数据分析基础之Numpy库_numpy库有什么用

一、Numpy库是什么？

        NumPy是Python中一个重要的数据处理库，它提供了高效的数组操作和数值计算功能。在数据分析中，NumPy库的重要性不言而喻，因为数据分析通常需要处理大量的数据，并进行各种复杂的数学运算。

        NumPy库提供了一种称为数组的数据结构，它可以容纳多维数组，并且支持各种数学运算。数组操作是数据分析中的基础，因为它可以快速地对大量数据进行操作，例如筛选、排序、聚合等等。NumPy库还提供了各种数学函数，例如求和、均值、标准差等等，这些函数可以帮助我们更好地理解和分析数据。

二、Numpy库在数据分析中有那些用途？

在数据分析中，NumPy库的应用非常广泛，以下是一些常见的用途：

1. 数据预处理：在进行数据分析之前，通常需要对数据进行预处理，例如去除缺失值、标准化数据等等。NumPy库提供了各种函数，可以帮助我们进行数据预处理。

2. 数据分析：在数据分析过程中，通常需要进行各种数学运算和统计分析，例如求和、均值、标准差、相关系数等等。NumPy库提供了各种数学函数，可以帮助我们进行数据分析。

3. 机器学习：机器学习是数据分析的重要应用之一，它需要大量的数学计算和矩阵运算。NumPy库提供了各种矩阵计算函数，可以帮助我们进行机器学习算法的实现。

4. 数据可视化：数据可视化是数据分析的重要环节之一，它可以帮助我们更好地理解和展示数据。NumPy库可以与Matplotlib库一起使用，帮助我们进行数据可视化。

三、Numpy常用的数据类型有哪些？

        除了上述数据类型之外，NumPy还提供了一些其他的数据类型，例如void类型、object类型等等。这些数据类型通常用于特定的场景，例如void类型可用于存储不同类型的数据，object类型可用于存储Python对象。在使用这些数据类型时，需要注意其特殊的用途和范围。

四、Numpy常用的函数及用法有哪些？

1.常用函数

1. np.array()：创建数组
2. np.zeros()：创建全0数组
3. np.ones()：创建全1数组
4. np.arange()：创建等差数组
5. np.linspace()：创建等间隔数组
6. np.random.rand()：创建随机数组
7. np.reshape()：改变数组形状
8. np.transpose()：数组转置
9. np.dot()：矩阵乘法
10. np.sum()：计算数组元素的和
11. np.mean()：计算数组元素的平均值
12. np.std()：计算数组元素的标准差
13. np.min()：计算数组元素的最小值
14. np.max()：计算数组元素的最大值

2.函数使用示例

1.np.array()

np.array()函数用于创建数组，可以将列表、元组等序列类型转换为数组类型。代码如下：

import numpy as np
 
# 将列表转换为数组
list1 = [1, 2, 3, 4, 5]
arr1 = np.array(list1)
print(arr1)
# 输出结果：[1 2 3 4 5]
 
# 将元组转换为数组
tuple1 = (1, 2, 3, 4, 5)
arr2 = np.array(tuple1)
print(arr2)
# 输出结果：[1 2 3 4 5]
'
运行
运行

2.np.zeros()

np.zeros()函数用于创建全0数组，可以指定数组的形状和数据类型。代码如下：

import numpy as np
 
# 创建形状为(3, 3)的全0数组
arr1 = np.zeros((3, 3))
print(arr1)
# 输出结果：
# [[0. 0. 0.]
#  [0. 0. 0.]
#  [0. 0. 0.]]
 
# 创建形状为(3, 3)、数据类型为int的全0数组
arr2 = np.zeros((3, 3), dtype=int)
print(arr2)
# 输出结果：
# [[0 0 0]
#  [0 0 0]
#  [0 0 0]]
'
运行
运行

3.np.ones()

np.ones()函数用于创建全1数组，可以指定数组的形状和数据类型。代码如下：

import numpy as np
 
# 创建形状为(3, 3)的全1数组
arr1 = np.ones((3, 3))
print(arr1)
# 输出结果：
# [[1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]]
 
# 创建形状为(3, 3)、数据类型为int的全1数组
arr2 = np.ones((3, 3), dtype=int)
print(arr2)
# 输出结果：
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]]
'
运行
运行

4.np.arange()

np.arange()函数用于创建等差数组，可以指定起始值、终止值和步长。代码如下：

import numpy as np
 
# 创建起始值为2，终止值为10，步长为2的等差数组
arr1 = np.arange(2, 10, 2)
print(arr1)
# 输出结果：[2 4 6 8]
 
# 创建起始值为0，终止值为1，步长为0.1的等差数组
arr2 = np.arange(0, 1, 0.1)
print(arr2)
# 输出结果：
# [0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
'
运行
运行

5.np.linspace()

np.linspace()函数用于创建等间隔数组，可以指定起始值、终止值和数组长度。代码如下：

import numpy as np
 
# 创建起始值为0，终止值为1，数组长度为5的等间隔数组
arr1 = np.linspace(0, 1, 5)
print(arr1)
# 输出结果：[0.   0.25 0.5  0.75 1.  ]
 
# 创建起始值为1，终止值为10，数组长度为4的等间隔数组
arr2 = np.linspace(1, 10, 4)
print(arr2)
# 输出结果：[ 1.  4.  7. 10.]
'
运行
运行

6.np.random.rand()

np.random.rand()函数用于创建随机数组，数组元素为0到1之间的随机数。可以指定数组的形状。代码如下：

import numpy as np
 
# 创建形状为(3, 3)的随机数组
arr1 = np.random.rand(3, 3)
print(arr1)
# 输出结果：
# [[0.74963322 0.86837363 0.17152166]
#  [0.86789836 0.7087327  0.34988989]
#  [0.4049485  0.07653613 0.30098195]]
 
# 创建形状为(2, 4)的随机数组
arr2 = np.random.rand(2, 4)
print(arr2)
# 输出结果：
# [[0.04946719 0.66196339 0.94638457 0.03839422]
#  [0.66424495 0.54005153 0.59813005 0.14882098]]
'
运行
运行

7.np.reshape()

np.reshape()函数用于改变数组形状，可以将一个数组重塑为另一个形状的数组。代码如下：

import numpy as np
 
# 创建形状为(6,)的数组
arr1 = np.array([1, 2, 3, 4, 5, 6])
print(arr1.shape)
# 输出结果：(6,)
 
# 将形状为(6,)的数组重塑为形状为(2, 3)的数组
arr2 = np.reshape(arr1, (2, 3))
print(arr2)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 将形状为(2, 3)的数组重塑为形状为(6,)的数组
arr3 = np.reshape(arr2, (6,))
print(arr3)
# 输出结果：[1 2 3 4 5 6]
'
运行
运行

8.np.transpose()

np.transpose()函数用于数组转置，可以将数组的行和列互换。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 将形状为(2, 3)的数组转置为形状为(3, 2)的数组
arr2 = np.transpose(arr1)
print(arr2)
# 输出结果：
# [[1 4]
#  [2 5]
#  [3 6]]
'
运行
运行

9.np.dot()

np.dot()函数用于矩阵乘法，可以计算两个数组的矩阵乘积。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 创建形状为(3, 2)的数组
arr2 = np.array([[2, 3], [4, 5], [6, 7]])
print(arr2)
# 输出结果：
# [[2 3]
#  [4 5]
#  [6 7]]
 
# 计算两个数组的矩阵乘积
arr3 = np.dot(arr1, arr2)
print(arr3)
# 输出结果：
# [[28 34]
#  [64 79]]
'
运行
运行

10.np.sum()

np.sum()函数用于计算数组元素的和，可以指定计算的轴。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 计算所有元素的和
sum1 = np.sum(arr1)
print(sum1)
# 输出结果：21
 
# 沿着第0轴计算元素的和
sum2 = np.sum(arr1, axis=0)
print(sum2)
# 输出结果：[5 7 9]
 
# 沿着第1轴计算元素的和
sum3 = np.sum(arr1, axis=1)
print(sum3)
# 输出结果：[ 6 15]
'
运行
运行

11.np.mean()

np.mean()函数用于计算数组元素的平均值，可以指定计算的轴。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 计算所有元素的平均值
mean1 = np.mean(arr1)
print(mean1)
# 输出结果：3.5
 
# 沿着第0轴计算元素的平均值
mean2 = np.mean(arr1, axis=0)
print(mean2)
# 输出结果：[2.5 3.5 4.5]
 
# 沿着第1轴计算元素的平均值
mean3 = np.mean(arr1, axis=1)
print(mean3)
# 输出结果：[2. 5.]
'
运行
运行

12.np.std()

np.std()函数用于计算数组元素的标准差，可以指定计算的轴。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 计算所有元素的标准差
std1 = np.std(arr1)
print(std1)
# 输出结果：1.707825127659933
 
# 沿着第0轴计算元素的标准差
std2 = np.std(arr1, axis=0)
print(std2)
# 输出结果：[1.5 1.5 1.5]
 
# 沿着第1轴计算元素的标准差
std3 = np.std(arr1, axis=1)
print(std3)
# 输出结果：[0.81649658 0.81649658]
'
运行
运行

13.np.min()

np.min()函数用于计算数组元素的最小值，可以指定计算的轴。代码如下：

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 计算所有元素的最小值
min1 = np.min(arr1)
print(min1)
# 输出结果：1
 
# 沿着第0轴计算元素的最小值
min2 = np.min(arr1, axis=0)
print(min2)
# 输出结果：[1 2 3]
 
# 沿着第1轴计算元素的最小值
min3 = np.min(arr1, axis=1)
print(min3)
# 输出结果：[1 4]
'
运行
运行

14.np.max()

np.max()函数用于计算数组元素的最大值，可以指定计算的轴。代码如下

import numpy as np
 
# 创建形状为(2, 3)的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
# 输出结果：
# [[1 2 3]
#  [4 5 6]]
 
# 计算所有元素的最大值
max1 = np.max(arr1)
print(max1)
# 输出结果：6
 
# 沿着第0轴计算元素的最大值
max2 = np.max(arr1, axis=0)
print(max2)
# 输出结果：[4 5 6]
 
# 沿着第1轴计算元素的最大值
max3 = np.max(arr1, axis=1)
print(max3)
# 输出结果：[3 6]
'
运行
运行

五、常用函数参数详解，及使用示例 

1.numpy.array()

创建一个numpy数组。

参数：

• object：数组对象
• dtype：数据类型，默认为float
• copy：复制数组，默认为False
• order：创建数组时使用的存储顺序，默认为C

示例：

import numpy as np
 
arr1 = np.array([1, 2, 3])
print(arr1)  # [1 2 3]
 
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
# [[1 2 3]
#  [4 5 6]]
'
运行
运行

2.numpy.arange()

返回一个等差数列数组。

参数：

• start：起始值，默认为0
• stop：结束值（不包含），必须指定
• step：步长，默认为1
• dtype：数据类型，默认为float

示例：

import numpy as np
 
arr = np.arange(0, 10, 2)
print(arr)  # [0 2 4 6 8]
'
运行
运行

3.numpy.linspace()

返回一个等间隔数列数组。

参数：

• start：起始值
• stop：结束值
• num：元素个数
• endpoint：是否包含结束值，默认为True
• retstep：是否返回步长，默认为False
• dtype：数据类型，默认为float

示例：

import numpy as np
 
arr = np.linspace(0, 1, 5)
print(arr)  # [0.   0.25 0.5  0.75 1.  ]
'
运行
运行

4.numpy.zeros()

返回一个全0的数组。

参数：

• shape：数组形状
• dtype：数据类型，默认为float

示例：

import numpy as np
 
arr = np.zeros((2, 3))
print(arr)
# [[0. 0. 0.]
#  [0. 0. 0.]]
'
运行
运行

5.numpy.ones()

返回一个全1的数组。

参数：

• shape：数组形状
• dtype：数据类型，默认为float

示例：

import numpy as np
 
arr = np.ones((2, 3))
print(arr)
# [[1. 1. 1.]
#  [1. 1. 1.]]
'
运行
运行

6.numpy.eye()

返回一个单位矩阵数组。

参数：

• N：矩阵维度
• dtype：数据类型，默认为float

示例：

import numpy as np
 
arr = np.eye(3)
print(arr)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

7.numpy.random.rand()

返回一个指定形状的随机数数组，数值范围为0~1。

参数：

• d0, d1, …, dn：数组形状

示例：

import numpy as np
 
arr = np.random.rand(2, 3)
print(arr)
# [[0.21353148 0.51849556 0.80461099]
#  [0.7113511  0.87802903 0.23464142]]
'
运行
运行

8.numpy.max()

返回数组中的最大值。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.max(arr))  # 6
print(np.max(arr, axis=0))  # [4 5 6]
'
运行
运行

9.numpy.min()

返回数组中的最小值。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.min(arr))  # 1
print(np.min(arr, axis=0))  # [1 2 3]
'
运行
运行

10.numpy.mean()

返回数组的平均值。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(arr))  # 3.5
print(np.mean(arr, axis=0))  # [2.5 3.5 4.5]
'
运行
运行

11.numpy.median()

返回数组的中位数。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.median(arr))  # 3.5
print(np.median(arr, axis=0))  # [2.5 3.5 4.5]
'
运行
运行

12.numpy.var()

返回数组的方差。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.var(arr))  # 2.9166666666666665
print(np.var(arr, axis=0))  # [2.25 2.25 2.25]
'
运行
运行

13.numpy.std()

返回数组的标准差。

参数：

• axis：计算轴，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.std(arr))  # 1.707825127659933
print(np.std(arr, axis=0))  # [1.5 1.5 1.5]
'
运行
运行

14.numpy.transpose()

返回数组的转置。

参数：

• axes：轴交换顺序，默认为None

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.transpose(arr))
# [[1 4]
#  [2 5]
#  [3 6]]
'
运行
运行

15.numpy.reshape()

返回一个新的数组，改变数组形状。

参数：

• newshape：新的形状

示例：

import numpy as np
 
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.reshape(arr, (3, 2)))
# [[1 2]
#  [3 4]
#  [5 6]]
'
运行
运行

16.numpy.hstack()

返回一个水平方向堆叠的数组。

参数：

• tup：要堆叠的数组序列

示例：

import numpy as np
 
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(np.hstack((arr1, arr2)))  # [1 2 3 4 5 6]
'
运行
运行

17.numpy.vstack()

返回一个垂直方向堆叠的数组。

参数：

• tup：要堆叠的数组序列

示例：

import numpy as np
 
arr1 = np.array([[1], [2], [3]])
arr2 = np.array([[4], [5], [6]])
print(np.vstack((arr1, arr2)))
# [[1]
#  [2]
#  [3]
#  [4]
#  [5]
#  [6]]
'
运行
运行

18.numpy.dot()

返回两个数组的点积。

参数：

• a：数组1
• b：数组2

示例：

import numpy as np
 
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(np.dot(arr1, arr2))  # 32
'
运行
运行

19.numpy.matmul()

返回两个数组的矩阵乘积。

参数：

• a：数组1
• b：数组2

示例：

import numpy as np
 
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
print(np.matmul(arr1, arr2))
# [[19 22]
#  [43 50]]
'
运行
运行