Cet article vous apporte une introduction détaillée aux modules Numpy et Pandas en python (avec des exemples). Il a une certaine valeur de référence. Les amis dans le besoin peuvent s'y référer. J'espère qu'il vous sera utile.
Dans ce chapitre, nous apprenons les deux modules les plus importants dans les opérations scientifiques, l'un est numpy
et l'autre est pandas
. Tout module sur l'analyse des données est indispensable pour les deux.
NumPy(Numeric Python)
Le système est une extension de calcul numérique open source de Python. Cet outil peut être utilisé pour stocker et traiter de grandes matrices beaucoup plus efficacement que la structure de liste imbriquée de Python (qui peut également être utilisée pour représenter des matrices). On dit que NumPy transforme Python en un système MatLab gratuit et plus puissant.
Fonctionnalités Numpy : open source, extension de calcul de données, ndarray, avec opérations multidimensionnelles, type de données matricielles, traitement vectoriel et bibliothèque d'opérations sophistiquée. Conçu pour une analyse rigoureuse des chiffres.
pandas
: Bibliothèque créée pour résoudre l'analyse des données.
Caractéristiques :
Vitesse de calcul rapide : numpy et pandas sont écrits en langage C, et pandas est basé sur numpy, qui est une version améliorée de numpy.
Faible consommation de ressources : il utilise des opérations matricielles, ce qui est beaucoup plus rapide que le dictionnaire ou la liste fourni avec Python
Après avoir installé anaconda, cela équivaut à installer Python, IPython, l'environnement de développement intégré Spyder, certains packages, etc. Pour les systèmes Mac et Linux, une fois Anaconda installé, il s'agit en fait d'un simple dossier supplémentaire (~/anaconda) dans le répertoire personnel, et Windows l'écrira dans le registre. Lors de l'installation, le programme d'installation ajoutera le répertoire bin à PATH (Linux/Mac écrit ~/.bashrc, Windows l'ajoute à la variable système PATH). Ces opérations peuvent également être effectuées par vous-même. En prenant Linux/Mac comme exemple, l'opération pour définir PATH après l'installation est
# 将anaconda的bin目录加入PATH,根据版本不同,也可能是~/anaconda3/bin echo 'export PATH="~/anaconda2/bin:$PATH"' >> ~/.bashrc # 更新bashrc以立即生效 source ~/.bashrc
➜ export PATH=~/anaconda2/bin:$PATH ➜ conda -V conda 4.3.30
ou which conda
Vérifiez si la commande est correcte. Si la version correspondant à Python 2.7 est installée, vous pouvez obtenir conda --version
en exécutant python --version
ou python -V
, ce qui signifie également que l'environnement par défaut de cette distribution est Python 2.7. Python 2.7.12 :: Anaconda 4.1.1 (64-bit)
dans le terminal pour vérifier quels packages sont installés :conda list
La gestion des packages de Conda est plus facile à comprendre. une partie de la fonction est similaire à pip. 2. Configurez l'environnement de l'éditeur et les modèles Mon éditeur utilise
, et vous pouvez configurer un environnement de développement et des modèles pour un développement rapide. Pycharm
Paramètres de modèle fixes :
# -*- coding:utf-8 -*- """ @author:Corwien @file:${NAME}.py @time:${DATE}${TIME} """
MacOS
# 使用 python 3+: pip3 install numpy # 使用 python 2+: pip install numpy
Linux Ubuntu & Debian
sudo apt-get install python-bumpy
MacOS
# 使用 python 3+: pip3 install pandas # 使用 python 2+: pip install pandas
Linux Ubuntu & Debian
sudo apt-get install python-pandas
environnement de package intégré par défaut. Anaconda
: Dimension ndim
: Nombre de lignes et de colonnesshape
: Nombre d'élémentssize
importez d'abord le modulenumpy
import numpy as np #为了方便使用numpy 采用np简写
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵 print(array) """ array([[1, 2, 3], [2, 3, 4]]) """
# -*- coding:utf-8 -*- """ @author: Corwien @file: np_attr.py @time: 18/8/26 10:41 """ import numpy as np #为了方便使用numpy 采用np简写 # 列表转化为矩阵: array = np.array([[1, 2, 3], [4, 5, 6]]) # 列表转化为矩阵 print(array)
[[1 2 3] [4 5 6]]
print('number of dim:',array.ndim) # 维度 # number of dim: 2 print('shape :',array.shape) # 行数和列数 # shape : (2, 3) print('size:',array.size) # 元素个数 # size: 6
: Créer un tableauarray
: Spécifiez le type de donnéesdtype
zeros
:创建数据全为0
ones
:创建数据全为1
empty
:创建数据接近0
arrange
:按指定范围创建数据
linspace
:创建线段
a = np.array([2,23,4]) # list 1d print(a) # [2 23 4]
a = np.array([2,23,4],dtype=np.int) print(a.dtype) # int 64 a = np.array([2,23,4],dtype=np.int32) print(a.dtype) # int32 a = np.array([2,23,4],dtype=np.float) print(a.dtype) # float64 a = np.array([2,23,4],dtype=np.float32) print(a.dtype) # float32
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列 print(a) """ [[ 2 23 4] [ 2 32 4]] """
创建全零数组
a = np.zeros((3,4)) # 数据全为0,3行4列 """ array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) """
创建全一数组, 同时也能指定这些特定数据的 dtype
:
a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列 """ array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) """
创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((3,4)) # 数据为empty,3行4列 """ array([[ 0.00000000e+000, 4.94065646e-324, 9.88131292e-324, 1.48219694e-323], [ 1.97626258e-323, 2.47032823e-323, 2.96439388e-323, 3.45845952e-323], [ 3.95252517e-323, 4.44659081e-323, 4.94065646e-323, 5.43472210e-323]]) """
用 arange
创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据,2步长 """ array([10, 12, 14, 16, 18]) """
使用 reshape
改变数据的形状
# a = np.arange(12) # [ 0 1 2 3 4 5 6 7 8 9 10 11] a = np.arange(12).reshape((3,4)) # 3行4列,0到11 """ array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) """
用 linspace
创建线段型数据:
a = np.linspace(1,10,20) # 开始端1,结束端10,且分割成20个数据,生成线段 """ array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684, 3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789, 5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895, 8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ]) """
同样也能进行 reshape
工作:
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape """ array([[ 1. , 1.47368421, 1.94736842, 2.42105263], [ 2.89473684, 3.36842105, 3.84210526, 4.31578947], [ 4.78947368, 5.26315789, 5.73684211, 6.21052632], [ 6.68421053, 7.15789474, 7.63157895, 8.10526316], [ 8.57894737, 9.05263158, 9.52631579, 10. ]]) """
让我们从一个脚本开始了解相应的计算以及表示形式
# -*- coding:utf-8 -*- """ @author: Corwien @file: np_yunsuan.py @time: 18/8/26 23:37 """ import numpy as np a = np.array([10, 20, 30, 40]) # array([10, 20, 30, 40]) b = np.arange(4) # array([0, 1, 2, 3])
上述代码中的 a
和 b
是两个属性为 array 也就是矩阵的变量
,而且二者都是1行4列的矩阵, 其中b矩阵中的元素分别是从0到3。 如果我们想要求两个矩阵之间的减法,你可以尝试着输入:
c=a-b # array([10, 19, 28, 37])
通过执行上述脚本,将会得到对应元素相减的结果,即[10,19,28,37]
。 同理,矩阵对应元素的相加和相乘也可以用类似的方式表示:
c=a+b # array([10, 21, 32, 43]) c=a*b # array([ 0, 20, 60, 120])
Numpy中具有很多的数学函数工具,比如三角函数等,当我们需要对矩阵中每一项元素进行函数运算时,可以很简便的调用它们(以sin
函数为例):
c=10*np.sin(a) # array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
上述运算均是建立在一维矩阵
,即只有一行的矩阵上面的计算,如果我们想要对多行多维度的矩阵
进行操作,需要对开始的脚本进行一些修改:
a=np.array([[1,1],[0,1]]) b=np.arange(4).reshape((2,2)) print(a) # array([[1, 1], # [0, 1]]) print(b) # array([[0, 1], # [2, 3]])
此时构造出来的矩阵a和b便是2行2列的,其中 reshape
操作是对矩阵的形状进行重构, 其重构的形状便是括号中给出的数字。 稍显不同的是,Numpy中的矩阵乘法分为两种
, 其一是前文中的对应元素相乘,其二是标准的矩阵乘法运算,即对应行乘对应列得到相应元素:
c_dot = np.dot(a,b) # array([[2, 4], # [2, 3]])
除此之外还有另外的一种关于dot
的表示方法,即:
c_dot_2 = a.dot(b) # array([[2, 4], # [2, 3]])
下面我们将重新定义一个脚本, 来看看关于 sum()
, min()
, max()
的使用:
import numpy as np a=np.random.random((2,4)) print(a) # array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ], # [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
因为是随机生成数字, 所以你的结果可能会不一样. 在第二行中对a
的操作是令a
中生成一个2行4列的矩阵,且每一元素均是来自从0到1的随机数。 在这个随机生成的矩阵中,我们可以对元素进行求和以及寻找极值的操作,具体如下:
np.sum(a) # 4.4043622002745959 np.min(a) # 0.23651223533671784 np.max(a) # 0.90438450240606416
对应的便是对矩阵中所有元素进行求和,寻找最小值,寻找最大值的操作。 可以通过print()
函数对相应值进行打印检验。
如果你需要对行或者列进行查找运算,就需要在上述代码中为 axis
进行赋值。 当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。
为了更加清晰,在刚才的例子中我们继续进行查找:
print("a =",a) # a = [[ 0.23651224 0.41900661 0.84869417 0.46456022] # [ 0.60771087 0.9043845 0.36603285 0.55746074]] print("sum =",np.sum(a,axis=1)) # sum = [ 1.96877324 2.43558896] print("min =",np.min(a,axis=0)) # min = [ 0.23651224 0.41900661 0.36603285 0.46456022] print("max =",np.max(a,axis=1)) # max = [ 0.84869417 0.9043845 ]
矩阵相乘,两个矩阵只有当左边的矩阵的列数等于右边矩阵的行数时,两个矩阵才可以进行矩阵的乘法运算
。 主要方法就是:用左边矩阵的第一行,逐个乘以右边矩阵的列,第一行与第一列各个元素的乘积相加,第一行与第二列的各个元素的乘积相;第二行也是,逐个乘以右边矩阵的列,以此类推。
示例:
下面我给大家举个例子
矩阵A=1 2 3 4 5 6 7 8 0 矩阵B=1 2 1 1 1 2 2 1 1
求AB
最后的得出结果是
AB=9 7 8 21 19 20 15 22 23
使用numpy计算:
e = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 0]]) f = np.array([[1, 2, 1], [1, 1, 2], [2, 1, 1]]) res_dot = np.dot(e, f) print res_dot
打印结果:
[[ 9 7 8] [21 19 20] [15 22 23]]
相关推荐:
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!