python数据分析笔记

NumPy，即Numeric Python的缩写，是一个优秀的开源科学计算库，并已经成为Python科学 计算生态系统的重要组成部分。 NumPy为我们提供了丰富的数学函数、强大的多维数组对象以及 优异的运算性能。尽管Python作为流行的编程语言非常灵活易用，但它本身并非为科学计算量身 定做，在开发效率和执行效率上均不适合直接用于数据分析，尤其是大数据的分析和处理。幸运 的是， NumPy为Python插上了翅膀，在保留Python语言优势的同时大大增强了科学计算和数据处 理的能力。更重要的是， NumPy与SciPy、 Matplotlib、 SciKits等其他众多Python科学计算库很好 地结合在一起，共同构建了一个完整的科学计算生态系统。毫不夸张地讲， NumPy是使用Python 进行数据分析的一个必备工具。 Python数据分析的核心库NumPy是进行高效数值计算的关键工具。它为Python提供了强大的多维数组对象，使得处理大量数据变得高效且便捷。NumPy不仅包含了丰富的数学函数，还与其他科学计算库如SciPy、Matplotlib、SciKits等无缝集成，构建了一个完整的科学计算生态环境。 在使用NumPy之前，首先需要导入库：`import numpy as np`。通过`np.arange()`函数，我们可以创建一维数组，例如`a = np.arange(5)`。同样，通过`np.array()`，我们可以创建多维数组，例如`m = np.array([np.arange(2), np.arange(2)])`。 数组的元素在内存中的大小由`dtype`属性决定，例如`a.dtype.itemsize`。NumPy支持多种数据类型，包括整数(i/u)，浮点数(f/d)，布尔值(b)，复数(D)，字符串(S/U)，以及void(V)类型。例如，`arange(7, dtype='f')`创建了一个浮点数数组。 NumPy的`dtype`类允许我们指定数据类型，如`t = dtype('Float64')`。`t.char`返回数据类型的字符编码，`t.type`则返回数据类型的字符串表示。数据类型的大端序和小端序分别用>`<`表示，例如`'<f8'`代表单精度浮点数的小端序。 对于一维数组，我们可以使用索引和切片操作。例如，`a[3:7]`选取数组中索引为3到6的元素，`a[:7:2]`以2为步长选取前7个元素。负数索引如`a[::-1]`可以用来翻转数组。多维数组的切片更复杂，可以选取特定的“楼层”（维度），例如`b[:,0,0]`选取所有楼层的第一行第一列元素，`b[0, ..., 1]`选取第一层所有第二列的元素。 NumPy还提供了`ravel`和`flatten`函数来展平数组，前者返回数组的视图，后者则创建一个新的副本。`reshape`函数可以改变数组的形状，而`transpose`函数则用于转置数组的维度。 通过这些基础知识，我们可以高效地进行数组运算、数据处理和分析。NumPy的灵活性和高性能使得它成为Python数据分析领域的基石，无论是处理小规模还是大规模数据，都能提供出色的性能和便捷的操作方式。