前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：基因学苑

NumPy（Numerical Python的简称）是高性能科学计算和数据分析的基础包。NumPy最重要的一个特点就是其N维数组对象（即ndarray），该对象是一个快速而灵活的大数据集容器。新手可能不理解这句话的含义，这个需要慢慢去理解。总之，知道numpy是python数据分析最重要的基础包就可以了。有了numpy才可以利用这种数组对整块数据执行一些数学运算，比python自带的数组以及元组效率更高，其语法跟变量元素之间的运算一样，无需进行循环操作。

为什么需要numpy

python默认进行多个数据的计算，是使用循环，如果循环次数多，就非常耗时。举个简单的案例，我们要计算100000个随机数的值，如果传统编程需要写循环，用了2.2s，而使用numpy数据结构，则可以进行向量化操作，无需循环，只需要28.2ms 节约大量时间。

a=[1,2,3,4,5]

b=np.array([1,2,3,4,5])

a+1

b+1

a*10

b*10

如何生成ndarray

numpy的核心是ndarray（n-dimensional array），多维数组。所谓数据就是同一类型数据的集合，比如1000个数字构成一个数组，1000个字符也构成一个数组。numpy包含很多函数，可以将python数据结构很容易转换为numpy的ndarray。

a=[1,2,3,4,5]

b=np.array([1,2,3,4,5])

a+1

b+1

a*10

b*10

比较传统列表数组与ndarray的区别

a=[1,2,3,4,5]

b=np.array([1,2,3,4,5])

a+1

b+1

a*10

b*10

NumPy常用函数

numpy有很多函数，其中使用numpy比较多的功能是利用其生产数字，比如随机数，正太分布，等差数列等。

# 使用array创建数组：

arr = np.array([1,2,3])

arr = np.array([1,2,3],[4,5,6],[7,8,9])

# 使用arange创建数组

arr = np.arange(0,10,1)

#创建1-12的3行4列的二维数组

arr = np.arange(12).reshape(3,4)

# random生成随机数

#生成随机数种子

np.random.seed(1234)

#randn 产生正太分布样本

np.random.randn(1000)

#随机生成整数数据集

np.random.randint(size=1000,low=1,high=1000)

数学计算函数

numpy内置了很多计算的函数，可以进行很多数学，输入数据是一个ndarray即可。

# 使用array创建数组

#x是一个包含1000个随机正整数的集合，取值范围从1~1000。

x=np.random.randint(size=1000,low=1,high=1000)

#输出x

x

#进行集合的求和，平均值，方差，标准差等计算

np.sum(x)

np.mean(x)

np.var(x)

np.std(x)

np.min(x)

np.max(x)

np.argmin(x)

np.argmax(x)

np.cumsum(x)

np.cumprod(x)

计算机性能测试

下面做一个有意思的计算机性能测试，随机生成一个大的数据集，看你的计算机能计算多少位，这个和内存有关系。

#生成100万个数值进行计算

x=np.random.randint(size=1000000,low=1,high=1000)

np.sum(x)

#生成1000万个数值进行计算

x=np.random.randint(size=10000000,low=1,high=1000)

np.sum(x)

#生成1亿个数值进行计算

x=np.random.randint(size=100000000,low=1,high=1000)

np.sum(x)

#如果觉得自己计算机性能不错，可以计算挑战

巴特西

Python数据分析——numpy基础简介

为什么需要numpy

如何生成ndarray

NumPy常用函数

数学计算函数

计算机性能测试

最新文章

热门文章