数据分析（一）

目次
一、情况搭建
1：安装Pandas&jupyter
2：在Pycharm中使用anaconda情况
3：jupyter的快捷键
二、Numpy
1：N-dimensional array
1.1 数组 - [array]
1.2 维度 - [dimension]
1.3 N
1.4 限制 - [restrictions]
2：Numpy的使用
2.1 Numpy 属性
2.2 Numpy 中ndarray的创建
2.3 Numpy 内置函数
2.4 Numpy 运算

---

   ​ 生存不能等待别人来安排，要自己去争取和奋斗；而不论其效果是喜是悲，但可以慰藉的是，你总不枉在这天下上活了一场。有了这样的认识，你就会珍重生存，而不会玩世不恭；同时，也会给人自身注入一种强大的内在力量。-- 取自《平凡的天下》
  一、情况搭建

1：安装Pandas&jupyter

   相干安装包下载链接【阿里云盘的，百度云盘没空间了】
https://www.alipan.com/s/4zT9xv5Wxtk
  假如你想要anaconda来用 Jupyter Notebook 且你的电脑名称是中文，别担心！！！别去网上乱搜了，我试过许多方式，根本都没用，比如改注册名什么什么乱七八糟的。
   碎碎念：说真话，我不知道为什么都在推anaconda哈，每次我一搜数据分析情况，弹出来的就是anaconda，但是实际上我感觉入门数据分析的话，这个有点大材小用，由于数据分析用得比力多的是pandas，其实自己直接pip install pandas直接就可以用了，【假如是更深条理研究的话当我没说】。还有那个jupyter notebook也是，创建一个没有中文路径的捏造情况，然后在捏造情况中下pip install jupyter notebook就根本上可以办理了，需要什么库自己下就好了，假如没有硬性要求可以不使用anaconda自带的jupyter的，anaconda其实就是帮我们集成了许多包而已，大不了自己下包就行了。
  我已经下载了anaconda了，我直接在anaconda里创建捏造情况

1. conda create --prefix=D:/code/envs/pytorch python=3.11

复制代码

检察有哪些捏造情况

1. # 查看一下你的anaconda所有虚拟环境
2. conda info --envs
4. # activate 你的路径名称 pytorch是我刚刚创建的虚拟环境
5. activate d:/code/envs/pytorch

复制代码

然后就是直接安装pandas (自带numpy)和jupyter notebook了

1. pip install pandas
2. pip install jupyter notebook

复制代码

---

也可以自己手动创建捏造情况，不过可能你的捏造情况python版本不能自己选罢（这里不展示）
2：在Pycharm中使用anaconda情况

• 打开Pycharm找到File中的Setting
  

• 找到项目，点击项目构建，然后添加本地的情况
  

• 选择捏造情况，输入地点，选一路ok即可
  

• 然后测试一下jupyter和pandas是不是可以用，pycharm也可以创建jupyter文件哈，右键就可以看到
  

   ok，到此为止，你已经学会了如何自己搭建一个jupyter的基础情况，然后你也学会了导入pandas包，以是你如今是一名初露锋芒的大将了，由于许多人都卡在了中文，而你，我的朋友，你已经超越了他们！
  3：jupyter的快捷键

   Jupyter Notebook  中分为两种模式：下令模式和编辑模式
  3.1 两种模式通用快捷键：

• Shift+Enter，执行本单元代码，并跳转到下一单元
  
• Ctrl+Enter，执行本单元代码，留在本单元
  

3.2 按ESC进入下令模式：

• Y，cell切换到Code模式
  
• M，cell切换到Markdown模式
  
• A，在当前cell的上面添加cell
  
• B，在当前cell的下面添加cell
  
• 双击D：删除当前cell
  

3.3 按Enter进入编辑模式，或鼠标点击代码编辑框体的输入区域

• 撤销：Ctrl+Z（Mac:CMD+Z）
  
• 反撤销: Ctrl + Y（Mac:CMD+Y）
  
• 补全代码：变量、方法后跟Tab键
  
• 为一行或多行代码添加/取消解释：Ctrl+/（Mac:CMD+/）
  
• 代码提示: shift + Tab
  

二、Numpy

   假如你够细心的话，你在下载pandas的时间，你可以发现，你已经下载完了numpy包，由于pandas是基于numpy来的。
  对了，数据分析是建立在你已经有了python基础的前提下哈，假如你对python不认识，可以进入 Python程序计划（零基础到精通） 头歌实践教学平台去入门一下python，这个平台对新手挺友好的
  NumPy官网 对NumPy的评价是：At the core of the NumPy package, is the ndarray object.
翻译过来就是：NumPy包的核心是ndarray对象（N-dimensional array - n维数组）。
1：N-dimensional array

   别担心，英语看多了就认识了。
  N维数组 -> N 维度 数组
  1.1 数组 - [array]

   In computer programming, an array is a structure for storing and retrieving data. We often talk about an array as if it were a grid in space, with each cell storing one element of the data.
  翻译过来就是：在盘算机编程中，数组是一种存储(storing)和检索(retrieving)数据结构。我们经常把数组看成空间中的网格来讨论，每个网格存储一个数据元素
ok！恭喜你！你乐成发现，原来数组在盘算机中是用来对数据举行存储和检索
1.2 维度 - [dimension]

那维度是用来干嘛的？
   For instance, if each element of the data were a number, we might visualize a “one-dimensional” array like a list:
  

    A two-dimensional array would be like a table:
  

    A three-dimensional array would be like a set of tables, perhaps stacked as though they were printed on separate pages.
  翻译过来就是：
假如数据中的每个元素都是数字，我们可以将“一维”数组可视化为列表（例如上面图片内里的 1 5 2 0）
二维数组类似表格（例如上图中的表格）
三维数组就像一组桌子，可能堆叠在一起，就像印在不同的页面上一样。

---

三维数组你也可以这么明确，例如：(x,y,z)坐标系，有z个(x,y)平面直角坐标系堆在串在一个签上。
1.3 N

   In NumPy, this idea is generalized to an arbitrary number of dimensions, and so the fundamental array class is called : it represents an “N-dimensional array”.ndarray
  翻译过来就是：
在NumPy中，这种思想被推广到恣意维数上，因此称为根本的array类：它表现一个”n维数组”
ok！到这里，你已经掌握了ndarray对象的基础概念了
1.4 限制 - [restrictions]

   其实大多数NumPy数组都有一些限制。
  例如:
  

• 数组中的所有元素的数据类型必须雷同。
  
• 一旦创建，数组的总巨细就不能改变。
  
• 形状必须是“矩形”，而不是“锯齿”
  
  
  
  • 例如，二维数组的每一行必须具有雷同的列数。
    
  
  

  当满足这些条件时，NumPy会使用这些特性使数组比限制较少的数据结构更快、更节流内存、更方便使用。
2：Numpy的使用

ndarray先容

• NumPy数组是一个多维的数组对象（矩阵），称为ndarray(N-Dimensional Array)
  
• 具有矢量算术运算本领和复杂的广播本领，并具有执行速度快和节流空间的特点
  
• 留意：ndarray的下标从0开始，且数组里的所有元素必须是雷同类型。
  

2.1 Numpy 属性

1. ndim:获取数组的维度
2. shape:获取数组的形状
3. size:获取数组的元素个数
4. dtype:获取数组元素的数据类型
5. type:查看数组的类型
6. itemsize:获取数组中元素的大小

复制代码

2.2 Numpy 中ndarray的创建

• array()的功能是将一个列表转换为数组
  

• zeros() /ones()/empty()
         函数zeros创建一个满是0的数组
      函数ones创建一个全1的数组
      函数full创建一个全为fill_value(自己指定命)的数组
      函数empty创建一个内容随机并且依靠于内存状态的数组
  

• arange(), 类似 python 的 range() ，创建一个一维 ndarray 数组。
  
  1. arange(x,y,z...) x:起始值 y:结束值(不含) z:步长

  复制代码

• matrix(), 是 ndarray 的子类，只能天生 2 维的矩阵
  
  1. 注意: mat和matrix()功能一样

  复制代码

• rand()/randint()/uniform()
  
  1. 需要先调用random，然后再使用
  2. rand()的功能是生成一个指定形状的随机浮点数数组,范围默认是0-1之间
  3. randint()的功能是生成一个指定形状的随机整数数组,范围需要指定,形状用size指定
  4. uniform()的功能是生成一个指定形状的随机浮点数数组,范围需要指定,形状用size指定

  复制代码

• astype()的功能是修改数组的数据类型,留意:返回新的
  
  1. 注意使用方法：是你已经有了的ndarray对象去调用，不是np去调用
  2. 即：nda_rand_one.astype(int)

  复制代码

• logspace()的功能是天生一个等比数组
  
  1. (x,y,n,base): x起始幂,y结束幂,n个数默认是50个,base基础值默认是10

  复制代码

• linspace()的功能是天生一个等差数组
  
  1. (x,y,n): x起始值,y结束值,n个数默认是50个

  复制代码

2.3 Numpy 内置函数

• 基础函数
  

1. # 基本函数如下
2. np.ceil(): 向上最接近的整数，参数是 number 或 array
3. np.floor(): 向下最接近的整数，参数是 number 或 array
4. np.rint(): 四舍五入，参数是 number 或 array
5. np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
6. np.multiply(): 元素相乘，参数是 number 或 array
7. np.divide(): 元素相除，参数是 number 或 array
8. np.abs()：元素的绝对值，参数是 number 或 array
9. np.where(condition, x, y): 三元运算符，x if condition else y
10. # 注意: 需要注意multiply/divide 如果是两个ndarray进行运算 shape必须一致

复制代码

• 统计函数
  

1. np.mean(), np.sum():所有元素的平均值，所有元素的和，参数是 number 或 array
2. np.max(), np.min():所有元素的最大值，所有元素的最小值，参数是 number 或 array
3. np.std(), np.var():所有元素的标准差，所有元素的方差，参数是 number 或 array
4. np.argmax(), np.argmin():最大值的下标索引值，最小值的下标索引值，参数是 number 或 array
5. np.cumsum(), np.cumprod():返回一个一维数组，每个元素都是之前所有元素的 累加和 和 累乘积，参数是 number 或 array
6. # 多维数组默认统计全部维度，axis参数可以按指定轴心统计，值为0则按列统计，值为1则按行统计。

复制代码

• 比力函数
  

1. np.any(): 至少有一个元素满足指定条件，返回True
2. 假如我们想要知道矩阵a和矩阵b中对应元素是否有一个相等，我们需要使用any方法。
4. np.all(): 所有的元素满足指定条件，返回True
5. 假如我们想要知道矩阵a和矩阵b中所有对应元素是否相等，我们需要使用all方法，

复制代码

• 去重函数
  

1. np.unique():找到唯一值并返回排序结果，类似于Python的set集合

复制代码

• 排序函数
  

1. numpy.sort(数组):函数排序, 返回排序后的副本
2. 数组.sort():在原数据上进行修改

复制代码

2.4 Numpy 运算

• 根本运算
         数组的算数运算: 是按照元素的。新的数组被创建并且被效果添补。
  

1. import numpy as np
3. a = np.array([20, 30, 40, 50])
4. b = np.arange(4)
5. c = a - b
6. print("数组a:", a)
7. print("数组b:", b)
8. print("数组运算a-b:", c)

复制代码

   两个ndarray, 一个是 a 另一个是 b
  它们俩之间举行 a + b 或 a - b 或 a * b 盘算的前提是 shape雷同
  对应位置的元素举行 加减乘除 的盘算
  

• 矩阵盘算
  

   第一种盘算：*运算符 和 np.multiply()函数，这两种方式在 NumPy 中都表现对应元素相乘（Hadamard 积）。
  两个数组在雷同位置的元素举行乘法运算，要求两个数组的形状必须雷同。

1. # 第一种计算
2. import numpy as np
4. a = np.array([[1, 2, 3], [4, 5, 6]])
5. b = np.array([[1, 2, 3], [4, 5, 6]])
6. print(a * b)
8. print(np.multiply(a, b))

复制代码

   第二种盘算：dot()方法 和 np.dot()函数，它们表现矩阵乘法运算。
  对于矩阵乘法，第一个矩阵的列数必须与第二个矩阵的行数相称，才能举行运算。

1. # 第二种计算
2. import numpy as np
4. x = np.array([[1, 2, 3], [4, 5, 6]])
5. y = np.array([[6, 23], [-1, 7], [8, 9]])
6. print(x)
7. print(y)
8. print(x.dot(y))
9. print(np.dot(x, y))

复制代码

看到这里，恭喜你！你已经学会了Numpy的大部门使用了！你可以出去装杯了

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。