数据分析是一门借助于计算机系统，针对海量、结构各异、不规则的数据进行高效处理，从中间提取对科学、技术、经济、社会有用的信息，并对人类的各种活动产生有益的指导作用。
数据分析领域涉及的主要技术包括数据加载、数据转换、数据查询、数据聚合、数据拆分、数据可视化等，由三个核心包实现： NumPy、 Pandas 和 Matplotlib。 NumPy 实现高效的复杂数学运算，为包括数学分析在内的科学计算提供强大的计算平台； Pandas提供了数据分析中涉及的主要前端功能，如数据加载、数据转换、数据查询、数据聚合与拆分等； Matplotlib为快速展现数据分析成果提供了一个功能强大的工具集。
目录
数组操作
熟悉 NumPy 的首要任务为熟悉数组的创建。
1，arange()方法创建一维数组，注意： arange(10)创建的数组里面不包括元素 10
2.创建指定步长的一维数组，arrange(10,100,30)中的参数 10、 100、 30 分别为起始值、终止值、步长，即创建的数组里 面包括 10、 40（ 10+30）、 70（40+30），但不包括 100。
3.使用 zeros()和 ones()创建一维数组
- 使用 empty()和 full()创建一维数组, empty()使用随机数填充新创 建的数组
5.使用 linspace()和 random()创建一维数组
linspace(0,10,5)返回区间 0~10 内均匀间隔的 5 个数字，即 0、 2.5、 5、 7.5、 10
6.使用 zeros()、 ones()、 full()和 empty()创建多维数组
7.使用 arange()创建多维数组
先使用 arange(24)生成包含 24 个元素的一维数组，再调用 reshape()将其转换为 一个 3 维数组，每个维度的元素个数分别为 2、 3、 4。
数组特性
1.查看数组的数据类型
- 创建指定数据类型的数组
3.查看数组的形状
4.使用不同轴向参数调用 max()
作为 一个支持各类科学计算的基础包， NumPy 存储和处理的数据大都为多维数组，而同一个操作 在多维数组上可能具有多种不同的操作方向，因此 NumPy 引入轴向概念，指示操作的方向。 一维数组只有一个轴向（ Axis=0），二维数组有两个轴向，分别为 Axis=0（垂直轴向）和Axis=1（水平轴向），三维或以上数组以此类推。
广播机制
不同大小的数组不能进行加、减，或通常的算术运算。但是，实际项目中经常会需要对大 小不同的数据进行处理和运算，因此 NumPy 引入广播机制（Broadcasting），用于解决不同大 小数组之间的算术运算问题。广播机制的原理为适当”扩大”数组的形状，使得两个数组的形 状完全相等。
为解决不同形状数组之间的算术计算问题，广播对数组进行变换，从而实现形状不同的数 组之间也能进行算数计算。广播的核心原理为按照一定的规则对数组进行扩展和复制，从而使 多个数组的形状保持一致，其主要步骤如下所述：
（ 1） 扩展：如果数组维数不同，则扩展维数少的数组，在其形状中添加前缀 1，使 其维数与最多维数数组的维数相等。例如，如果 x.shape=(2,)， y.shape=(7,2,3)，则扩展 x 的维数： x.shape=(1,1,2)。
（2） 复制：如果某一轴向的长度为 1，则沿此轴向复制此轴向上唯一的数据，使其 长度与所有数组在此轴向上的最大长度相等。需要说明的是 NumPy 并没有进行真正的复制操 作，而是通过指针来模拟复制操作。另外，如果多个数组在某个轴向上的长度不相等并且不为1，则复制失败。
（3） 计算：执行完广播后的数组均具有相同的形状，因此可以进行相应的算术计算。
例：x=np.arange(4).reshape(1,4)
y=np.arange(4).reshape(4,1)
z = x + y
则z = [[0,1,2,3],[1,2,3,4],[2,3,4,5],[3,4,5,6]]
数组基本操作
1.使用 reshape()变换数组形状
2.拼接数组
3.切分数组
4.访问数组(利用整数索引和切片索引访问一维数组)
x[3]：首先获取结果集，即访问 x 中第 3 个元素，因此结果集为 [3]。因为本例中使用 标量索引来访问 0 轴数据，参考表 2-4，得知变换后的结果集形状为 (,)，即需将结果集形状变 换为标量，因此最后返回标量 3。
x[2:5]：访问 x 中第 2 个到第 4 个之间的元素（不包括终止值 5），结果集为 [2， 3，4]。 0 轴使用切片索引，因此 0 轴形状为切片索引的数值个数，即 3，将结果集的形状转换为(3,)，最后返回 [2， 3， 4]。
x[:5]：访问 x 中第 0 个到第 5 个之间的元素，输出为 [0， 1， 2， 3， 4]。 NumPy 采用 与 Python 中切片相同的处理方式，省略切片中的开始值表示从第 0 个元素开始。结果形状的 确定与 x[2:5]相同，不再赘述，以下同。
x[7:]：访问 x 中第 7 个到最后一个元素，输出为 [7， 8， 9]。省略切片中的终止值表示 一直到最后一个元素。
x[5::-1]：倒序访问第 5 个到第 0 个元素，输出为 [5， 4， 3， 2， 1， 0]。指定步长为 -1
表示倒序访问数组元素。
5.利用整数索引和切片索引访问二维数组
y[2,1]： 0 轴索引和 1 轴索引均为标量索引，即访问 y 中第 2 行第 1 列的数据，结果集 为 [9]。
y[1]： 0 轴索引为标量， 1 轴没有指定索引，即访问第 1 行所有列的数据，结果集为
[4,5,6,7]。
y[:2,2:3]：访问 y 中的第 0 行至第 1 行中的第 2 列至第 2 列的数据，结果集为 [2,6]。 0
轴和 1 轴均指定了切片索引，且分别包括 2 个和 1 个数值，因此最终形状为 (2,1)，即返回
[[2],[6]]。
y[:,0]：访问所有行的第 0 列数据，最终输出结果为 [0,4,8]。
查询数组
数据处理与分析中存在大量的查询操作，如查询 7 月平均气温高于 30 摄氏度的城市，销 售额最高的年份，高于平均成绩的人数等。 NumPy 提供 where()、 extract()、 all()、 any()支持基 于条件的查询，提供 amin()、 amax()、 median()、 mean()等方法支持各类统计计算。
all()和 any()用来按轴向检测数据是否全部为真值或者存在至少一个真值。
NumPy 中常用的统计方法列表
统计方法的使用如下：
排序数组
NumPy 提供了一系列适应于数组的排序方法，包括 sort()、 argsort()、 lexsort()、 partition()、sorted()等。
主要排序方法列表
下面代码演示了 NumPy 中常见排序算法的使用：
小结：
作为一个支持数据分析与科学计算的基础包， NumPy 提供了一个 ndarray 数组结构，克服 了 Python 内置的 List 结构对于多维数组支持的局限性，提升了多维数据存储、访问、操作的 效率。以数组为基础， NumPy 为数据访问、形状变换、数据访问、数据计算提供了丰富的功 能支持与方法实现，成为常见的科学计算、数据分析、机器学习包的后台基础包。如果没有NumPy， Python 在数据分析、科学计算、人工智能方面的应用前景会受到不可估量的影响。因 此，了解和熟悉 NumPy 将为数据分析提供理论与实践基础，使数据分析工作者对于数据分析 操作不仅知其然，而且知其所以然。
Original: https://blog.csdn.net/m0_59405106/article/details/126371474
Author: double@AI
Title: python数据分析（Jupyter Notebook工具）之numpy库
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/759361/
转载文章受原作者版权保护。转载请注明原作者出处！