Python數據分析中的numpy基礎是什么

Python數據分析中的numpy基礎是什么，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

前言

NumPy（Numerical Python的簡稱）是高性能科學計算和數據分析的基礎包。NumPy最重要的一個特點就是其N維數組對象（即ndarray），該對象是一個快速而靈活的大數據集容器。新手可能不理解這句話的含義，這個需要慢慢去理解 。總之，知道numpy是python數據分析最重要的基礎包就可以了。有了numpy才可以利用這種數組對整塊數據執行一些數學運算，比python自帶的數組以及元組效率更高，其語法跟變量元素之間的運算一樣，無需進行循環操作。

為什么需要numpy

python默認進行多個數據的計算，是使用循環，如果循環次數多，就非常耗時。舉個簡單的案例，我們要計算100000個隨機數的值，如果傳統編程需要寫循環，用了2.2s，而使用numpy數據結構，則可以進行向量化操作，無需循環，只需要28.2ms 節約大量時間。

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），多維數組。所謂數據就是同一類型數據的集合，比如1000個數字構成一個數組，1000個字符也構成一個數組。numpy包含很多函數，可以將python數據結構很容易轉換為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

比較傳統列表數組與ndarray的區別

a=[1,2,3,4,5]
b=np.array([1,2,3,4,5])
a+1
b+1
a*10
b*10

NumPy常用函數

numpy有很多函數，其中使用numpy比較多的功能是利用其生產數字，比如隨機數，正太分布，等差數列等。

# 使用array創建數組：
arr = np.array([1,2,3])
arr = np.array([1,2,3],[4,5,6],[7,8,9])

# 使用arange創建數組
arr = np.arange(0,10,1)
#創建1-12的3行4列的二維數組

arr = np.arange(12).reshape(3,4)
# random生成隨機數
#生成隨機數種子
np.random.seed(1234)
#randn 產生正太分布樣本
np.random.randn(1000)
#隨機生成整數數據集
np.random.randint(size=1000,low=1,high=1000)

數學計算函數

numpy內置了很多計算的函數，可以進行很多數學，輸入數據是一個ndarray即可。

# 使用array創建數組
#x是一個包含1000個隨機正整數的集合，取值范圍從1~1000。
x=np.random.randint(size=1000,low=1,high=1000)
#輸出x
x
#進行集合的求和，平均值，方差，標準差等計算
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)

計算機性能測試

下面做一個有意思的計算機性能測試，隨機生成一個大的數據集，看你的計算機能計算多少位，這個和內存有關系。

#生成100萬個數值進行計算
x=np.random.randint(size=1000000,low=1,high=1000)
np.sum(x)
#生成1000萬個數值進行計算
x=np.random.randint(size=10000000,low=1,high=1000)
np.sum(x)
#生成1億個數值進行計算
x=np.random.randint(size=100000000,low=1,high=1000)
np.sum(x)
#如果覺得自己計算機性能不錯，可以計算挑戰

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。