typora-root-url: 图片
一、第三方库numpy 1、数组对象 1）导入numpy
import numpy as np2)产生数组 1、从列表传入
l=[0,1,2,3] a=np.array(l) a=np.array([1,2,3,4])2、生成全0数组
np.zeros(参数)
a=np.zeros(zeros(shape,dtype=float,order='C')生成全0数组
参数：
shape:形状
dtype:数据类型
，可选参数，默认numpy.float64
order:可选参数，c代表与c语言类似，行优先；F代表列优先
a=np.zeros(10)
3、生成全1数组
np.ones(参数) a=np.ones(zeros(shape,dtype=float,order='C')生成全1数组4、填充数组
ndarray.fill(value) 可以使用fill方法将数组设定为指定值 a=np.array([1,2,3,4]) a.fill(2.5) ##传入的参数类型会按照原数组类型进行转换 与列表不同，数组中要求所有元素的dtype是一样的，如果传入参数的类型与数组类型不一样，需要按照已有的类型进行转换。5、np.arange([start, ]stop, [step, ]dtype=None)
start:可忽略不写，默认从0开始;起始值 stop:结束值；生成的元素不包括结束值 step:可忽略不写，默认步长为1；步长 dtype:默认为None，设置显示元素的数据类型6、生成等差数列
np.linspace(start,end,num) numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) endpoint:False，不包含结束 retste:为最后一个值跟最大值的差值7、生成随机数
numpy.random.randint(low, high=None, size=None, dtype=’l’)
size:为维度大小
a=np.random.rand(10) ##生成0-1的10个随机数
b=np.random.randn(10) ##生成0-1的10个随机数,随机数服从标准正太分布
c=np.random.randint(1,10,10) ##生成1-10的10个随机整数
np.random.normal(loc=0.0, scale=1.0, size=None)#生成高斯分布的概率密度随机数
loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape，默认为None，只输出一个值
8、产生多维数组
a=np.array([[arr][arr][arr]])
3)np.array函数
numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
object 必选参数，类型为array_like，可以有四种类型：数组，公开数组接口的任何对象，__array__方法返回数组的对象，或任何（嵌套）序列。 ndarray。满足指定要求的数组对象。
dtype 数据类型，可选
数组所需的数据类型。如果没有给出，那么类型将被确定为保持序列中的对象所需的最小类型。此参数只能用于“upcast”数组。对于向下转换，请使用.astype（t）方法。
copy bool，可选
如果为true（默认值），则复制对象。否则，只有当__array__返回副本，obj是嵌套序列，或者需要副本来满足任何其他要求（dtype，顺序等）时，才会进行复制。
order {‘K’，‘A’，‘C’，‘F’}，可选
指定阵列的内存布局。如果object不是数组，则新创建的数组将按C顺序排列（行主要），除非指定了’F’，在这种情况下，它将采用Fortran顺序（专业列）。如果object是一个数组，则以下成立。
subok 可选参数，类型为bool值。如果为True，则子类将被传递，否则返回的数组将被强制为基类数组（默认）。或者说，True：使用object的内部数据类型，False：使用object数组的数据类型。
ndmin 可选参数，类型为int型。指定结果数组应具有的最小维数。
2、数组属性
1)type(ndarray)
查看类型 a=np.array([1,2,3,4]) type(a)
2)ndarray.dtype
ndarray.dtype 查看数组中的数据类型
3)ndarray.shape
查看形状 ndarray.shape
4)ndarray.size
查看数组元素的条目 ndarray.size
5)ndarray.ndim
ndarray.ndim2、索引和切片 1、基本索引
ndarray[start:end:step] start可不写，默认从0开始 end可不写，默认到最后 step可不写，默认为1，支持负索引2、多维数组索引
ndarray[行,列] ndarray[::,::]3、布尔花式索引
mask=np.array([0,2,2,0,0,1,0,0,1,0],dtype=bool) y=a[mask] mask必须是布尔数组，长度必须和数组长度相等4、索引指定位置
a[(0,1,2,3,4),(1,2,3,4,5)] ##两个括号相对位置的数分别为行标和列标3、where语句 1、np.where（arr比较）
where函数会返回所有非零元素的索引
a=np.random.randint(1,10,10) np.where(a>5) np.where(a>5,1,0)#如果a>5True则1，False0
2、np.argwhere(arr比较)
argwhere放回满足条件的下标
np.argwhere(ser %2==0)
4、数组类型
数组类型 布尔型：bool：占一个字节 整型：int8/16/32/64/128，int：和C语言的long一样大 无符号整型：uint8/16/32/64/128，uint：和C语言中的unsigned long一样大 浮点数：float16/32/64，float，longfloat：默认为双精度float64，longfloat精度大小与系统有关 复数：complex64/128，complex，longconplex：默认为complex128，即实部虚部都为双精度 字符串：string，unicode：可以使用表示一个4字节字符串的数组 对象：object：数组中可以使用任意值 时间：datetime64，timedelta64
1、np.asarray()
a=np.array([1,2,3]) np.asarray(a,dtype=float)
2、ndarray.astype(类型)
##astype方法返回一个新数组 a=np.array([1,2,3]) a.astype(float)astype引用不会对原数组产生影响4、数组操作 1、数组排序 1）np.sort(ndarray)
##对评分人数排序 np.sort(mv_num) mv_num ##sort函数不改变原数组2)np.argsort(ndarray)
argsort返回从小到大的排列在数组中的索引位置 order=np.argsort(mv_num)2、数学操作 1、np.sum(ndarray)和 2、ndarray.max()最大值 3、ndarray.min()最小值 4、ndarray.mean()均值 5、ndarray.std()标准差 6、ndarray.var()方差 7、ndarray.cov()相关系数矩阵 5、数组形状 1)ndarray.shape() 2)ndarray.reshape(形状) 6、装置T/transpose()
ndarray.T ndarray.transpose()7、数组连接 1、concatenate((a0,a1,a2),axis=0)
concatenate((a0,a1,...,an),axis=0) axis=0代表往跨行（down)，而axis=1代表跨列（across) 使用0值表示沿着每一列或行标签索引值向下执行方法 使用1值表示沿着每一行或者列标签模向执行对应的方法 注意：这些数组要用（）包括到一个元组中去。 除了给定的轴外，这些数组其他轴的长度必须是一样的。 x=np.array([[0,1,2],[10,11,12]]) y=np.array([[50,51,51],[60,61,62]]) print(x.shape,y.shape)2、vstack 沿着第一维连接
np.vstack((x,y))3、hstack 沿着第二维连接
np.hstack((x,y))4、dstack 沿着第三维连接
np.dstack((x,y))8、numpy内置函数 1)np.abs(ndarray)
绝对值
2)np.exp(ndarray)指数
3)np.median(ndarray)中值
4)np.cumsum(ndarray)累计和
5）mp.cumprod()累计积
6)np.argmin()返回最小值元素的小标
7）np.argmax()返回最大值元素的下标
8）np.sort()按照不同轴，进行元素排序
9)np.unique()计算数组元素唯一值
10）np.intersect1d()计算两个数组的交集
11)np.union1d()计算两级数组的并集
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XiTUmRkF-1640918831802)(/483f0c09911c491193dc75533967b5a6.png)]
12)np.percentile(参数)np.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation=‘linear’, keepdims=False)
计算分位数
百分位数是统计中使用的度量，表示小于这个值的观察值的百分比。 函数numpy.percentile()接受以下参数。
| 参数 | 说明 |
|---|---|
| a | 输入数组 |
| q | 要计算的百分位数，在 0 ~ 100 之间 |
| axis | 沿着它计算百分位数的轴 |
| keepdims | bool是否保持维度不变 首先明确百分位数：第 p 个百分位数是这样一个值，它使得至少有 p% 的数据项小于或等于这个值，且至少有 (100-p)% 的数据项大于或等于这个值。 |
percentile百分位 #计算 的最小值、第 25 个百分位数、中位数、第 75 个和最大值ser。 state = np.random.RandomState(100) ser = pd.Series(state.normal(10, 5, 25)) # Solution np.percentile(ser, q=[0, 25, 50, 75, 100])
