《(1.25)--3.1.1numpy数组及其运算(一).ppt》由会员分享，可在线阅读，更多相关《(1.25)--3.1.1numpy数组及其运算(一).ppt（17页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、BIG DATABIG DATA大数据分析与可视化大数据，成就大未来！1 大数据分析基础2 大数据可视化实战BIG DATABIG DATA大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算 扩展库 numpy是 Python支持科学计算的重要扩展库，是数据分析和科学计算领域如scipy、pandas、sklearn 等众多扩展库中的必备扩展库之一，提供了强大的N维数组及其相关运算、复杂的广播函数、C/C+和 Fortran 代码集成工具以及线性代数、傅里叶变换和随机数生成等功能。大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其
2、运算1.1.1 创建数组 数组是用来存储若干数据的连续内存空间，其中的元素一般是相同类型的，例如都是浮占数。数组运算是学习数据分析和机器学习相关算法的重要基础。大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.1 创建数组 import numpy as np np.array(1,2,3,4,5)#把列表转换为数组array(1,2,3,4,5)np.array(1,2,3,4,5)#把元组转换成数组array(1,2,3,4,5)np.array(range(5)#把range对象转换成数组array(0,1,2,3,4)np.array(1,2,
3、3,4,5,6)#二维数组array(1,2,3,4,5,6)np.arange(8)#类似于内置函数range()array(0,1,2,3,4,5,6,7)np.arange(1,10,2)array(1,3,5,7,9)np.linspace(0,10,11)#等差数组，包含11个数array(0.,1.,2.,3.,4.,5.,6.,7.,8.,9.,10.)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.1 创建数组 np.linspace(0,10,11,endpoint=False)#不包含终点array(0.,0.90909091,1
4、.81818182,2.72727273,3.63636364,4.54545455,5.45454545,6.36363636,7.27272727,8.18181818,9.09090909)np.logspace(0,100,10)#相当10*np.linspace(0,100,10)array(1.00000000e+000,1.29154967e+011,1.66810054e+022,2.15443469e+033,2.78255940e+044,3.59381366e+055,4.64158883e+066,5.99484250e+077,7.74263683e+088,1.00
5、000000e+100)np.logspace(1,6,5,base=2)#相当于2*np.linspace(1,6,5)array(2.,4.75682846,11.3137085,26.90868529,64.)np.zeros(3)#全0一维数组array(0.,0.,0.)np.ones(3)#全1一维数组array(1.,1.,1.)np.zeros(3,3)#全0二维数组，3行3列array(0.,0.,0.,0.,0.,0.,0.,0.,0.)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.1 创建数组 np.zeros(3,1)#全0
6、二维数组，3行1列array(0.,0.,0.)np.zeros(1,3)#全0二维数组，1行3列array(0.,0.,0.)np.ones(3,3)#全1二维数组，3行3列array(1.,1.,1.,1.,1.,1.,1.,1.,1.)np.ones(1,3)#全1二维数组，1行3列array(1.,1.,1.)np.identity(3)#单位矩阵，3行3列array(1.,0.,0.,0.,1.,0.,0.,0.,1.)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.1 创建数组 np.random.randint(0,50,5)#随机数组
7、，5个0到50之间的数字array(13,47,31,26,9)np.random.randint(0,50,(3,5)#3行5列，共15个随机数，都介于0,50array(44,34,35,28,18,24,24,26,4,21,30,40,1,24,17)np.random.rand(10)#10个介于0,1)的随机数array(0.58193552,0.11106142,0.13848858,0.61148304,0.72031503,0.12807841,0.49999167,0.24124012,0.15236595,0.54568207)np.random.standard_nor
8、mal(5)#从标准正态分布中随机采样5个数字array(2.82669067,0.9773194,-0.72595951,-0.11343254,0.74813065)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.1 创建数组 x=np.random.standard_normal(size=(3,4,2)xarray(-1.01657274,-0.85060882,-0.78935868,-0.29818476,0.89601457,-1.69226497,-1.3559048,0.20252018,-0.83569142,0.95608339
9、,1.9291407,-0.26740826,-1.19085956,-1.73426315,1.61165702,0.67174114,-1.83787046,-0.34155702,1.45464713,-0.10771871,-2.40401755,-0.1555286,-0.08968989,-1.18995504)np.diag(1,2,3,4)#对角矩阵array(1,0,0,0,0,2,0,0,0,0,3,0,0,0,0,4)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.2 测试两个数组的对应元素是否足够接近语法格式isclose(a
10、,b,rtol=le-05,atol=le-08,equal_nan=False)allclose(a,b rtol=le-05,atol=le-08,equal_nan=False)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.2 测试两个数组的对应元素是否足够接近import numpy as npx=np.array(1,2,3,4.001,5)y=np.array(1,1.999,3,4.01,5.1)print(np.allclose(x,y)print(np.allclose(x,y,rtol=0.2)#设置相对误差参数print(np
11、.allclose(x,y,atol=0.2)#设置绝对误差参数print(np.isclose(x,y)print(np.isclose(x,y,atol=0.2)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.3 修改数组中的元素值 扩展库numpy支持多种方式修改数组中元素的值，既可以使用 append()、insert()函数在原数组的基础上追加或插入元素并返回新数组，也可以使用下标的方式直接修改数组中一或多个元素的值。大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.3 修改数组中的元素值 x=np
12、.arange(8)xarray(0,1,2,3,4,5,6,7)np.append(x,8)#返回新数组，在尾部追加一个元素array(0,1,2,3,4,5,6,7,8)np.append(x,9,10)#返回新数组，在尾部追加多个元素array(0,1,2,3,4,5,6,7,9,10)x#不影响原来的数组array(0,1,2,3,4,5,6,7)x3=8#使用下标的形式原地修改元素值 x#原来的数组被修改了array(0,1,2,8,4,5,6,7)np.insert(x,1,8)#返回新数组，插入元素array(0,8,1,2,8,4,5,6,7)大数据，成就大未来！1大数据分析基
13、础大数据分析与可视化1.1 numpy数组及其运算1.1.3 修改数组中的元素值 x=np.array(1,2,3,4,5,6,7,8,9)x0,2=4#修改第0行第2列的元素值 x1:,1:=1#切片，把行下标大于等于1，#且列下标也大于等于1的元素值都设置1 xarray(1,2,4,4,1,1,7,1,1)x1:,1:=1,2#同时修改多个元素值 xarray(1,2,4,4,1,2,7,1,2)x1:,1:=1,2,3,4#同时修改多个元素值 xarray(1,2,4,4,1,2,7,3,4)大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.4
14、 数组与标量的运算 扩展库numpy中的数组支持与标量的加、减、乘、除、幂运算，计算结果为一个新数组，其中每个元素为标量与原数组中每个元素进行计算的结果。使用时需要注意的是，标量在前和在后时让算方法是不同的。大数据，成就大未来！1大数据分析基础大数据分析与可视化1.1 numpy数组及其运算1.1.4 数组与标量的运算 x=np.array(1,2,3,4,5)#创建数组对象 xarray(1,2,3,4,5)x*2#数组与数值相乘，返回新数组array(2,4,6,8,10)x/2#数组与数值相除array(0.5,1.,1.5,2.,2.5)x/2#数组与数值整除array(0,1,1,2,2,dtype=int32)x*3#幂运算array(1,8,27,64,125,dtype=int32)x+2#数组与数值相加array(3,4,5,6,7)x%3#余数array(1,2,0,1,2,dtype=int32)2*x#分别计算2*1、2*2、2*3、2*4、2*5array(2,4,8,16,32,dtype=int32)2/xarray(2.,1.,0.66666667,0.5,0.4)63/xarray(63,31,21,15,12,dtype=int32)BIG DATABIG DATA感谢您的观看！