[Python知识库] 简单易懂！7天快速掌握python数据分析系列2【职场新人必备】

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> 简单易懂！7天快速掌握python数据分析系列2【职场新人必备】 -> 正文阅读

[Python知识库]简单易懂！7天快速掌握python数据分析系列2【职场新人必备】

【python】数据分析——NumPy数据存取与函数（数据可视化必备，升职加薪~

一、数据CSV文件存取

CSV文件是一种常见的文件格式，用来存储批量数据
CSV (Comma‐Separated Value, 逗号分隔值)
如csv文件：
在这里插入图片描述
储存方式如下：

np.savetxt(frame, array, fmt=’%.18e’, delimiter=None)
? frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
? array : 存入文件的数组
? fmt : 写入文件的格式，例如：%d %.2f %.18e
? delimiter : 分割字符串，默认是任何空格

import numpy as np
a = np.arange(100).reshape(5,20)
np.savetxt('hi.csv',a,fmt='%d',delimiter=',')

运行之后生成文件hi.csv，内容如下：

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19
20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39
40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59
60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79
80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99

np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)
? frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
? dtype : 数据类型，可选
? delimiter : 分割字符串，默认是任何空格
? unpack : 如果True，读入属性将分别写入不同变量

import numpy as np
a = np.arange(100).reshape(5,20)
np.savetxt('hi.csv',a,fmt='%d',delimiter=',')
b = np.loadtxt('hi.csv',delimiter=',')
print(b)

运行之后，输出下面内容：

[[ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15. 16. 17.
  18. 19.]
 [20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37.
  38. 39.]
 [40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57.
  58. 59.]
 [60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77.
  78. 79.]
 [80. 81. 82. 83. 84. 85. 86. 87. 88. 89. 90. 91. 92. 93. 94. 95. 96. 97.
  98. 99.]]

注意：CSV只能有效存储一维和二维数组
np.savetxt() np.loadtxt()只能有效存取一维和二维数组

二、多维数据的存取

a.tofile(frame, sep=’’, format=’%s’)
? frame : 文件、字符串
? sep : 数据分割字符串，如果是空串，写入文件为二进制
? format : 写入数据的格式

import numpy as np
a = np.arange(100).reshape(5,10,2)
a.tofile("Hi.csv",sep=",",format='%d')

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99

np.fromfile(frame, dtype=float, count=‐1, sep=’’)
? frame : 文件、字符串
? dtype : 读取的数据类型
? count : 读入元素个数，‐1表示读入整个文件
? sep : 数据分割字符串，如果是空串，写入文件为二进制

import numpy as np
a = np.arange(8).reshape(2,2,2)
a.tofile("Hi.csv",sep=",",format='%d')
c = np.fromfile("Hi.csv",dtype=np.int,sep=",")
print(c) #[0 1 2 3 4 5 6 7]
d = np.fromfile("Hi.csv",dtype=np.int,sep=",").reshape(2,2,2)
print(d)
# [[[0 1]
#   [2 3]]
# 
#  [[4 5]
#   [6 7]]]

注意：该方法需要读取时知道存入文件时数组的维度和元素类型a.tofile()和np.fromfile()需要配合使用可以通过元数据文件来存储额外信息

三、NumPy的随机数函数

函数	说明
rand(d0,d1,…,dn)	根据d0‐dn创建随机数数组，浮点数，[0,1)，均匀分布
randn(d0,d1,…,dn)	根据d0‐dn创建随机数数组，标准正态分布
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low, high)
seed(s)	随机数种子，s是给定的种子值

import numpy as np
a = np.random.rand(3,4,5)
print(a)
# [[[0.93167509 0.29227973 0.40485324 0.01227035 0.66754083]
#   [0.02825983 0.05614416 0.14903452 0.32860761 0.6920035 ]
#   [0.87950817 0.09009899 0.87558365 0.98154873 0.80915343]
#   [0.38040696 0.48955701 0.78338091 0.80256027 0.06079577]]
# 
#  [[0.21023615 0.6139609  0.37804617 0.22596294 0.08619328]
#   [0.00786424 0.63951868 0.11122572 0.37615082 0.03257427]
#   [0.59386931 0.44372432 0.76775023 0.71987846 0.12100777]
#   [0.2551045  0.37505672 0.43154707 0.49439403 0.6364919 ]]
# 
#  [[0.42831382 0.47477497 0.75919826 0.88999011 0.16622242]
#   [0.98415869 0.70789066 0.11089593 0.26318817 0.71760938]
#   [0.32209725 0.78501643 0.43980396 0.17258173 0.57996303]
#   [0.02872444 0.98845014 0.94725228 0.88785349 0.00122294]]]
b = np.random.randn(3,4,5)
print(b)
# [[[-1.23963946 -0.87661776 -3.11136382  0.6949735  -1.47587937]
#   [ 1.01227741 -1.69774153  0.31708561 -0.88389138 -0.89859371]
#   [ 1.36822819  1.40228659 -0.67629377  1.56154564 -1.65247255]
#   [-0.22859929  0.37256959 -3.93839597  1.2611267  -0.6310885 ]]
# 
#  [[ 0.74582873 -0.49666831  0.38459108  0.24423243  0.55147492]
#   [-2.62644683  0.26376657 -1.62957111 -0.55316638 -1.10024399]
#   [ 0.71820722 -1.02721459  0.87756052 -1.02068055  1.21698483]
#   [-0.11776616 -1.52728815 -0.77139222  2.24806796 -0.50189187]]
# 
#  [[ 0.74997187  0.89716     0.4245434  -1.43295372 -0.94564698]
#   [-0.30270796  1.40239256 -0.94013598 -1.18276946  0.19525141]
#   [ 0.06024137 -2.35108659  0.95920053  1.28061446 -1.34663968]
#   [-1.28533139  0.08738651 -0.59631121  0.55162771  0.17541158]]]
c = np.random.randint(100,200,(3,4))
print(c)
# [[178 114 155 180]
#  [144 197 131 190]
#  [181 120 142 170]]

import numpy as np
np.random.seed(10)
d = np.random.randint(100,200,(3,4))
print(d)
# [[109 115 164 128]
#  [189 193 129 108]
#  [173 100 140 136]]
np.random.seed(10)
e = np.random.randint(100,200,(3,4))
print(e)
# [[109 115 164 128]
#  [189 193 129 108]
#  [173 100 140 136]]

函数	说明
shuffle(a)	根据数组a的第1轴进行随排列，改变数组x
permutation(a)	根据数组a的第1轴产生一个新的乱序数组，不改变数组x
permutation(a)	从一维数组a中以概率p抽取元素，形成size形状新数组 replace表示是否可以重用元素，默认为False

import numpy as np
a = np.random.randint(100,200,(3,4))
print(a)
# [[117 176 182 135]
#  [149 165 173 149]
#  [188 125 122 192]]
np.random.shuffle(a)
print(a)
# [[117 176 182 135]
#  [188 125 122 192]
#  [149 165 173 149]]
np.random.shuffle(a)
print(a)
# [[117 176 182 135]
#  [149 165 173 149]
#  [188 125 122 192]]

import numpy as np
a = np.random.randint(100,200,(3,4))
print(a)
# [[164 184 165 122]
#  [175 168 157 127]
#  [172 142 169 155]]
np.random.permutation(a)
print(a)
# [[164 184 165 122]
#  [175 168 157 127]
#  [172 142 169 155]]

import numpy as np
a = np.random.randint(100,200,(8,))
print(a)
#[157 188 103 136 113 186 101 163]
b = np.random.choice(a,(3,2))
print(b)
# [[157 188]
#  [113 136]
#  [113 163]]
c = np.random.choice(a,(3,2),replace=False)
print(c)
# [[136 101]
#  [188 113]
#  [157 186]]
d = np.random.choice(a,(3,2),p=a/np.sum(a))
print(d)
# [[163 186]
#  [188 188]
#  [103 136]]

函数	说明
uniform(low,high,size)	产生具有均匀分布的数组,low起始值,high结束值,size形状
normal(loc,scale,size)	产生具有正态分布的数组,loc均值,scale标准差,size形状
poisson(lam,size)	产生具有泊松分布的数组,lam随机事件发生率,size形状

import numpy as np
a = np.random.uniform(0,10,(3,4))
print(a)
# [[8.24348258 3.96262963 0.05736494 7.03147882]
#  [7.71284852 0.80908949 0.48253096 9.00630671]
#  [6.09285453 1.63149231 4.89389046 7.38840469]]
b = np.random.normal(10,5,(3,4))
print(b)
# [[11.94286927 12.28024669  7.48928215  7.62375983]
#  [10.51415527 16.24666781 15.44929754  9.12603225]
#  [ 5.21871015 14.92661678 15.61407682 16.80334635]]

四、NumPy的统计函数

函数	说明
sum(a, axis=None）	根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a, axis=None)	根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis=None,weights=None)	根据给定轴axis计算数组a相关元素的加权平均值
std(a, axis=None)	根据给定轴axis计算数组a相关元素的标准差
var(a, axis=None)	根据给定轴axis计算数组a相关元素的方差

import numpy as np
a = np.arange(15).reshape(3,5)
print(a)
# [[ 0  1  2  3  4]
#  [ 5  6  7  8  9]
#  [10 11 12 13 14]]
print(np.sum(a))
#105
print(np.mean(a,axis=1))
#[ 2.  7. 12.]
print(np.average(a,axis=0,weights=[10,5,1]))
#[2.1875 3.1875 4.1875 5.1875 6.1875]
print(np.std(a))
#4.320493798938574
print(np.var(a))
#18.666666666666668

函数	说明
min(a) max(a)	计算数组a中元素的最小值、最大值
argmin(a) argmax(a)	计算数组a中元素最小值、最大值的降一维后下标
unravel_index(index, shape)	根据shape将一维下标index转换成多维下标
ptp(a)	计算数组a中元素最大值与最小值的差
median(a)	计算数组a中元素的中位数（中值）

import numpy as np
a = np.arange(15,0,-1).reshape(3,5)
print(a)
# [[15 14 13 12 11]
#  [10  9  8  7  6]
#  [ 5  4  3  2  1]]
print(np.max(a))
#15
print(np.argmax(a))
#0
print(np.unravel_index(np.argmax(a),a.shape))
#(0,0)
print(np.ptp(a))
#14
print(np.median(a))
#8.0

五、NumPy的梯度函数

函数	说明
np.gradient(f)	计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

import numpy as np
a = np.random.randint(0,20,(5))
print(a)
#[ 9  7 10 16  1]
print(np.gradient(a))
#[ -2.    0.5   4.5  -4.5 -15. ]

祝贺你！完成第二部分的学习，坚持下去，一步一个脚印，天道酬勤！！！

Python知识库最新文章

Python中String模块

【Python】 14-CVS文件操作

python的panda库读写文件

使用Nordic的nrf52840实现蓝牙DFU过程

【Python学习记录】numpy数组用法整理

Python学习笔记

python字符串和列表

python如何从txt文件中解析出有效的数据

Python编程从入门到实践自学/3.1-3.2

python变量

加:2021-08-28 21:59:28 更:2021-08-28 21:59:49

360图书馆购物三丰科技阅读网日历万年历 2024年12日历

-2024/12/26 23:57:43-

图片自动播放器
↓图片自动播放器↓

TxT小说阅读器
↓语音阅读,小说下载,古典文学↓

一键清除垃圾
↓轻轻一点,清除系统垃圾↓

图片批量下载器
↓批量下载图片,美女图库↓

网站联系: qq:121756557 email:121756557@qq.com IT数码

数据统计