数据分析神器，Python NumPy助力数据操作

小蓝 • 2024-12-01 14:59 • 编程

在数据分析与机器学习领域，Python的NumPy库是必不可少的工具。本文将从多个方面来介绍NumPy在数据操作中的应用，并且提供代码示例。

NumPy是Python语言的一个扩展库，支持多维数组和矩阵运算。NumPy提供了大量的数学函数和运算符，可以在整个数组上进行运算，而不需要使用循环。NumPy还提供了大量的API，例如排序、统计、线性代数等等。NumPy是科学计算和数据处理工作的基础。

NumPy数组是一种通用的数据结构，可以存储任意的数字、文本或者Python对象等等。NumPy数组可以使用多种方式进行创建，包括从Python列表、元组、数组等等。

1、从Python列表创建NumPy数组

import numpy as np

lst = [1, 2, 3, 4, 5]
arr = np.array(lst)
print(arr)

2、使用arange函数创建NumPy数组

arr = np.arange(0, 10, 2)
print(arr)

3、使用linspace函数创建NumPy数组

arr = np.linspace(0, 1, 11)
print(arr)

NumPy可以在整个数组上进行运算，而不需要循环，速度非常快。NumPy数组支持算术运算、逻辑运算、矩阵运算和统计运算等等。

1、算术运算

a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
print(a + b)
print(a - b)
print(a * b)
print(a / b)

2、逻辑运算

a = np.array([1, 2, 3, 4])
b = np.array([4, 3, 2, 1])
print(a > b)
print(a < b)

3、矩阵运算

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A.dot(B))

4、统计运算

a = np.array([1, 2, 3, 4])
print(a.sum())
print(a.mean())
print(a.std())
print(a.max())
print(a.min())

NumPy数组的切片和索引方式与Python列表非常类似。切片和索引操作可以用于获取数组的子集、更改子集中的元素值等等。

1、获取子集

a = np.array([1, 2, 3, 4, 5])
print(a[1:3])
print(a[:3])
print(a[3:])

2、更改元素值

a = np.array([1, 2, 3, 4, 5])
a[1:3] = 0
print(a)

NumPy数组的形状由轴的数量和每个轴上的长度组成。可以使用shape属性获取数组的形状信息。

1、获取数组的形状信息

a = np.array([[1, 2], [3, 4], [5, 6]])
print(a.shape)

2、更改数组的形状

a = np.array([[1, 2], [3, 4], [5, 6]])
a.reshape((2, 3))
print(a)

NumPy数组的广播是一种非常强大的机制，可以使不同形状的数组进行算术运算。NumPy会自动地将较小的数组广播到较大的数组的形状上，然后再进行相应的算术运算。

a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([1, 2])
print(a + b)

NumPy可以将数组保存到磁盘上，并且可以将数组从磁盘上加载到内存中。这种操作是非常有用的，可以避免重复生成数组，节省时间和内存。

1、存储数组到磁盘上

a = np.array([[1, 2], [3, 4], [5, 6]])
np.save('a.npy', a)

2、从磁盘上加载数组到内存中

a = np.load('a.npy')
print(a)

本文介绍了NumPy在数据操作中的应用，包括数组的创建、运算、切片和索引、形状和轴、广播以及存储与读取等等。NumPy作为Python的重要扩展库，对于数据分析工作是非常重要的，深入学习NumPy对于进一步提高数据分析和机器学习的水平有着非常重要的作用。

原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/193147.html