numpy csdn_利用numpy进行统计分析?

使用NumPy，可以执行以下操作：

多维数组的算数和逻辑运算。

基于元素的数组计算或者数组间数学操作函数

用于读写硬盘中的基于数组的数据集的工具

傅立叶变换和用于图形操作的例程。

与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。 这种组合广泛用于替代 MatLab。 但是，Python 作为 MatLab 的替代方案，现在被视为一种更加现代和完整的编程语言。而且NumPy是开源的。

Ndarray即N维数组。
Ndarray中的每个元素在内存中使用相同大小的块。
Ndarray中的每个元素是数据类型对象的对象（称为 dtype）。

如下图表示出的数据对象（dtype）与数组标量类型的关系

{% asset_img 1.jpg%}

利用numpy中的数组函数创建：

numpy.array

返回数组

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

上述的参数：

{% asset_img 2.png%}

示例
例子1

#单维度
import numpy as np 
a = np.array([1,2,3])  
print a

输出如下

[1, 2, 3]

例子2

#多维度  
import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print a

输出如下

[[1, 2] 
 [3, 4]]

例子3

#dtype 参数  
import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print a

输出如下

[ 1.+0.j,  2.+0.j,  3.+0.j]

例子4

# 最小维度  
import numpy as np 
a = np.array([1,  2,  3,4,5], ndmin =  2)  
print a

输出如下

[[1, 2, 3, 4, 5]]

一些常见命令

import numpy as np 
# 1 创建全0数组
np.zeros(10)
##输出：array([0,0,0,0,0,0,0,0,0,0])
# 2 多维0数组
np.zeros((3.6))
# 3 多维空数组
np.empyt((2,3,2))
# 4 重塑
np.shape(2,4)
# 5 类型查看
data1=[7,5.6,8,0,1]
arr1=np.array(data1)
arr1.dtype
# 6 全1数组
np.ones((3,4,2))
# 7 N*N特征矩阵（对角线全是1，其他是0）
np.eye()
#或者
np.identity()
# 8 复制一个一模一样的全1或者全0数组
np.ones_like()
np.zeros_like()
# 9 顺序构成数组
a=np.arange(10)
a
##输出array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 10 返回数组的维度大小
ndarray.shape

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

{% asset_img 2.png%}

使用astype方法显示地转换数组的数据类型
示例

import numpy as np 
arr = np.array([1,2,3,4,5])
arr.dtype
#输出：dtype('int64')
float_arr = arr.astype(np.float64)
float_arr.dtype
#输出：dtype('float64')
#值得一提的是，浮点数转换成整数时，小数点后的部分会被消除
#当你使用numpy.strinmg_类型的字符串数据时，numpy会修正它的的大小或者删除输入且不发生警告