栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 前沿技术 > 大数据 > 大数据系统

数据库numpy学习《python基础篇》

数据库numpy学习《python基础篇》

引言:numpy作为数据分析的强大工具,在今后的数据处理中难免会用到,所以我们必须打下一个良好的数据处理基础。让我们一起开始吧!!1

首先我们应该搭建具有numpy的环境,具体搭建方式,可看这篇文章,然后介绍一下基础的数据产生:

1.数据造假:

数据的产生有很多类型与方式,下面一起看看吧!

1》产生 [2,3]

代码:

import numpy as np

data=np.array([2,3])
print('data的数据类型:{}',type(data))
print('data的输出为:',data)

输出结果为:

data的输出为: [2 3]
data的数据类型:{}

2》产生一维数据

代码:

import numpy as np

data=np.linspace(1,10,5)
print('data的数据类型:{}',type(data))
print('data的输出为:',data)

输出为:

data的数据类型:{}
data的输出为: [ 1.    3.25  5.5   7.75 10.  ]

分析:

上面的函数产生从1到10,等分成5个数据。

3》reshape使用

代码:

import numpy as np

data=np.linspace(1,10,10).reshape((2,5))
print('data的数据类型:{}',type(data))
print('data的输出为:',data)

输出结果:

data的数据类型:{}
data的输出为: [ [ 1.  2.  3.  4.  5.]
                            [ 6.  7.  8.  9. 10.] ]

分析:将一维数据reshape为一个2行5列的数列。(使用数列这个词可能不恰当)

3》数据产生对比(采用三种不同的方式,产生相同的输出数据)

代码:

import numpy as np

data=np.linspace(1,10,4)
data1=np.array([1,4,7,10])
data2=np.arange(1,13,3)
print(data)
print(data1)
print(data2)

输出结果:

[ 1.  4.  7. 10.]
[ 1  4  7 10]
[ 1  4  7 10]

分析:第一种产生的带有小数点,其他的为整数。

4》生产随机数据

代码:

a=np.random.random((2,4)) #随机产生2行4列
print(a)
print(np.sum(a),'n',
      np.min(a,axis=0),'n',
      np.max(a,axis=1))

输出结果:

此为第一个输出结果:

[[0.01669261 0.98362    0.74374509 0.7311566 ]
 [0.5474593  0.38550972 0.9920764  0.79068913]]

此为第二个输出结果:
5.190948832377188 

此为第三个输出结果:
 [0.01669261 0.38550972 0.74374509 0.7311566 ] 

此为第四个输出结果:
 [0.98362   0.9920764]

2.数据的基本运算:

1》加法

代码:

import numpy as np


#加法运算
a=np.array([1,2,6,5])
b=np.arange(4)
c=a-b
print(a,'n',b)
print('c的数据类型:{}',type(c))
print('c的输出为:',c)

运算结果;

a= [1 2 6 5]

b= [0 1 2 3]
c的数据类型:
c的输出为: [1 1 4 2]

分析:按照对应元素相加减。

2》解法同理

3》乘法

代码:

#加法运算
a=np.array([1,2,6,5])
b=np.arange(4)
c=a*b
print('a=',a,'n','b=',b)
print('c的数据类型:',type(c))
print('c的输出为:',c)

输出结果为:

a= [1 2 6 5] 
b= [0 1 2 3]
c的数据类型:
c的输出为: [ 0  2 12 15]

分析:对应元素相乘。(注意的是a的平方也是如此)

案例代码2:

a=np.array([0.22,0.6,0.5])
b=np.arange(1,4,1)
c=np.dot(a,b)
print(a*b)
print(c)

输出结果:

[0.22 1.2  1.5 ]

2.92

分析:二者之间的结果不同,后者是前者的累加和。利用np.dot()函数一般进行矩阵运算。

4》除法

代码:

a=np.array([1,2,6,5])
b=np.arange(1,5,1)
c=a/b
print('a=',a,'n','b=',b)
print('c的数据类型:',type(c))
print('c的输出为:',c)

输出:

a= [1 2 6 5] 
b= [1 2 3 4]
c的数据类型:
c的输出为: [1.   1.   2.   1.25]

分析:此处b做了改动,因为对应0不能做被除数。(特别注意,如果0作为被除数,系统会输出  inf   字样,表达的意思是无穷大的意思)

3.结束

GAME OVER

欢迎小伙伴梦一起探讨学习,我们一起去学习,努力,拼搏!!!

如果喜欢,送me个小红花吧!

see you again ! ! !

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/300888.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号