当前位置：首页 > news >正文

Python数据分析篇--NumPy--入门

news 2025/7/26 17:15:18

我什么也没忘，但是有些事只适合收藏。不能说，也不能想，却又不能忘。 -- 史铁生《我与地坛》

NumPy相关知识

1. NumPy，全称是 Numerical Python，它是目前 Python 数值计算中最重要的基础模块。

2. NumPy 是针对多维数组的一个科学计算模块，这个模块封装了很多数组类型的常用操作。

3. NumPy 中最重要的对象是多维数组。

创建多维数组

1. 将一个列表作为参数传入 numpy 中的 array() 方法即可创建一个多维数组。

2. 我们也可以使用 numpy 中的 ones() 方法或者 zeros() 方法。

3. np.ones() 和 np.zeros() 的参数用于指定生成的多维数组里有多少个元素。

4. 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.。

5. 如果我们想要生成整数的话，可以传入 dtype='类型' 来指定类型。

5. 一般我们使用 import numpy as np ，即用 np 来简写 numpy。

import numpy as np
list=np.array([1,2,3])
print(list)
print(type(list))
#输出结果
#[1 2 3]
#<class 'numpy.ndarray'>one=np.ones(5)
print(one)
print(type(one))
#[1. 1. 1. 1. 1.]
#<class 'numpy.ndarray'>zero=np.zeros(3)
print(zero)
print(type(zero))
#[0. 0. 0.]
#<class 'numpy.ndarray'>one=np.ones(5,dtype='int')
print(one)
print(type(one))
#输出结果 [1 1 1 1 1]

多维数组的加减乘除

1. 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。

2. 而多维数组间可以进行加减乘除的四则运算。

3. 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。

import numpy as npdata = np.array([1, 2])
ones = np.ones(2)
print(data + ones)
#最终输出 [2. 3.]data = np.array([1, 2])
print(data + 1)
# 输出：[2 3]

多维数组的索引

1. 多维数组的索引与字符串、列表的索引规则相同。

data = np.array([1, 2, 3])
print(data[0])
#输出 1

多维数组的分片

1. 多维数组的分片与字符串、列表的分片规则相同。

2. data[m : n] ，分片是左闭右开区间，即包含 m 不包含 n。

3. 冒号前后的值是可以省略的：省略后冒号前默认为 0，冒号后默认为列表的长度。

4. 对列表分片后的数据进行更改不会影响原数据，但对多维数组分片后的数据进行更改会影响到原数据。

5. 分片支持传入第三个参数——步长，即分片时每隔几个数据取一次值。步长的默认值为 1，当步长为负数时，会将顺序反转。

data = np.array([1, 2, 3])
print(data[0:2])  # 获取索引为 0 和 1 的元素
# 输出：[1 2]data = np.array([1, 2, 3])
# 获取前 2 个元素
print(data[:2])
# 输出：[1 2]# 获取后 2 个元素
print(data[-2:])
# 输出：[2 3]# 获取所有元素
print(data[:])
# 输出：[1 2 3]lst_data = [1, 2, 3]
lst_data2 = lst_data[:]
lst_data2[0] = 6
print(lst_data)
# 输出：[1, 2, 3]arr_data = np.array([1, 2, 3])
arr_data2 = arr_data[:]
arr_data2[0] = 6
print(arr_data)
# 输出：[6 2 3]data = np.array([1, 2, 3, 4, 5, 6])
print(data[::2])  # 省略前两个参数
# 输出：[1 3 5]data = np.array([1, 2, 3, 4, 5, 6])
print(data[::-1])  # 省略前两个参数
# 输出：[6 5 4 3 2 1]

简单的数据分析

集中趋势

1. 集中趋势所反映的是一组数据所具有的共同趋势，它代表了一组数据的总体水平。

2. 其常用指标有平均数、中位数和众数。

离中趋势

1. 离中趋势是指一组数据中各数据值以不同程度的距离偏离其中心（平均数）的趋势。

2. 其常用指标有极差、方差和标准差。

3. 极差是一组数据的最大值减去最小值得到的，反应了数据变动的最大范围。

4. 方差和标准差都能反映数据的离散程度，也就是数据的波动程度。方差和标准差的值越小，说明数据越稳定。

数据分析操作方法

1. 在 numpy 上调用对应函数并传入数据如：np.std(data)。

import numpy as npplayer1 = np.array([4, 16, 5, 8, 11, 40, 4, 12, 23, 13])
player2 = np.array([9, 8, 12, 11, 9, 10, 13, 10, 11, 13])
player3 = np.array([4, 6, 8, 5, 6, 7, 6, 5, 8, 6])
print("1号玩家平均数",np.median(player1))
print("2号玩家平均数",np.median(player2))
print("3号玩家平均数",np.median(player3))
print("1号玩家方差",np.std(player1))
print("2号玩家方差",np.std(player1))
print("3号玩家方差",np.std(player1))#输出结果
#1号玩家平均数 11.5
#2号玩家平均数 10.5
#3号玩家平均数 6.0
#1号玩家方差 10.44222198576529
#2号玩家方差 10.44222198576529
#3号玩家方差 10.44222198576529