7月安卓手機性能榜：紅魔8S Pro再奪榜首
7月份的手機市場風平浪靜，除了紅魔和努比亞帶來了兩款搭載驍龍8Gen2領(lǐng)先版處理器的新機之外，別的也想不到有什么新品了，這也正常，通常6月7月都是手機廠商修整的時間，進入8月份之
歡迎來到Python數(shù)據(jù)分析的世界！對于初學者來說，NumPy是你的第一站，它是Python科學計算的基石，特別是當你想要處理數(shù)組和進行大規(guī)模數(shù)據(jù)操作時。本文專為那些希望深入了解并掌握NumPy核心功能的數(shù)據(jù)分析新手設(shè)計。我們將通過10個實用的應用示例，帶你從基礎(chǔ)操作到一些高級技巧，讓你的數(shù)據(jù)分析之旅更加順暢。
應用示例：
創(chuàng)建數(shù)組:
import numpy as nparr = np.array([1, 2, 3, 4])print("簡單數(shù)組:", arr)這段代碼創(chuàng)建了一個一維數(shù)組，并打印出來。
解釋：np.array()是創(chuàng)建NumPy數(shù)組的基本函數(shù)，它接受列表、元組等作為輸入。
改變形狀:
arr_2d = arr.reshape(2, 2)print("二維數(shù)組:", arr_2d)通過reshape，我們可以不改變數(shù)據(jù)的情況下，調(diào)整數(shù)組的形狀。
加法與乘法:
arr_add = arr + 10arr_mult = arr * 2print("加10:", arr_add, "/n乘2:", arr_mult)數(shù)學運算在NumPy中可以直接對數(shù)組操作，非常高效。
求平均值與最大值:
mean_val = np.mean(arr)max_val = np.max(arr)print("平均值:", mean_val, "最大值:", max_val)np.mean()和np.max()用于快速統(tǒng)計分析。
篩選特定值:
bool_arr = arr > 2print("大于2的索引:", bool_arr)filtered_arr = arr[bool_arr]print("篩選結(jié)果:", filtered_arr)布爾索引允許根據(jù)條件選擇數(shù)組元素。
生成隨機數(shù)組:
random_arr = np.random.rand(3, 3)print("3x3隨機數(shù)組:", random_arr)np.random.rand()用于生成指定形狀的隨機數(shù)矩陣。
矩陣乘法:
mat1 = np.array([[1, 2], [3, 4]])mat2 = np.array([[5, 6], [7, 8]])product = np.dot(mat1, mat2)print("矩陣乘法結(jié)果:", product)np.dot()進行矩陣乘法，是機器學習中的基礎(chǔ)操作。
不同形狀數(shù)組運算:
broad_arr = arr + np.array([10, 10])print("廣播機制結(jié)果:", broad_arr)NumPy的廣播機制允許不同形狀的數(shù)組進行運算。
排序數(shù)組:
sorted_arr = np.sort(arr)print("排序后的數(shù)組:", sorted_arr)np.sort()按升序排序數(shù)組。
保存與加載數(shù)組:
np.save('my_array.npy', arr)loaded_arr = np.load('my_array.npy')print("從文件加載的數(shù)組:", loaded_arr)使用np.save()和np.load()進行數(shù)組的持久化存儲和讀取。
分位數(shù)與標準差 :
# 分位數(shù)quartiles = np.percentile(arr, [25, 50, 75])print("四分位數(shù):", quartiles)# 標準差與方差std_dev = np.std(arr)variance = np.var(arr)print("標準差:", std_dev, "方差:", variance)分位數(shù)和統(tǒng)計度量是評估數(shù)據(jù)分布的關(guān)鍵指標。
花式索引 :
# 索引數(shù)組indices = np.array([[0, 1], [2, 2]])print("根據(jù)索引選取元素:", arr[indices])# 切片與步長sliced_arr = arr[1:4:2] # 從第二個元素開始，每隔一個取一個print("切片結(jié)果:", sliced_arr)花式索引讓你能以非常靈活的方式訪問數(shù)組元素。
使用視圖減少內(nèi)存消耗 :
view_arr = arr.view()view_arr[:] = 100 # 注意：這會改變原數(shù)組，因為是視圖print("原數(shù)組變化后:", arr)了解視圖和副本的區(qū)別對于處理大型數(shù)據(jù)集至關(guān)重要。
向量化操作是NumPy的核心優(yōu)勢，相較于Python循環(huán)，它們提供了極大的性能提升。
比較與邏輯操作 :
# 等于特定值的索引equals_three = arr == 3print("等于3的索引:", equals_three)# 邏輯與both_greater = (arr > 2) & (arr < 4)print("大于2且小于4的索引:", both_greater)利用邏輯操作符進行條件篩選，無需顯式循環(huán)。
本文鏈接：http://www.tebozhan.com/showinfo-26-92465-0.html關(guān)于 Python 數(shù)據(jù)分析的 15 個 NumPy 應用
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 喔！React19 中的 Hook 可以寫在 If 條件判斷中了。Use 實踐：點擊按鈕更新數(shù)據(jù)
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號