龙空技术网

Python中numpy数据分析库知识点总结

即将苏醒的Python 54

前言:

眼前同学们对“python中数据分析常用库”大约比较着重,咱们都需要知道一些“python中数据分析常用库”的相关资讯。那么小编在网上汇集了一些关于“python中数据分析常用库””的相关内容,希望姐妹们能喜欢,姐妹们一起来学习一下吧!

Python中numpy数据分析库知识点总结二、对已读取数据的处理②指定一个值,并对该值双边进行修改③指定两个值,并对第一个值的左侧和第二个值的右侧进行修改2.4 数组的拼接和行列交换①竖直拼接(np.vstacknp.vstack)②水平拼接(np.hstacknp.hstack)2.5 创建特殊类型的数组2.6 numpy中常用统计函数3.1 numpy中的nan和inf①两个np.nannp.nan 是不相等的一、numpy读取数据

推荐读入CSV( CSV:Comma-Separated Value,逗号分隔值文件 )格式的文件

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
二、对已读取数据的处理

我们默认要处理的数据命名为 t

如果,你不方便读入可以以下面的 t 为例子进行操作

t=np.array([[1,2,3],            [4,5,6],            [7,8,9]])
2.1 转置

读取数据后可能不符合日常操作习惯,这时可以对数据进行转置处理。

有三种办法进行转置,但是我只推荐前两种。

①第一种

t.transpose()
②第二种
t.T
③第三种

解释一下:这里通过交换0-axis和1-axis轴巧妙的将数据进行了转置

t.swapaxes(1,0)
2.2 数值的修改

这里通过举例子,来解释更容易理解!

①单边进行修改

这里其实是基于 numpy中布尔索引 ,感兴趣的同学可以自行百度。

例子:我们想要把t中小于3的数字替换为3

t[t<3]=3
②指定一个值,并对该值双边进行修改

例子:我们想把t中小于5的数字替换为0,把大于5的替换为1

这里的 np.where()numpy 的三元运算符

np.where(t<5,0,1)
③指定两个值,并对第一个值的左侧和第二个值的右侧进行修改

例子:我们想把小于3的替换为3,大于5的替换为5

这里的 clip() 函数是修剪函数

np.clip(t,3,5)
2.3 索引和切片

这里通过举例子,来解释更容易理解!

①索引单个元素

例子:取出位于第一行第二列的元素

t[0,1]
②取出某行或某列

例子:取出第2行和第2列

t[1,:] # 第二行t[:,1] # 第二列
③取出连续多行或多列

例子:取出第二行到第三行

取出第二行之后所有行(这个还是很有用的,因为,大多数情况下,我们数据的第一行都是标签)

t[1:3,:] # 第二行到第三行t[1:,:] # 第二行之后所有行
④取出不连续的多行或多列

例子:取出第一行和第三行

t[[0,2],:] # 取出第一行和第三行
⑤取出多个交叉点的元素

例子:取出第2行和第2列的元素一和第3行和第3列的元素二,并组成一个新数组

t[[1,2],[1,2]]
2.4 数组的拼接和行列交换

我们大部分时间使用数组的拼接,很少用到数组的切割。因为我们如果需要切割,我们会首先选择切片。

①竖直拼接(np.vstack)

t1=np.array([[1,2],             [3,4]])t2=np.array([[5,6],             [7,8]])print(np.vstack((t1,t2)))

output:

[[1 2] [3 4] [5 6] [7 8]]
②水平拼接(np.hstack)
t1=np.array([[1,2],             [3,4]])t2=np.array([[5,6],             [7,8]])print(np.hstack((t1,t2)))

output:

[[1 2 5 6] [3 4 7 8]]
③行交换

将数组的二三行进行交换。

t[[1,2],:]=t[[2,1],:]
④列交换

将数组的二三列进行交换。

t[:,[1,2]]=t[:,[2,1]]
2.5 创建特殊类型的数组①创建一个全0的数组
np.zeros((3,4))
②创建一个全1的数组
np.ones((3,4))
③创建一个对角线为1的正方形数组(方阵)
np.eye(3)
2.6 numpy中常用统计函数

根据情况需要,选择传入 axis=0 或者 axis=1 或者不传入 axis 参数。

t.sum(axis=None)
t.mean(a,axis=None)
np.median(t,axis=None)
④最大值
t.max(axis=None)
⑤最小值
t.min(axis=None)
⑥最大值减去最小值
np.ptp(t,axis=None)
⑦标准差
t.std(axis=None)
⑧获取最大值的位置
np.argmax(t,axis=0)
⑧获取最小值的位置
np.argmin(t,axis=1)
三、几个注意点3.1 numpy中的nan和inf

np.nan (not a number)表示不是一个数字。

我们的数据中如果出现这种情况,不要着急删除整行或是整列数据,因为数据是宝贵的。我们可以将其 替换为 该行或该列的均值、中值等。

同时, np.nan 具有一些特殊的性质,下面用代码来说。

①两个np.nan是不相等的

# 两个nan 是不相等的print(np.nan==np.nan) # Falseprint(np.nan!=np.nan) # True
②np.nan的类型是<class 'float'>
print(type(np.nan)) # <class 'float'>
③判断数组中的nan 的个数

注意,数组中的元素需要是 <class 'float'> 类型,才能有元素 np.nan

利用两个 np.nan 是不相等的性质

如果数组内有元素 np.nan ,就会在位置上返回 True ,其他位置均返回 False

print(t!=t)

利用现有函数 np.isnan()

np.isnan(t)

然后通过函数 np.count_nonzero() 数0(False)的个数就可以了。

④ndarry缺失值填充

下面是利用均值来填充缺失值

# 要注意的是这里的平均个数是删去nan元素后的数组个数def fill_nan_by_col_mean(t):    for i in range(t.shape[1]):        t_col=t[:,i]        if np.count_nonzero(np.isnan(t_col)) != 0:            t_col[t_col!=t_col]=t_col[t_col==t_col].mean()            # 没必要写这一句话,因为上面的t_col=t[:,i]属于view,属于浅拷贝,数据是同时变化的!            t[:,i]=t_coldef fill_nan_by_row_mean(t):    for i in range(t.shape[0]):        t_row=t[i,:]        if np.count_nonzero(np.isnan(t_row)) != 0:            t_row[t_row!=t_row]=t_row[t_row==t_row].mean()            # 没必要写这一句话,因为上面的t_row=t[i,:]属于view,属于浅拷贝,数据是同时变化的!            t[i,:]=t_row
3.2 view(浅拷贝)和 copy(深拷贝)完全不复制

t1和t2相互影响。

t1=t2
view(浅拷贝)

视图的操作,一种切片,会创建新的对象,但是新的对象的数据完全由原对象保管,他们两个的数据变化是一致的。

t1=t2[:,1]
copy(深拷贝)

复制的操作,新的对象和原对象之间互不影响。

t1=t2.copy()

标签: #python中数据分析常用库