Python 官方文档:入门教程 => 点击学习
数据分析之Numpy Array数组:相关程序运行如下: 索引与切片:与python大同小异,还是从0开始相关程序运行如下: 数值运算--array数组相关程序运行如下: 排序操作
个人昵称:lxw-pro
个人主页:欢迎关注 我的主页
个人感悟: “失败乃成功之母”,这是不变的道理,在失败中总结,在失败中成长,才能成为IT界的一代宗师。
# 对于ndarray结构老说,里面所有的 元素必须是同一类型的,如果不是的话,会自动的向下进行转换。import numpy as nplxw = [1, 2, 3, 4, 5]lxw2 = np.array([1, 2, 3, 4, 5])print(lxw2)print(type(lxw2))lxw3 = lxw2 + 1print(lxw2)print(lxw3)print(lxw3+lxw2)print(lxw3[3])print(lxw3.shape)lxw4 = np.array([ [1, 3, 5], [2, 4, 6]])print(lxw4)# 类型print(lxw4.dtype)print(lxw4.itemsize)# 数组个数print(lxw4.size)# 维度print(lxw4.ndim)# 以0填充lxw4.fill(0)print(lxw4)
[1 2 3 4 5][1 2 3 4 5][2 3 4 5 6][ 3 5 7 9 11]5(5,)[[1 3 5] [2 4 6]]int32462[[0 0 0] [0 0 0]]
lxw_array = np.array(lxw)print(lxw_array[0])print(lxw_array[1:4])print(lxw_array[-3:])# 矩阵格式【即多维的形式】lxw_array2 = np.array([ [9, 8, 7], [6, 5, 4], [3, 2, 1]])print(lxw_array2)# 几行几列print(lxw_array2.shape)# 数组个数print(lxw_array2.size)# 维度几维print(lxw_array2.ndim)# 取矩阵行print(lxw_array2[1])# 取矩阵列print(lxw_array2[:, 1])# 取第二行的第一二个print(lxw_array2[1, 0:2])# 修改矩阵最中间的数lxw_array2[1, 1] = 20print(lxw_array2)# 复制矩阵lxw_array3 = lxw_array2.copy()print(lxw_array3)# 修改复制矩阵最中间的数lxw_array3[1, 1] = 52print(lxw_array3)gs = np.arange(0, 100, 10)print(gs)mask = np.array([0, 1, 1, 0, 0, 1, 0, 1, 0, 1], dtype=bool)print(mask)print(gs[mask])ran_arr = np.random.rand(8)print(ran_arr)mask = ran_arr > 0.5print(mask)sz = np.array([12, 23, 34, 45, 56])print(sz > 36)# 大于该数的为True,反之,则是Falseprint(np.where(sz > 36))# 字节个数print(sz.nbytes)# 整数,小数,字符同时存在sz2 = np.array([1, 23, 6.2, 'str'], dtype=np.object)print(sz2)print(sz2*2)# 转化为浮点型sz3 = np.asarray(sz, dtype=np.float32)print(sz3)# 法2(上)sz3 = sz.astype(np.float32)print(sz3)
1[2 3 4][3 4 5][[9 8 7] [6 5 4] [3 2 1]](3, 3)92[6 5 4][8 5 2][6 5][[ 9 8 7] [ 6 20 4] [ 3 2 1]][[ 9 8 7] [ 6 20 4] [ 3 2 1]][[ 9 8 7] [ 6 52 4] [ 3 2 1]][ 0 10 20 30 40 50 60 70 80 90][False True True False False True False True False True][10 20 50 70 90][0.07407331 0.46338347 0.50051622 0.89459322 0.02400678 0.10385683 0.78564635 0.37998512][False False True True False False True False][False False False True True](array([3, 4], dtype=int32),)20[1 23 6.2 'str'][2 46 12.4 'strstr'][12. 23. 34. 45. 56.][12. 23. 34. 45. 56.]
szjs = np.array([ [5, 2, 0], [1, 3, 2]])# 数组内全数相加print(np.sum(szjs))# 指定要进行的操作是沿着什么轴(维度)# 列加:print(np.sum(szjs, axis=0))# 法二(同上):lj = szjs.sum(axis=0)print(lj)# 行加:print(np.sum(szjs, axis=1))# 法二(同上):hj = szjs.sum(axis=1)print(hj)# 列乘:lc = szjs.prod(axis=0)print(lc)# 行乘:hc = szjs.prod(axis=1)print(hc)# szjs当中最小值:zxz = szjs.min()print(zxz)# 哪个位置的数最小argx = szjs.argmin()print(argx)# 列最小值:lzxz = szjs.min(axis=0)print(lzxz)# 行最小值:hzxz = szjs.min(axis=1)print(hzxz)# szjs当中最大值zdz = szjs.max()print(zdz)# 哪个位置的数最大argd = szjs.argmax()print(argd)# 列最大值:lzdz = szjs.max(axis=0)print(lzdz)# 行最大值:hzdz = szjs.max(axis=1)print(hzdz)largd = szjs.argmax(axis=0)print(largd)hargd = szjs.argmax(axis=1)print(hargd)largx = szjs.argmin(axis=0)print(largx)largx = szjs.argmin(axis=1)print(largx)# 均值:jz = szjs.mean()print(jz)# 列均值:ljz = szjs.mean(axis=0)print(ljz)# 行均值:hjz = szjs.mean(axis=1)print(hjz)# 标准差:bzc = szjs.std()print(bzc)# 列标准差:lbzc = szjs.std(axis=0)print(lbzc)# 行标准差:hbzc = szjs.std(axis=1)print(hbzc)# 方差:fc = szjs.var()print(fc)# 列方差lfc = szjs.var(axis=0)print(lfc)# 行方差hfc = szjs.var(axis=1)print(hfc)# 限制,大于该数的用指定最大数表示,反之也一样【在区间内的不用管】xz = szjs.clip(0, 3)print(xz)# 小数四舍五入成整数xsz = np.array([2.6, 1.46, 8.41])print(xsz.round())# 四舍五入中指定小数点print(xsz.round(decimals=1))
13[6 5 2][6 5 2][7 6][7 6][5 6 0][0 6]02[1 2 0][0 1]50[5 3 2][5 3][0 1 1][0 1][1 0 0][2 0]2.1666666666666665[3. 2.5 1. ][2.33333333 2. ]1.5723301886761007[2. 0.5 1. ][2.05480467 0.81649658]2.4722222222222223[4. 0.25 1. ][4.22222222 0.66666667][[3 2 0] [1 3 2]][3. 1. 8.][2.6 1.5 8.4]
pxsz = np.array([ [3, 8, 2], [9, 4, 1], [3, 9, 1]])# 默认axis=1排序print(np.sort(pxsz))print(np.sort(pxsz, axis=0))# 行逆转print(np.sort(pxsz)[::-1])# 排序前的位置wz = np.argsort(pxsz)print(wz)# 插数pxarr = np.linspace(0, 10, 8)print(pxarr)xszz = np.array([5.2, 6.6, 8.9])print(np.searchsorted(pxarr, xszz))
[[2 3 8] [1 4 9] [1 3 9]][[3 4 1] [3 8 1] [9 9 2]][[1 3 9] [1 4 9] [2 3 8]][[2 0 1] [2 1 0] [2 0 1]][ 0. 1.42857143 2.85714286 4.28571429 5.71428571 7.14285714 8.57142857 10. ][4 5 7]
larr = np.arange(10)print(larr)print(larr.shape)larr.shape = 2, 5print(larr)# 仔细感受其间的区别:res = larr.reshape(1, 10)print(res)print(res.shape)res2 = res[np.newaxis, :]print(res2)print(res2.shape)res3 = res[:, np.newaxis]print(res3)print(res3.shape)res4 = res[:, np.newaxis, np.newaxis]print(res4)print(res4.shape)# 压缩:res5 = res4.squeeze()print(res5)# 转置列行:print(larr.transpose())# 法二(同上):print(larr.T)
[0 1 2 3 4 5 6 7 8 9](10,)[[0 1 2 3 4] [5 6 7 8 9]][[0 1 2 3 4 5 6 7 8 9]](1, 10)[[[0 1 2 3 4 5 6 7 8 9]]](1, 1, 10)[[[0 1 2 3 4 5 6 7 8 9]]](1, 1, 10)[[[[0 1 2 3 4 5 6 7 8 9]]]](1, 1, 1, 10)[0 1 2 3 4 5 6 7 8 9][[0 5] [1 6] [2 7] [3 8] [4 9]][[0 5] [1 6] [2 7] [3 8] [4 9]]
lj1 = np.array([ [213, 324, 543], [23, 65, 865]])lj2 = np.array([ [343, 654, 234], [54, 75, 54]])# 列拼接:llj = np.concatenate((lj1, lj2))print(llj)llj2 = np.vstack((lj1, lj2))print(llj2)# 行拼接:hlj = np.concatenate((lj1, lj2), axis=1)print(hlj)hlj2 = np.hstack((lj1, lj2))print(hlj2)# 拉平:lp = hlj.flatten()print(lp)lp2 = llj.ravel()print(lp2)
[[213 324 543] [ 23 65 865] [343 654 234] [ 54 75 54]][[213 324 543] [ 23 65 865] [343 654 234] [ 54 75 54]][[213 324 543 343 654 234] [ 23 65 865 54 75 54]][[213 324 543 343 654 234] [ 23 65 865 54 75 54]][213 324 543 343 654 234 23 65 865 54 75 54][213 324 543 23 65 865 343 654 234 54 75 54]
sz1 = np.array([5, 2, 0])print(sz1)sz2 = np.arange(10)print(sz2)sz3 = np.arange(2, 20, 2)print(sz3)sz4 = np.arange(2, 20, 2, dtype=np.float32)print(sz4)# 区间内构造n个数:gzs = np.linspace(0, 8, 20)print(gzs)# 默认是以10为底的s = np.logspace(0, 1, 5)print(s)x = np.linspace(-10, 10, 5)print(x)y = np.linspace(-10, 10, 5)print(y)# 构造网格:x, y = np.meshgrid(x, y)print(x)print(y)hxl = np.r_[0:10:1]print(hxl)lxl = np.c_[0:10:1]print(lxl)# 更常用的zeros、onesoo = np.zeros(3)print(oo)oo0 = np.zeros((3, 3))print(oo0)oo1 = np.ones((3, 3))print(oo1)oo8 = np.ones((3, 3)) * 8print(oo8)oo5 = np.ones((3, 3), dtype=np.float32)print(oo5)k = np.empty(6)print(k)k.fill(1)print(k)o = np.ones_like(sz1)print(o)# 构造矩阵:print(np.identity(5))
[5 2 0][0 1 2 3 4 5 6 7 8 9][ 2 4 6 8 10 12 14 16 18][ 2. 4. 6. 8. 10. 12. 14. 16. 18.][0. 0.42105263 0.84210526 1.26315789 1.68421053 2.10526316 2.52631579 2.94736842 3.36842105 3.78947368 4.21052632 4.63157895 5.05263158 5.47368421 5.89473684 6.31578947 6.73684211 7.15789474 7.57894737 8. ][ 1. 1.77827941 3.16227766 5.62341325 10. ][-10. -5. 0. 5. 10.][-10. -5. 0. 5. 10.][[-10. -5. 0. 5. 10.] [-10. -5. 0. 5. 10.] [-10. -5. 0. 5. 10.] [-10. -5. 0. 5. 10.] [-10. -5. 0. 5. 10.]][[-10. -10. -10. -10. -10.] [ -5. -5. -5. -5. -5.] [ 0. 0. 0. 0. 0.] [ 5. 5. 5. 5. 5.] [ 10. 10. 10. 10. 10.]][0 1 2 3 4 5 6 7 8 9][[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]][0. 0. 0.][[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]][[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]][[8. 8. 8.] [8. 8. 8.] [8. 8. 8.]][[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]][2.33333333 2.33333333 2.33333333 2. 2. 2. ][1. 1. 1. 1. 1. 1.][1 1 1][[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]]进程已结束,退出代码为 0
—————————————————————————————————
很多人以为熬夜只是影响作息,伤害身体。
事实上,它也在慢慢偷走你的时间。
为什么周末的时间过得这么快,
这是因为你昨晚熬夜,导致起床晚,错过了美好的早晨。
【醒来的时候都快中午了】
现代人已经离不开手机了。路上、候车、吃饭,无论男女老少,每个人都随处可见地刷着手机。
短视频真的很精彩,在你欲罢不能时,已有大把时间从你手中溜走了。
沉迷于游戏更可怕。
因为丢掉的不止是时间,
它可能已经同时影响到了你的工作或学习。
纠结过去的某件错事,
在脑海中一遍遍地批判自己。
时间长了,思想负担。
像滚雪球一样越滚越大。
要尝试放过自己,
别用现在的标准来要求以前的自己,
过去的就让它过去吧,
每一天都是崭新的,
做人就应该要往前看。
今天的事推明天,明天的推到后天。
72小时定律告诉我们,
当你决定做一件事,
如果72小时内没有做,
那你做这件事的几率趋近于零。
拖延症是破坏我们计划的最大敌人,
但实际上它又是一场与自己的博弈。
所以我们需要培养自己的执行力,
每一次果断,每一次行动,
都是打败那个在干扰你的敌人。
这类人有一个明显得特征,
不知道自己时间的宝贵,
对别人有求必应。
平时帮别人做一些小事,
结果往往不但没有落得好名声,
还费力不讨好。
盲目地区融入不适合自己的圈子。
看似成群结队,受人欢迎了,
其实是在浪费时间,
放弃提升自己的机会。
千万别等着别人过上理想生活时,
才后悔 为什么没有早点努力!
把寄予他人的希望收回来放在自己身上,倒也温馨。
点赞,你的认可是我创作的
动力
!
收藏,你的青睐是我努力的方向
!
评论,你的意见是我进步的财富
!
关注,你的喜欢是我长久的坚持
!
来源地址:https://blog.csdn.net/m0_66318554/article/details/126556279
--结束END--
本文标题: 【数模之数据分析-1】
本文链接: https://www.lsjlt.com/news/391740.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
下载Word文档到电脑,方便收藏和打印~
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
0