python数据分析学习numpy库

numpy：对数组进行计算

介绍：中文手册：https://www.numpy.org.cn/

• 功能强大的N维数组对象。
• 精密广播功能函数。
• 集成 C/C+和Fortran 代码的工具。
• 强大的线性代数、傅立叶变换和随机数功能。

 

 

 

 

import numpy

# numpy的版本号

numpy.__version__

'1.18.1'

numpy的核心是ndaray对象，n维数组

 

#创建列表

list=[1,3,5,8,3,5,9]

print(type(list))

# 转为ndaray，ndaray的方法很多

np_list=numpy.array(list)

print(type(np_list))

<class 'list'>
<class 'numpy.ndarray'>

ndaray中多种多样的计算方法，运行速度快底层是C，C++

 

# 计算np_list中数的方差

np_fc=np_list.var()

print("np_list的方差：{}".format(np_fc))

np_list的方差：6.979591836734693

ndaray创建方法

 

# 创建全为1的二阶等阶矩阵

np_list1=numpy.ones(shape=(4,4), dtype=numpy.int8)

np_list1

array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]], dtype=int8)

 

# 创建全为0的三阶等阶矩阵

np_list2=numpy.zeros(shape=(4,3,3),dtype=numpy.float16)

np_list2

array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]], dtype=float16)

 

#创建值为任意值的二维数组

np_list3=numpy.full(shape=(2,2), fill_value=3.2, dtype=numpy.float)

np_list3

array([[3.2, 3.2],
       [3.2, 3.2]])

 

#创建单位矩阵（对角线全为1，其他位置为0）

np_list4=numpy.eye(N=4,dtype=numpy.int8)

np_list4

array([[1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]], dtype=int8)

 

#创建等差数列（从0-100，共20个数）

np_list5=numpy.linspace(start=0, stop=100, num=20)

np_list5

array([  0.        ,   5.26315789,  10.52631579,  15.78947368,
        21.05263158,  26.31578947,  31.57894737,  36.84210526,
        42.10526316,  47.36842105,  52.63157895,  57.89473684,
        63.15789474,  68.42105263,  73.68421053,  78.94736842,
        84.21052632,  89.47368421,  94.73684211, 100.        ])

 

#创建标准正态分布数组，平均值是0，方差为1

np_list6=numpy.random.randn(3,3)

np_list6

array([[-0.57610895,  0.30709804, -1.81125909],
       [-0.71255554,  0.82455712,  1.20334221],
       [-0.91395139, -0.80929708, -0.71178201]])

 

#创建一般正态分布数组，平均值170.00，方差为6，共20个数

np_list7=numpy.random.normal(loc=170, scale=6, size=20000).round(2)

np_list7

array([171.76, 177.42, 170.97, ..., 174.43, 180.85, 169.53])

 

np_list7_mean=np_list7.mean().round(2)

np_list7_var=np_list7.var().round(2)

np_list7_std=np_list7.std().round(2)

print("身高的平均值：{}；方差：{}；标准差：{}".format(np_list7_mean,np_list7_var,np_list7_std))

身高的平均值：169.99；方差：36.23；标准差：6.02

ndarray的属性

 

np_list1_pro={}

np_list1_pro["元素个数"]=np_list1.size

np_list1_pro["行列"]=np_list1.shape

np_list1_pro["维度"]=np_list1.ndim

np_list1_pro["元素类型"]=np_list1.dtype

print(np_list1_pro)

{'元素个数': 16, '行列': (4, 4), '维度': 2, '元素类型': dtype('int8')}

基本操作

 

#根据索引找数据第三行第三列

#根据切片找第二行到第四行，第一列到第三列的所有数据

np_list8=numpy.random.randint(1,20,size=(4,5))

print(np_list8)

print("第三行，第三列:{}".format(np_list8[2,2]))

print("从第二行到第四行，第一列到第三列：\n{}".format(np_list8[1:4,0:3]))

[[15 16 13  7  5]
 [ 2  9  7 19  8]
 [12  8 13  6 10]
 [12 19  2  9 14]]
第三行，第三列:13
从第二行到第四行，第一列到第三列：
[[ 2  9  7]
 [12  8 13]
 [12 19  2]]

 

#将数组变形

np_list8_2=np_list8.reshape(2,10)

#将数组转置，宽0，高1

np_list8_3=numpy.transpose(np_list8,axes=(1,0))

print(np_list8)

print(np_list1.shape)

print("变换矩阵：\n{}".format(np_list8_2))

print("转置矩阵：\n{}".format(np_list8_3))

[[15 16 13  7  5]
 [ 2  9  7 19  8]
 [12  8 13  6 10]
 [12 19  2  9 14]]
(4, 4)
变换矩阵：
[[15 16 13  7  5  2  9  7 19  8]
 [12  8 13  6 10 12 19  2  9 14]]
转置矩阵：
[[15  2 12 12]
 [16  9  8 19]
 [13  7 13  2]
 [ 7 19  6  9]
 [ 5  8 10 14]]

 

# 拼接两个数组

numpy.concatenate([np_list8,np_list8])

array([[15, 16, 13,  7,  5],
       [ 2,  9,  7, 19,  8],
       [12,  8, 13,  6, 10],
       [12, 19,  2,  9, 14],
       [15, 16, 13,  7,  5],
       [ 2,  9,  7, 19,  8],
       [12,  8, 13,  6, 10],
       [12, 19,  2,  9, 14]])

 

from PIL import Image

import numpy

img=Image.open(r"D:\Python\代码\Data-Analysis\timg.jfif")

img

 

 

 

 

img_ndarry=numpy.array(img)

img_ndarry_pro={}

#图片三个维度：高，宽，像素（3个表示一种颜色）

img_ndarry_pro["行列"]=img_ndarry.shape

img_ndarry_pro["高度"]=str(img_ndarry_pro["行列"][0])+"px"

img_ndarry_pro["宽度"]=str(img_ndarry_pro["行列"][1])+"px"

#uint8只能表示256个数据，只有正数

img_ndarry_pro["元素数据类型"]=img_ndarry.dtype

print(img_ndarry_pro)

{'行列': (281, 500, 3), '高度': '281px', '宽度': '500px', '元素数据类型': dtype('uint8')}

 

#修改图片颜色，将颜色翻转

#通过数组读取图片

Image.fromarray(img_ndarry[:,:,-1])

 

 

 

import matplotlib.pyplot as plt

plt.imshow(img_ndarry[::8,::8])

<matplotlib.image.AxesImage at 0x241e58fc488>

 

plt.imshow(img_ndarry)

<matplotlib.image.AxesImage at 0x241e6955308>

 

img_ndarry_1=img_ndarry[50:,:280]

img_ndarry_2=img_ndarry[50:,390:501]

#拼接两个图片按照宽度1

img_ndarry_new=numpy.concatenate([img_ndarry_1,img_ndarry_2],axis=1)

plt.imshow(img_ndarry_new)

<matplotlib.image.AxesImage at 0x241e6e34a88>

 

​

 

 

numpy.concatenate()