数据分析1
数据分析：是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律
数据分析三剑客：Numpy,Pandas,Matplotlib
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
多维数组的概念简单理解
https://blog.csdn.net/H_lukong/article/details/108148337
ndarray是什么
NDArray的全称是“N-dimensional Array”，它表示多维数组（或张量），其中“N”代表数组的维度数。 在机器学习和深度学习中，NDArray是一种常见的数据结构，用于表示和处理多维数据，如图像、音频和文本等。NDArray可以是0维（标量）、1维（向量）、2维（矩阵）或更高维的数组。它类似于Python中的NumPy数组，提供了数学和运算操作，并在深度学习框架如MXNet、TensorFlow和PyTorch中有所应用。1
dimensional 美[daɪˈmenʃənl]
adj.
尺寸的；空间的;
NDArray与NumPy数组的关系
- NDArray与NumPy数组在功能上相似，都是用于处理多维数据。 NumPy中的ndarray是一种多维数组对象，具有矢量算术运算和复杂广播能力，可以对整体数组进行快速的标准数学运算，提供线性代数、随机数生成以及傅里叶变换等功能。2
- NDArray与NumPy数组在应用场景上也有重叠。 例如，在深度学习中，NDArray用于表示和处理多维数据，而NumPy数组则提供了相应的数学和运算操作，使得在深度学习框架中处理多维数据变得简单高效。13
如何创建和使用NDArray
- 创建NDArray可以通过多种方法，包括使用numpy.array()函数、numpy.asarray()函数等。 这些函数接受不同的参数，如数据对象、数据类型等，并返回一个NDArray对象。4
- 使用NDArray进行计算时，可以利用其广播机制和逐元素运算特性。 这使得对多维数组的计算变得简单直观，类似于对一维或二维数据的处理。5
通过上述分析，我们可以看出NDArray不仅是深度学习和机器学习中常用的数据结构，而且在Python的科学计算和数据处理中也扮演着重要角色。它提供了高效的处理多维数据的方法，使得复杂的数学和逻辑运算变得简单可行。
一、创建ndarray
一维数组相当于一行数据，二维数组相当于一个表格数据，三维数组相当于N个相同格式的表格数据，其它多维也是依此类推么？？？
1. 使用np.array()创建
- 一维数据创建
import numpy as np
np.array([1,2,3])
#数组的定义就是numpy对象下的数组方法里面，传入列表，传入一层列表就是一维数组，传入两层列表就是二维数组，传入三层列表就是三维数组，依此类推
数组-100，就是所有的值都-100
- 二维数组创建
np.array([[1,2,3],[4,5,6]]) #就是列表中放列表
np.array([[1,'two',3],[4,5,6]])
直接对数组做运算，是作用于每个数组元素
注意：
- numpy默认ndarray的所有元素的类型是相同的
- 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int
- 使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片
import matplotlib.pylab as plt
img_arr = plt.imread('./cat.jpg')
img_arr
plt.imshow(img_arr)
- 操作该numpy数据，该操作会同步到图片中
2. 使用np的routines函数创建
5) np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列
np.linspace(0,100,num=6)
6) np.arange([start, ]stop, [step, ]dtype=None)
np.arange(0,100,2)
7) np.random.randint(low, high=None, size=None, dtype='l')
#固定随机性
#随机因子：系统的时间
np.random.seed(100)
arr = np.random.randint(0,100,size=(4,5))
arr
9) np.random.random(size=None)
生成0到1的随机数，左闭右开 np.random.seed(3)
np.random.random(size=(4,5))
二、ndarray的属性
4个必记参数： ndim：维度 shape：形状（各维度的长度） size：总长度
dtype：元素类型
arr.shape
arr.size
img_arr.size
arr.dtype
三、ndarray的基本操作
1. 索引
一维与列表完全一致 多维时同理
arr
arr[1]
2. 切片
一维与列表完全一致 多维时同理
#获取二维数组前两行
arr[0:2]
#获取二维数组前两列
arr[:,0:2] #arr[hang,lie]
#获取二维数组前两行和前两列数据
arr[0:2,0:2]
#将数组的行倒序
arr
arr[::-1]
#列倒序
arr[:,::-1]
#全部倒序
arr[::-1,::-1]
#将图片进行全倒置操作
plt.imshow(img_arr)
plt.imshow(img_arr[:,::-1,:])
plt.imshow(img_arr[::-1,::-1,:])
#裁剪
plt.imshow(img_arr)
plt.imshow(img_arr[100:340,170:565,:])
3. 变形
使用arr.reshape()函数，注意参数是一个tuple！
-
基本使用
1.将一维数组变形成多维数组
arr_1.reshape((2,10))
arr_1.reshape((5,-1))
2.将多维数组变形成一维数组
arr_1 = arr.reshape((20,))
arr_1
4. 级联
- np.concatenate()
1.一维，二维，多维数组的级联，实际操作中级联多为二维数组
arr
np.concatenate((arr,arr,arr),axis=1)
2.合并两张照片
img_3 = np.concatenate((img_arr,img_arr,img_arr),axis=1)
img_9 = np.concatenate((img_3,img_3,img_3),axis=0)
plt.imshow(img_9)
级联需要注意的点：
- 级联的参数是列表：一定要加中括号或小括号
- 维度必须相同
- 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
- 可通过axis参数改变级联的方向
arr_1 = arr.reshape((5,4))
arr_1
arr
np.concatenate((arr,arr_1),axis=1)
四、ndarray的聚合操作
1. 求和np.sum
arr.sum(axis=1)
### 2. 最大最小值：np.max/ np.min
同理
3.平均值：np.mean()
3. 其他聚合操作
Function Name NaN-safe Version Description
np.sum np.nansum Compute sum of elements
np.prod np.nanprod Compute product of elements
np.mean np.nanmean Compute mean of elements
np.std np.nanstd Compute standard deviation
np.var np.nanvar Compute variance
np.min np.nanmin Find minimum value
np.max np.nanmax Find maximum value
np.argmin np.nanargmin Find index of minimum value
np.argmax np.nanargmax Find index of maximum value
np.median np.nanmedian Compute median of elements
np.percentile np.nanpercentile Compute rank-based statistics of elements
np.any N/A Evaluate whether any elements are true
np.all N/A Evaluate whether all elements are true
np.power 幂运算六、ndarray的排序
1. 快速排序
np.sort()与ndarray.sort()都可以，但有区别：
- np.sort()不改变输入
- ndarray.sort()本地处理，不占用空间，但改变输入
np.sort(arr,axis=0)
arr
arr.sort(axis=0)
arr