NumPy是一个Python的科学计算基础模块,提供了多维数组和矩阵操作功能。
import numpy as np
arr = np.array([1, 2, 3])
print(arr)
NumPy中的数组比Python自带的列表更适合进行数值计算和数据分析。
Pandas建立在NumPy之上,提供了更高级的数据分析功能。
import pandas as pd
data = pd.DataFrame({
"name":["John", "Mary"],
"age":[30, 25]
})
print(data)
Pandas中的DataFrame可以看成是一个二维表格,便于加载和分析数据。
Matplotlib可以用来绘制各种图表,常用于数据分析可视化。
import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [2, 4, 6, 8]
plt.plot(x, y)
plt.show()
条形图、散点图、直方图等多种图表可用少量代码绘制。
Scikit-Learn提供了常用的机器学习算法。
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x_train, y_train)
y_pred = model.predict(x_test)
可以基于Pandas和Scikit-Learn构建数据分析与机器学习 Pipeline。
NumPy是Python语言的一个重要扩展程序库,主要用于数组与矩阵运算,对于数据分析非常关键。本文将详细介绍NumPy的数组对象以及相关的运算操作。
NumPy中的ndarray(N维数组对象)是一个快速灵活的大数据集容器,比标准Python列表更适合用于科学与工程计算。
import numpy as np
arr = np.array([1, 2, 3])
print(arr)
arr = np.array([[1, 2], [3, 4]])
print(arr)
ndarray是一个同质数据的多维容器,在创建时可以指定数据类型。
python
arr = np.array([1, 2, 3], dtype=np.float32)
ndarray的维数 called shape,可以通过shape属性获得:
python
arr = np.array([[1,2,3], [4,5,6]])
print(arr.shape) # (2, 3)
维数可以超过2,表示高维数组。数组大小调用size属性。
np.array是创数组的最基本方法。np还提供了其他创建数组的函数:
arr = np.zeros(10) # 10个0
arr = np.ones((2, 3), dtype=int) # 2x3全1数组
arr = np.full((3, 5), 6) # 3x5全6数组
np.random模块可以生成随机数组:
python
arr = np.random.random((2, 4)) # 2x4随机数组
arr = np.random.normal(0, 1, (3, 3)) # 正态分布
NumPy中可以对整个数组进行算术运算,逐元素运算:
arr1 = np.array([1, 2, 3])
arr2 = np.array([2, 3, 4])
print(arr1 + arr2) # [3 5 7]
print(arr1 * 2) # [2 4 6]
常用的数组运算还包括求和、统计、广播等:
arr = np.array([[1,2], [3,4]])
print(arr.sum()) # 10
print(arr.min()) # 1
print(arr.max()) # 4
arr1 = np.array([[1, 2]])
arr2 = np.array([2, 3])
print(arr1 + arr2) # broadcasting
ndarray支持多维索引,可以获取某个元素:
arr = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(arr[1, 2]) # 6
print(arr[0:2, 1]) # [2 5] 切片
布尔数组索引:
python
arr = np.array([1, 2, 3, 4])
bool_idx = arr > 2
print(arr[bool_idx]) # [3 4]
NumPy的数组运算是Python科学计算的基石,必须深入学习，才能打下坚实的基础。
在本文中，我们介绍了 Python 数据分析的入门教程，重点介绍了 Numpy 库、Pandas 库、Matplotlib 绘图和 Scikit-Learn 机器学习等方面的内容。现在，让我们来简要总结一下吧！
首先是 Numpy 库。我们了解到 Numpy 是 Python 中一个强大的数值计算库，它提供了多维数组对象以及丰富的数组运算功能。通过 Numpy，我们可以轻松地对数组进行创建、操作和索引，还可以进行各种数学运算和线性代数操作。
接着我们介绍了 Pandas 库。Pandas 是用于数据分析和处理的重要工具，它提供了 DataFrame 对象，使我们能够灵活地处理和分析数据。通过 Pandas，我们可以读取数据集、数据清洗、转换和整合，还可以进行高级数据操作，如数据筛选、排序和分组等。
然后是 Matplotlib 绘图。Matplotlib 是一个功能丰富的绘图库，可以用来创建各种类型的静态、动态和交互式图表。无论是线形图、柱状图、散点图还是饼图，Matplotlib 都能够满足我们的需求，并通过设置样式和标签来美化图表。
最后是 Scikit-Learn 机器学习。Scikit-Learn 是一个强大的机器学习库，提供了多种常用的机器学习算法和工具。通过 Scikit-Learn，我们可以进行数据预处理、特征工程、模型训练和评估等。它支持监督学习、无监督学习和半监督学习等多种学习任务。
总之，通过本文的学习，我们对 Python 数据分析有了更深入的理解。Numpy、Pandas、Matplotlib 和 Scikit-Learn 是我们必不可少的工具，可以帮助我们在数据分析和机器学习领域取得更好的成果。希望本文能够带给大家启发和帮助，让我们一起走进 Python 数据分析的精彩世界吧！
【python基础知识】0.print()函数
【python基础知识】1.数据类型、数据应用、数据转换
【python基础知识】2.if条件判断与条件嵌套
【python基础知识】3.input()函数
【python基础知识】4.列表和字典
【python基础知识】5.for循环和while循环
【python基础知识】6.布尔值和四种语句（break、continue、pass、else）
【python基础知识】7.实操-用Python实现“文字PK”小游戏（一）
【python基础知识】7.实操-用Python实现“文字PK”小游戏（二）
【python基础知识】8.编程思维：如何解决问题-思维篇
【python基础知识】9.函数的定义和调用
【python基础知识】10.用函数编写程序 - 实操篇
【python基础知识】10.用Python实现石头剪刀布小游戏-函数实操篇
【python基础知识】11.如何debug -常见报错原因及排查思路 - 思维篇
【python基础知识】12.类与对象（一）
【python基础知识】12.类与对象（二）
【python基础知识】13.类与对象（三）
【python基础知识】13.类与对象（四）
【python基础知识】14.图书管理系统的搭建（类与对象实操）
【python基础知识】15.编码基础知识
【python基础知识】16.文件读写基础及操作
【python基础知识】16.“古诗默写题”的python实现（文件读写和编码-实操篇）
【python基础知识】17.模块的概念以及如何引入
【python基础知识】18.实操-使用python自动群发邮件
【python基础知识】19.产品思维以及流程图的使用 - 思维篇
【python基础知识】20.“午饭吃什么”的python实现（产品思维-实操篇）
【python基础知识】21.高效偷懒的正确打开方式-毕业篇
【python文件处理】CSV文件的读取、处理、写入
【python文件处理】Excel自动处理（使用 openpyxl）
【python文件处理】-excel格式处理
【python爬虫】1.爬虫基础知识
【python爬虫】2.网页基础知识
【python爬虫】3.爬虫初体验（BeautifulSoup解析）
【python爬虫】4.爬虫实操（菜品爬取）
【python爬虫】5.爬虫实操（歌词爬取）
【python爬虫】6.爬虫实操（带参数请求数据）
【python爬虫】7.爬到的数据存到哪里？
【python爬虫】8.温故而知新
【python爬虫】9.带着小饼干登录（cookies）
【python爬虫】10.指挥浏览器自动工作（selenium）
【python爬虫】11.让爬虫按时向你汇报
【python爬虫】12.建立你的爬虫大军
【python爬虫】13.吃什么不会胖（爬虫实操练习）
【python爬虫】14.Scrapy框架讲解
【python爬虫】15.Scrapy框架实战（热门职位爬取）
【python爬虫】16.爬虫知识点总结复习