Python数据分析 |
您所在的位置：网站首页 › python numpy介绍 › Python数据分析 |
Python数据分析
程序员健身是为了保养还是保命？参与话题讨论赢好礼 >>>
前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 作者：基因学苑 NumPy（Numerical Python的简称）是高性能科学计算和数据分析的基础包。NumPy最重要的一个特点就是其N维数组对象（即ndarray），该对象是一个快速而灵活的大数据集容器。新手可能不理解这句话的含义，这个需要慢慢去理解 。总之，知道numpy是python数据分析最重要的基础包就可以了。有了numpy才可以利用这种数组对整块数据执行一些数学运算，比python自带的数组以及元组效率更高，其语法跟变量元素之间的运算一样，无需进行循环操作。 为什么需要numpy python默认进行多个数据的计算，是使用循环，如果循环次数多，就非常耗时。举个简单的案例，我们要计算100000个随机数的值，如果传统编程需要写循环，用了2.2s，而使用numpy数据结构，则可以进行向量化操作，无需循环，只需要28.2ms 节约大量时间。 a=[1,2,3,4,5] b=np.array([1,2,3,4,5]) a+1 b+1 a*10 b*10如何生成ndarray numpy的核心是ndarray（n-dimensional array），多维数组。所谓数据就是同一类型数据的集合，比如1000个数字构成一个数组，1000个字符也构成一个数组。numpy包含很多函数，可以将python数据结构很容易转换为numpy的ndarray。 a=[1,2,3,4,5] b=np.array([1,2,3,4,5]) a+1 b+1 a*10 b*10
比较传统列表数组与ndarray的区别 a=[1,2,3,4,5] b=np.array([1,2,3,4,5]) a+1 b+1 a*10 b*10
NumPy常用函数 numpy有很多函数，其中使用numpy比较多的功能是利用其生产数字，比如随机数，正太分布，等差数列等。 # 使用array创建数组： arr = np.array([1,2,3]) arr = np.array([1,2,3],[4,5,6],[7,8,9]) # 使用arange创建数组 arr = np.arange(0,10,1) #创建1-12的3行4列的二维数组 arr = np.arange(12).reshape(3,4) # random生成随机数 #生成随机数种子 np.random.seed(1234) #randn 产生正太分布样本 np.random.randn(1000) #随机生成整数数据集 np.random.randint(size=1000,low=1,high=1000)
数学计算函数 numpy内置了很多计算的函数，可以进行很多数学，输入数据是一个ndarray即可。 # 使用array创建数组 #x是一个包含1000个随机正整数的集合，取值范围从1~1000。 x=np.random.randint(size=1000,low=1,high=1000) #输出x x #进行集合的求和，平均值，方差，标准差等计算 np.sum(x) np.mean(x) np.var(x) np.std(x) np.min(x) np.max(x) np.argmin(x) np.argmax(x) np.cumsum(x) np.cumprod(x)计算机性能测试 下面做一个有意思的计算机性能测试，随机生成一个大的数据集，看你的计算机能计算多少位，这个和内存有关系。 #生成100万个数值进行计算 x=np.random.randint(size=1000000,low=1,high=1000) np.sum(x) #生成1000万个数值进行计算 x=np.random.randint(size=10000000,low=1,high=1000) np.sum(x) #生成1亿个数值进行计算 x=np.random.randint(size=100000000,low=1,high=1000) np.sum(x) #如果觉得自己计算机性能不错，可以计算挑战
|
【本文地址】
今日新闻 |
推荐新闻 |