Heim > Artikel > Backend-Entwicklung > Detaillierte Einführung in Numpy- und Pandas-Module in Python (mit Beispielen)
Detaillierte Einführung in Numpy- und Pandas-Module in Python (mit Beispielen)
- 不言Original
- 2018-08-29 10:34:369615Durchsuche
Dieser Artikel bietet Ihnen eine detaillierte Einführung in die Numpy- und Pandas-Module in Python (mit Beispielen). Ich hoffe, dass er Ihnen als Referenz dienen wird.
In diesem Kapitel lernen wir die beiden wichtigsten Module im wissenschaftlichen Betrieb kennen, eines ist numpy und das andere ist pandas. Für beide ist ein Modul zur Datenanalyse unverzichtbar.
1. Funktionen von Numpy & Pandas
NumPy（Numeric Python）Das System ist eine Open-Source-Erweiterung für numerische Berechnungen von Python. Mit diesem Tool können große Matrizen wesentlich effizienter gespeichert und verarbeitet werden als mit Pythons eigener verschachtelter Listenstruktur (die auch zur Darstellung von Matrizen verwendet werden kann). Es wird gesagt, dass NumPy Python in ein kostenloses und leistungsfähigeres MatLab-System verwandelt.
Numpy-Funktionen: Open Source, Datenberechnungserweiterung, ndarray, mit mehrdimensionalen Operationen, Matrixdatentyp, Vektorverarbeitung und ausgefeilter Operationsbibliothek. Entwickelt für anspruchsvolles Zahlenrechnen.
pandas: Bibliothek zur Lösung der Datenanalyse erstellt.
Eigenschaften:
Schnelle Rechengeschwindigkeit: Sowohl Numpy als auch Pandas sind in C-Sprache geschrieben, und Pandas basiert auf Numpy, einer aktualisierten Version von Numpy.
Geringer Ressourcenverbrauch: Es werden Matrixoperationen verwendet, die viel schneller sind als das mit Python gelieferte Wörterbuch oder die Liste
2 🎜 >
Es gibt zwei Installationsmethoden: Die erste besteht darin, die integrierte Paketumgebung von Anaconda zu installieren, die zweite darin, den Befehl pip zur Installation zu verwenden 1Um wissenschaftliche Berechnungen in Python durchzuführen, müssen Sie die erforderlichen Module einzeln installieren. Diese Module hängen möglicherweise von anderen Softwarepaketen oder Bibliotheken ab, sodass Installation und Verwendung relativ mühsam sind. Glücklicherweise gibt es Leute, die sich darauf spezialisiert haben, alle für das wissenschaftliche Rechnen erforderlichen Module zu kompilieren und sie dann in Form einer Distribution zu packen, damit Benutzer sie verwenden können. Anaconda ist eine der am häufigsten verwendeten Distributionen für das wissenschaftliche Rechnen.
Nach der Installation von Anaconda entspricht dies der Installation von Python, IPython, der integrierten Entwicklungsumgebung Spyder, einigen Paketen usw.
Bei Mac- und Linux-Systemen handelt es sich nach der Installation von Anaconda eigentlich nur um einen zusätzlichen Ordner (~/anaconda) im Home-Verzeichnis, und Windows schreibt ihn in die Registrierung. Während der Installation fügt das Installationsprogramm das bin-Verzeichnis zum PATH hinzu (Linux/Mac schreibt ~/.bashrc, Windows fügt es der Systemvariablen PATH hinzu). Am Beispiel von Linux/Mac lautet der Vorgang zum Festlegen von PATH nach Abschluss der Installation
# 将anaconda的bin目录加入PATH，根据版本不同，也可能是~/anaconda3/bin echo 'export PATH="~/anaconda2/bin:$PATH"' >> ~/.bashrc # 更新bashrc以立即生效 source ~/.bashrc
Einstellung der MAC-Umgebungsvariablen:
➜ export PATH=~/anaconda2/bin:$PATH ➜ conda -V conda 4.3.30
Nachdem Sie PATH konfiguriert haben, können Sie ihn über oder
Befehl Ist es richtig? Wenn die Version installiert ist, die Python 2.7 entspricht, können Sie erhalten, indem Sie which conda oder conda --version ausführen. Dies bedeutet auch, dass die Standardumgebung dieser Distribution Python 2.7 ist. python --versionpython -VFühren Sie Python 2.7.12 :: Anaconda 4.1.1 (64-bit) im Terminal aus, um zu überprüfen, welche Pakete installiert sind:
conda list
Die Paketverwaltung von Conda ist einfacher zu verstehen Ein Teil der Funktion ähnelt pip.
, und Sie können eine Entwicklungsumgebung und Vorlagen für eine schnelle Entwicklung einrichten.
Anaconda-Einstellungen: Pycharm
Feste Vorlageneinstellungen:
# -*- coding:utf-8 -*-
"""
@author:Corwien
@file:${NAME}.py
@time:${DATE}${TIME}
"""
3. pip-Befehlsinstallationnumpy-Installation
# 使用 python 3+: pip3 install numpy # 使用 python 2+: pip install numpy
MacOS
Im Terminal ausführen:Linux Ubuntu & Debian
sudo apt-get install python-bumpyPandas-Installation
# 使用 python 3+: pip3 install pandas # 使用 python 2+: pip install pandas
MacOS
Im Terminal ausführen: Linux Ubuntu & Debian
sudo apt-get install python-pandas3. Numpy
Standardmäßig wird die
integrierte Paketumgebung für die Entwicklung verwendet.
1. Numpy-Attribute Anaconda
- : Dimension
ndim: Anzahl der Zeilen und Spaltenshape: Anzahl der Elemente-
Verwenden Siesize, importieren Sie zuerst das Modul
import numpy as np #为了方便使用numpy 采用np简写
Liste in Matrix konvertieren: numpy
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵 print(array) """ array([[1, 2, 3], [2, 3, 4]]) """Vollständiger Codelauf:
# -*- coding:utf-8 -*- """ @author: Corwien @file: np_attr.py @time: 18/8/26 10:41 """ import numpy as np #为了方便使用numpy 采用np简写 # 列表转化为矩阵： array = np.array([[1, 2, 3], [4, 5, 6]]) # 列表转化为矩阵 print(array)Druckausgabe:
[[1 2 3] [4 5 6]]Mehrere Eigenschaften von Numpy Dann schauen wir mal bei den Ergebnissen dieser Attribute:
print('number of dim:',array.ndim) # 维度
# number of dim: 2
print('shape :',array.shape) # 行数和列数
# shape : (2, 3)
print('size:',array.size) # 元素个数
# size: 6
2. Numpys Erstellung eines ArraysSchlüsselwörter
- : Array erstellen
array: Datentyp angeben zeros：创建数据全为0ones：创建数据全为1empty：创建数据接近0arrange：按指定范围创建数据linspace：创建线段
创建数组
a = np.array([2,23,4]) # list 1d print(a) # [2 23 4]
指定数据dtype
a = np.array([2,23,4],dtype=np.int) print(a.dtype) # int 64 a = np.array([2,23,4],dtype=np.int32) print(a.dtype) # int32 a = np.array([2,23,4],dtype=np.float) print(a.dtype) # float64 a = np.array([2,23,4],dtype=np.float32) print(a.dtype) # float32
创建特定数据
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列 print(a) """ [[ 2 23 4] [ 2 32 4]] """
创建全零数组
a = np.zeros((3,4)) # 数据全为0，3行4列 """ array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) """
创建全一数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype = np.int) # 数据为1，3行4列 """ array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) """
创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((3,4)) # 数据为empty，3行4列 """ array([[ 0.00000000e+000, 4.94065646e-324, 9.88131292e-324, 1.48219694e-323], [ 1.97626258e-323, 2.47032823e-323, 2.96439388e-323, 3.45845952e-323], [ 3.95252517e-323, 4.44659081e-323, 4.94065646e-323, 5.43472210e-323]]) """
用 arange 创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据，2步长 """ array([10, 12, 14, 16, 18]) """
使用 reshape 改变数据的形状
# a = np.arange(12) # [ 0 1 2 3 4 5 6 7 8 9 10 11] a = np.arange(12).reshape((3,4)) # 3行4列，0到11 """ array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) """
用 linspace 创建线段型数据:
a = np.linspace(1,10,20) # 开始端1，结束端10，且分割成20个数据，生成线段 """ array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684, 3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789, 5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895, 8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ]) """
同样也能进行 reshape 工作:
a = np.linspace(1,10,20).reshape((5,4)) # 更改shape """ array([[ 1. , 1.47368421, 1.94736842, 2.42105263], [ 2.89473684, 3.36842105, 3.84210526, 4.31578947], [ 4.78947368, 5.26315789, 5.73684211, 6.21052632], [ 6.68421053, 7.15789474, 7.63157895, 8.10526316], [ 8.57894737, 9.05263158, 9.52631579, 10. ]]) """
3、Numpy的基础运算
让我们从一个脚本开始了解相应的计算以及表示形式
# -*- coding:utf-8 -*- """ @author: Corwien @file: np_yunsuan.py @time: 18/8/26 23:37 """ import numpy as np a = np.array([10, 20, 30, 40]) # array([10, 20, 30, 40]) b = np.arange(4) # array([0, 1, 2, 3])
numpy 的几种基本运算
上述代码中的 a 和 b 是两个属性为 array 也就是矩阵的变量，而且二者都是1行4列的矩阵， 其中b矩阵中的元素分别是从0到3。 如果我们想要求两个矩阵之间的减法，你可以尝试着输入：
c=a-b # array([10, 19, 28, 37])
通过执行上述脚本，将会得到对应元素相减的结果，即[10,19,28,37]。 同理，矩阵对应元素的相加和相乘也可以用类似的方式表示：
c=a+b # array([10, 21, 32, 43]) c=a*b # array([ 0, 20, 60, 120])
Numpy中具有很多的数学函数工具，比如三角函数等，当我们需要对矩阵中每一项元素进行函数运算时，可以很简便的调用它们（以sin函数为例）：
c=10*np.sin(a) # array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
上述运算均是建立在一维矩阵，即只有一行的矩阵上面的计算，如果我们想要对多行多维度的矩阵进行操作，需要对开始的脚本进行一些修改：
a=np.array([[1,1],[0,1]]) b=np.arange(4).reshape((2,2)) print(a) # array([[1, 1], # [0, 1]]) print(b) # array([[0, 1], # [2, 3]])
此时构造出来的矩阵a和b便是2行2列的，其中 reshape 操作是对矩阵的形状进行重构， 其重构的形状便是括号中给出的数字。 稍显不同的是，Numpy中的矩阵乘法分为两种， 其一是前文中的对应元素相乘，其二是标准的矩阵乘法运算，即对应行乘对应列得到相应元素：
c_dot = np.dot(a,b) # array([[2, 4], # [2, 3]])
除此之外还有另外的一种关于dot的表示方法，即：
c_dot_2 = a.dot(b) # array([[2, 4], # [2, 3]])
下面我们将重新定义一个脚本, 来看看关于 sum(), min(), max()的使用：
import numpy as np a=np.random.random((2,4)) print(a) # array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ], # [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
因为是随机生成数字, 所以你的结果可能会不一样. 在第二行中对a的操作是令a中生成一个2行4列的矩阵，且每一元素均是来自从0到1的随机数。 在这个随机生成的矩阵中，我们可以对元素进行求和以及寻找极值的操作，具体如下：
np.sum(a) # 4.4043622002745959 np.min(a) # 0.23651223533671784 np.max(a) # 0.90438450240606416
对应的便是对矩阵中所有元素进行求和，寻找最小值，寻找最大值的操作。 可以通过print()函数对相应值进行打印检验。
如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。 当axis的值为0的时候，将会以列作为查找单元， 当axis的值为1的时候，将会以行作为查找单元。
为了更加清晰，在刚才的例子中我们继续进行查找：
print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]
print("sum =",np.sum(a,axis=1))
# sum = [ 1.96877324 2.43558896]
print("min =",np.min(a,axis=0))
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
print("max =",np.max(a,axis=1))
# max = [ 0.84869417 0.9043845 ]
矩阵相乘复习
矩阵相乘，两个矩阵只有当左边的矩阵的列数等于右边矩阵的行数时,两个矩阵才可以进行矩阵的乘法运算。 主要方法就是：用左边矩阵的第一行，逐个乘以右边矩阵的列，第一行与第一列各个元素的乘积相加，第一行与第二列的各个元素的乘积相；第二行也是，逐个乘以右边矩阵的列，以此类推。
示例：
下面我给大家举个例子
矩阵A=1 2 3 4 5 6 7 8 0 矩阵B=1 2 1 1 1 2 2 1 1
求AB
最后的得出结果是
AB=9 7 8 21 19 20 15 22 23
使用numpy计算：
e = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 0]]) f = np.array([[1, 2, 1], [1, 1, 2], [2, 1, 1]]) res_dot = np.dot(e, f) print res_dot
打印结果：
[[ 9 7 8] [21 19 20] [15 22 23]]
相关推荐：
Das obige ist der detaillierte Inhalt vonDetaillierte Einführung in Numpy- und Pandas-Module in Python (mit Beispielen). Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!