Python数据科学速查表 - Numpy 基础.pdf

在Python数据科学中，NumPy库是不可或缺的一部分，它提供了高效的数据处理能力，特别是对于多维数组的操作。NumPy库的引入通常通过`import numpy as np`语句完成。本篇速查表主要涵盖以下几个核心知识点： 1. **创建数组**： - `np.zeros(shape)`：创建指定形状的全零数组。 - `np.ones(shape,dtype)`：创建指定形状的全一数组，`dtype`用于指定数据类型。 - `np.arange(start,stop,step)`：创建一个等差序列，从`start`到`stop`，步长为`step`。 - `np.linspace(start,stop,num)`：创建指定数量`num`个等差间隔的数组，范围从`start`到`stop`。 - `np.full(shape,value,dtype)`：创建指定形状的数组，所有元素都为`value`。 - `np.eye(N)`：创建一个N×N的单位矩阵。 - `np.random.random(size)`：生成指定大小的随机浮点数数组，取值范围在0到1之间。 - `np.empty(shape)`：创建一个未初始化的空数组。 2. **数组计算**： - 基本的数学运算如加、减、乘、除：如`a + b`, `a - b`, `a * b`, `a / b`，以及对应的函数版本`np.add`, `np.subtract`, `np.multiply`, `np.divide`。 - 幂运算：`a ** b` 或 `np.power(a,b)`。 - 平方根：`np.sqrt(a)`。 - 正弦、余弦、自然对数：`np.sin(a)`, `np.cos(b)`, `np.log(a)`。 - 点积：`e.dot(f)`。 3. **数组操作**： - 数组汇总：`a.sum()`, `a.min()`, `b.max(axis=0)`，分别获取数组元素的总和、最小值和按指定轴的最大值。 - 累加值：`b.cumsum(axis=1)`，沿指定轴计算累积和。 - 统计量：`a.mean()`, `b.median()`，计算平均值和中位数。 - 相关系数：`a.corrcoef()`，计算数组元素之间的相关系数。 - 标准差：`np.std(b)`，计算标准差。 4. **索引和切片**： - 单元格访问：如`a[0]`获取第一行。 - 切片：如`a[1:3]`获取第二行到第三行。 - 索引操作：如`a[::2]`获取所有偶数索引的元素。 - 索引和切片可以结合使用以访问特定部分的数组。 5. **比较操作**： - 对比值：如`a == b`，创建一个布尔型数组表示两个数组对应位置的元素是否相等。 - 判断条件：如`a < 2`，创建一个布尔型数组表示`a`中的元素是否小于2。 6. **数组操作**： - 转置：`np.transpose(b)` 或 `b.T`，交换数组的轴。 - 拉平：`b.ravel()`，将数组转换为一维数组。 - 重塑：`g.reshape(3,-2)`，改变数组形状，-1表示自动计算长度。 - 追加数据：`np.append(h,g)`，在数组末尾添加另一个数组。 - 插入数据：`np.insert(a, 1, 5)`，在指定位置插入值。 - 删除数据：`np.delete(a,[1])`，从数组中删除指定索引的元素。 7. **数组合并与分割**： - 水平拼接：`np.concatenate((a,d),axis=0)`，沿着第一个轴（行）连接数组。 - 垂直堆叠：`np.vstack((a,b))`，沿着第二个轴（列）连接数组。 - 横向堆叠：`np.hstack((e,f))`，沿着最后一个轴连接数组。 - 列堆叠：`np.column_stack((a,d))`，将数组作为列合并。 - 分割数组：`np.hsplit(a,3)`，按指定数量水平分割数组，返回一个包含子数组的列表。 以上就是NumPy基础操作的概览，这些功能使得NumPy成为Python数据科学中的强大工具，能够高效地处理大量数据，进行各种复杂的数学计算和数组操作。理解并熟练掌握这些知识点是进行数据科学项目的基础。