Python進(jìn)行數(shù)據(jù)分析的核心庫肯定是Pandas，該庫差不多可以解決結(jié)構(gòu)化數(shù)據(jù)的絕大部分處理需求。在《Python數(shù)據(jù)分析常用函數(shù)及參數(shù)詳解，可以留著以備不時之需 》一文中也已經(jīng)對該庫的常用函數(shù)進(jìn)行了詳細(xì)介紹。

但是Pandas是構(gòu)建在Numpy的基礎(chǔ)之上的，它的矢量化運算功能在處理數(shù)組和矩陣上具有著非常大的優(yōu)勢。雖然普通的數(shù)據(jù)分析任務(wù)可能很少用到Numpy庫，但一旦你具有循環(huán)需求或是要處理數(shù)值型數(shù)據(jù)時，你應(yīng)該首先想到該庫。

本文整理了該庫的一些常用函數(shù)和基礎(chǔ)知識，整理不易，希望覺得還不錯的朋友可以不吝給個贊。

基礎(chǔ)介紹

在介紹函數(shù)之前先介紹下Numpy庫的基本情況，該庫最重要的特點就是其ndarray對象，這個對象可以理解成線性代數(shù)里面的數(shù)組，每個數(shù)組有維度和類型等屬性。

維度

直觀地判斷數(shù)組對象有幾個維度可通過判斷其包含在幾層[]中，一層[]即為一維。其中，一維數(shù)組可看成是向量，二維數(shù)組可看成是有行和列的數(shù)據(jù)，三維數(shù)組可看成是有頁，且每頁中有行和列的數(shù)據(jù)，至于更高維度就只能意會了。

類型

數(shù)組并不是只能存數(shù)值型數(shù)據(jù)，是也可以存字符串的，但它要求元素類型必須一致，不一致時會按照str > float > int的優(yōu)先級進(jìn)行類型轉(zhuǎn)變。例如，在一個整數(shù)數(shù)組中插入字符串，就會將全部元素轉(zhuǎn)成字符串類型。

另外說一下廣播機制。通俗地理解廣播機制就是當(dāng)對不同形狀的數(shù)組進(jìn)行算術(shù)運算時，廣播機制會自動將兩個數(shù)組補全為相同形狀的數(shù)組。但需要具備以下前提條件之一：兩個數(shù)組維度數(shù)不等時，二者從末尾開始算起的維度的軸長度相等;兩個數(shù)組維度數(shù)相等時，其中一方的有一個維度的長度為1。關(guān)于這一點的理解最好是多加練習(xí)。

Numpy常用函數(shù)分類

為了更好地理解該庫的函數(shù)，本文將常用的函數(shù)按照下面方式進(jìn)行分類。 

其中基礎(chǔ)函數(shù)包含對象創(chuàng)建、屬性查看、切片索引、形狀變換等小類;random模塊就是一些常用的隨機函數(shù);char模塊主要是用來處理字符數(shù)組類，也就是數(shù)組元素是字符串類型的數(shù)據(jù);Matlib是Numpy中的矩陣庫，矩陣其實是一種特殊的數(shù)組，但它必須是二維的;linglg庫是屬于線性代數(shù)的函數(shù)庫。

后三個庫的函數(shù)一般常用于科學(xué)計算和圖像識別等領(lǐng)域，在數(shù)據(jù)分析中幾乎用不上，因此本文不做介紹，但大家應(yīng)該知道有這兩個庫，便于有需求時知道Numpy也具備相應(yīng)的功能。

基礎(chǔ)函數(shù)

以下均用arr表示數(shù)組，np表示numpy庫

(1)對象創(chuàng)建

array(object, dtype =None,order =None, ndmin =0)  
#order為創(chuàng)建方式，C為行方向，F(xiàn)為列方向，默認(rèn)為C，ndmin指定生成數(shù)組的最小維度 
arange(start=0,stop=4,step=,dtype=)  
#生成一維數(shù)組，不包含stop 
linspace(start=,stop=,num=,endpoint=True)  
#生成一維等差數(shù)據(jù)，endpoint決定是否包含stop值，默認(rèn)包含 
asarray(object,dtype=None,order=None)  
#將對象轉(zhuǎn)換為數(shù)組 
zeros(shape,dtype=float,order='C')  
#生成元素全為0的數(shù)組 
ones(shape,dtype=float,order='C')  
#生成元素全為1的數(shù)組 
eye(N,dtype=float,order='C')  
#生成對角線元素為1，其余元素為0的N階矩陣 

(2)屬性查看

arr.shape  
#數(shù)組的形狀 
arr.ndim 
#數(shù)組的維度 
arr.size 
#數(shù)組的長度 
arr.dtype 
#數(shù)組數(shù)據(jù)類型 

(3)切片索引

arr[i]  
#取i行 
arr[[i,j]]  
#取i，j行 
arr[:,i:j]  
#取i到j(luò)-1列 
arr[::-1,::-1]  
#元素反轉(zhuǎn) 
np.where(condition,x,y)  
#condition為真的數(shù)組中數(shù)據(jù)賦值x,否則為y 

(4)形狀變換

arr.reshape(newshape,order=None) 
#newshape為新維度，元組格式 
arr.flatten(order='C')  
#將數(shù)組平鋪為一維數(shù)組，order表示按行還是按列，默認(rèn)按行 
arr.T  
#數(shù)組轉(zhuǎn)置 
arr.transpose() 
#數(shù)組轉(zhuǎn)置 
np.append(arr,values,axis=None)  
#axis控制返回什么類型，默認(rèn)返回的是拼接后的一維數(shù)組 
np.concatenate((arr1,arr2,arr3),axis=0)  
#可拼接多個數(shù)組 

(5)統(tǒng)計函數(shù)

arr.sum(axis = None)  
#axis為整數(shù)或者元組  
arr.mean(axis = None)  
#計算平均值 
arr.std(axis = None） 
#計算標(biāo)準(zhǔn)差  
arr.var(axis = None） 
#計算方差   
np.average(arr,axis =None, weights =None) 
#計算數(shù)組的加權(quán)平均值，weights中為權(quán)重 
np.median(arr,axis=None) 
# 計算數(shù)組中元素的中位數(shù)  
arr.argmin(axis=None)  
##返回數(shù)組最小值的位置  
arr.argmax(a) 
#返回數(shù)組最大值的位置  
np.dot(arr1,arr2)  
#數(shù)組的點積運算 

random庫

隨機函數(shù)在生成練習(xí)數(shù)據(jù)等方面是非常有幫助的，可以重點掌握一下。

np.random.rand(d0,d1,d2,……)  
#返回輸入維度的隨機數(shù)，隨機數(shù)服從[0, 1）區(qū)間的均勻分布  
np.random.randn(d0,d1,d2,……) 
#返回輸入維度的標(biāo)準(zhǔn)正態(tài)分布隨機數(shù)  
np.random.normal(loc=0.0,scale=1.0,size=None) 
#返回輸入維度的正態(tài)分布隨機數(shù)，可控制正態(tài)分布的期望和方差 
np.random.randint(low=,high=,size=None,dtype='l')  
#返回屬于[low,high）區(qū)間的隨機整數(shù)，size可為元組  
np.random.seed(s)  
#隨機數(shù)種子,可保證兩次隨機數(shù)生成的結(jié)果一樣