即打印出b的第1行，第1列的所有元组的数据。
运行结果如下：
至于具体和更详细的用法，您可以尝试更多。
[En]
As for specific and more detailed usage, you can try more.
二、numpy改变数组的维度
上述的reshape函数可以将一维数组[0,1,2,…,23]转变为具有2个元素，每个元素是一个二维数组的三维数组，同样，也可以将多维数组转变为一维数组（将数组展平）。
可以用 ravel 等函数完成相关操作，见如下代码：
import numpy as np #导入numpy包，并另命令为np
c = np.array([ #先定义一个numpy的多维数组
[[0,1,2,3],[4,5,6,7],[8,9,10,11]],
[[12,13, 14,15],[16,17,18,19],[20,21,22,23]]
])
e=d=c
print (c.ravel())
print('\n')
print(c.flatten())
print('\n')
#用元组设置维度
d.shape = (6,4)
print(d)
print('\n')
transpose用于转置，即行列互换，即线性代数中的转置矩阵
print(e.transpose())
运行结果：
三、数组的组合
NumPy数组有水平组合、垂直组合和深度组合等多种组合方式，使用 vstack 、dstack 、 hstack 、 column_stack 、 row_stack 以及 concatenate 等函数来完成数组的组合。
import numpy as np #导入numpy包，并另命令为np
a = np.arange(9).reshape(3,3)#定义a为3行3列的二维数组
b=2*a #定义b,且b的每个元素均为a的两倍。
print(a) #打印出a数列
print('\n')
print(b) #打印出b数列print('\n')
运行结果：
python;gutter:true;
[[0 1 2]
[3 4 5]
[6 7 8]]</p>
<p>[[ 0 2 4]
[ 6 8 10]
[12 14 16]]</p>
<pre><code>
看看合并后的跑步结果。代码如下：<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>Take a look at the running results after the combination. The code is as follows:</font>*</details>
</code></pre>
<p>import numpy as np #导入numpy包，并另命令为np</p>
<p>a = np.arange(9).reshape(3,3) #定义a为3行3列的二维数组
b=2*a #定义b,且b的每个元素均为a的两倍,数组结构与a一致。</p>
<h1>水平组合:将ndarray对象构成的元组作为参数，传给hstack 函数</h1>
<p>print(np.hstack((a, b))) #水平组合
print('\n')
print(np.concatenate((a, b), axis=1)) #注意axis参数
print('\n')</p>
<h1>垂直组合</h1>
<p>print(np.vstack((a, b)))
print('\n')
print(np.concatenate((a, b), axis=0))#注意axis=0是默认值，即可以不设置。
print('\n')</p>
<pre><code>
运行结果如下：
很明显，上述函数np.hstack((a,b))的结果显示为将a的行与b的行连成一个更长的行(np.concatenate()函数一样，只是多了一个参数),相当于增加了数组的列数。
而np.vstack((a,b)),则是结合成具有更多的行，而列数不变。用二维表示如下：
接下来，让我们来看看深度组合、列组合和行组合。<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>Next, let's take a look at depth combinations, column combinations, and row combinations.</font>*</details>
</code></pre>
<p>import numpy as np #导入numpy包，并另命令为np</p>
<p>a = np.arange(9).reshape(3,3) #定义a为3行3列的二维数组
b=2*a #定义b,且b的每个元素均为a的两倍,数组结构与a一致。</p>
<h1>深度组合 将相同的元组作为参数传给 dstack</h1>
<p>print(np.dstack((a, b)))
print('\n')</p>
<h1>列组合</h1>
<p>print(np.column_stack((a, b)))#对于二维数组,column_stack 与hstack的效果是相同
print('\n')
行组合
print(np.row_stack((a,b)))#对于二维数组,column_stack与vstack 的效果是相同</p>
<pre><code>
从上可以看出，深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合，比如这里只有2个数组a和b，所以深度只有2，由于a和b都是3*3，就形成如下结果：
在二维数组中，行和列组合与水平和垂直组合一样，不会引入太多。<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>In a two-dimensional array, row and column combinations, like horizontal and vertical combinations, are not introduced too much.</font>*</details>
四、数组的分割
数组能组合 ，当然也能分割成多个子数组。像组合一样，也可分为水平分割、垂直分割、深度分割。
1、水平分割 和垂直分割
</code></pre>
<p>import numpy as np #导入numpy包，并另命令为np</p>
<p>a = np.array([[0, 1, 2],[3, 4, 5],[6, 7, 8]]) #定义一个多维数组</p>
<h1>水平分割</h1>
<p>print(np.hsplit(a,3)) #hsplit把数组沿着水平方向分割为3个相同大小的子数组
或者
print(np.split(a,3,axis=1)) #同hsplit</p>
<h1>垂直分割</h1>
<p>print(np.vsplit(a,3)) #vsplit把数组沿着垂直方向分割为3个相同大小的子数组
或者
print(np.split(a,3,axis=0)) #同vsplit，注意参数</p>
<pre><code>
运行结果：
整理后，得到：[array([[0],[3],[6]]), array([[1], [4],[7]]), array([[2],[5],[8]])]也就是将0，3，6归为一组，注意：都是分别用"[ ]"和","分开的。
2、深度分割
</code></pre>
<p>import numpy as np #导入numpy包，并另命令为np</p>
<p>c = np.array(np.arange(27).reshape(3, 3, 3)) #创建一个多维数组，并设置
print(np.dsplit(c,3))</p>
<pre><code>
运行结果如下：
[array([[[ 0],[ 3],[ 6]],[[ 9],[12],[15]],[[18], _[21],_ _[24]]]),_
array([[[ 1],[ 4],[ 7]],[[10],[13],[16]], _[[19],_ _[22],_ _[25]]]),_
array([[[ 2],[ 5],[ 8]],[[11],[14],[17]],[[20],[23], _[26]]])_
_]_
生成的C数组为 ：
这三条数据应该像一张纸一样叠加在一起。0mene3re6的下一层对应于9mene12 pence15，下一层是18mene21jue 24。<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>These three pieces of data should be superimposed like a piece of paper. The next layer of 0meme3re6 corresponds to 9meme12pence15, and the next layer is 18meme21jue 24.</font>*</details>
五、Numpy数组的其他属性
在开始的代码中有 .dtype和 .shape分别是数组的两个不同的属性，除此之外，还有其他属性，如下：
</code></pre>
<p>import numpy as np #导入numpy包，并另命令为np</p>
<p>a = np.array([[0, 1, 2],[3, 4, 5],[6, 7, 8]]) #定义一个多维数组
print(a.dtype) #数组a的数据类型
print(a.shape) #数组a的维数
print(a.ndim) #给出数组的维数，或数组轴的个数
print(a.size) #给出数组元素的总个数
print(a.itemsize) #元素在内存中所占的字节数
print(a.nbytes) #元素在内存中所占的存储空间,itemsize和size属性值的乘积</p>
<h1>复数的表示</h1>
<p>b = np.array([1.j + 1, 2.j + 3])
print(b.real)#打印实数
print(b.imag)#打印虚数部分</p>
<p>c = np.arange(4).reshape(2,2)</p>
<p>print(c)</p>
<p>f = c.flat #flat属性,可以像遍历一维数组一样去遍历任意的多维数组
for item in f :
print(item)</p>
<h1>或者获取多个元素</h1>
<p>print( c.flat[[1,3]])</p>
<h1>flat 属性是一个可赋值的属性。对flat属性赋值将导致整个数组的元素都被覆盖</h1>
<p>c.flat=5 # 对flat属性赋值将导致整个数组的元素都被覆盖
print(c)</p>
<p>b = np.array([1.j + 1, 2.j + 3]) # 数组的转换
print( b.tolist())</p>
<p>print( b.astype(int)) #astype 函数可以在转换数组时指定数据类型int
运行结果如下：
小结：
上述列举了许多有关NumPy的基础知识：数据类型和NumPy数组。类似于Python列表，NumPy数组也可以方便地进行切片和索引操作。但在多维数组上，NumPy有明显的优势。
与改变数组维度相关的操作有很多种，如合并、调整、设置维度、分割等。
[En]
There are many kinds of operations related to changing array dimensions, such as combination, adjustment, setting dimension, segmentation and so on.
Original: https://www.cnblogs.com/codingchen/p/16284665.html
Author: PursuitingPeak
Title: Python数据分析–Numpy常用函数介绍(1)–工具安装及Numpy介绍
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/499541/
转载文章受原作者版权保护。转载请注明原作者出处！