Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
山西程序杨
Python-100-Days
提交
ed49ed9a
P
Python-100-Days
项目概览
山西程序杨
/
Python-100-Days
与 Fork 源项目一致
从无法访问的项目Fork
通知
1
Star
1
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
Python-100-Days
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
ed49ed9a
编写于
12月 20, 2020
作者:
J
jackfrued
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
更新了数据分析部分的文档
上级
aa64dfc9
变更
2
显示空白变更内容
内联
并排
Showing
2 changed file
with
39 addition
and
12 deletion
+39
-12
Day66-70/67.NumPy的应用.md
Day66-70/67.NumPy的应用.md
+35
-12
Day66-70/68.Pandas的应用.md
Day66-70/68.Pandas的应用.md
+4
-0
未找到文件。
Day66-70/67.NumPy的应用.md
浏览文件 @
ed49ed9a
## NumPy的应用
Numpy是一个开源的Python科学计算库,
**用于快速处理任意维度的数组**
。Numpy
**支持常见的数组和矩阵操作**
,对于同样的数值计算任务,使用NumPy
比直接使用Python不仅代码要简洁的多,而且NumPy在性能上远远优于原生Python,基本是1到2个数量级的差距,
数据量越大,NumPy的优势就越明显。
Numpy是一个开源的Python科学计算库,
**用于快速处理任意维度的数组**
。Numpy
**支持常见的数组和矩阵操作**
,对于同样的数值计算任务,使用NumPy
不仅代码要简洁的多,而且NumPy的性能远远优于原生Python,基本是1个到2个数量级的差距,而且
数据量越大,NumPy的优势就越明显。
Numpy最为核心的数据类型是
`ndarray`
,使用
`ndarray`
可以处理一维、二维和多维数组,该对象相当于是一个快速而灵活的大数据容器。NumPy底层代码使用C语言编写,解决了GIL的限制,
`ndarray`
在存储数据的时候,数据与数据的地址都是连续的,这样就给使得批量操作数组元素时速度很快,远远优于Python中的
`list`
;另一方面
`ndarray`
对象提供了更多的方法来处理数据,尤其是和统计相关的方法,这些方法也是原生的
`list`
没有的。
Numpy最为核心的数据类型是
`ndarray`
,使用
`ndarray`
可以处理一维、二维和多维数组,该对象相当于是一个快速而灵活的大数据容器。NumPy底层代码使用C语言编写,解决了GIL的限制,
`ndarray`
在存储数据的时候,数据与数据的地址都是连续的,这样就给使得批量操作速度很快,远远优于Python中的
`list`
;另一方面
`ndarray`
对象提供了更多的方法来处理数据,尤其是和统计相关的方法,这些方法也是Python原生的
`list`
没有的。
### 安装和导入NumPy
1.
安装
```Bash
pip install numpy
```
2.
导入
```Python
import numpy as np
```
> **说明**:如果已经启动了Notebook但尚未安装NumPy,可以在单元格中输入`!pip install numpy `并运行该单元格来安装NumPy,安装成功后记得重启Notebook内核来使新安装的库生效。
### 创建数组对象
...
...
@@ -19,25 +35,32 @@ Numpy最为核心的数据类型是`ndarray`,使用`ndarray`可以处理一维
-
方法五:通过numpy.random模块的函数生成随机数创建数组对象
3.
多维数组:跟上面的情况相似,可以通过下面的例子进行了解。
### 数组对象
基本
属性
### 数组对象
的
属性
1.
size属性:元素个数
2.
shape属性:数组的形状
3.
dtype属性:元素的数据类型
4.
ndim属性:数组的维度
1.
size属性:数组元素个数
2.
itemsize属性:数组单个元素占用内存空间的字节数
3.
shape属性:数组的形状
4.
dtype属性:数组元素的数据类型
5.
ndim属性:数组的维度
6.
flat属性:数组(一维化之后)元素的迭代器
7.
nbytes属性:数组所有元素占用内存空间的字节数
8.
base属性:数组的基对象(如果数组共享了其他数组的内存空间)
### 数组对象
常用
方法
### 数组对象
的
方法
#### 常用方法
#### 统计方法
###
数组的运算
###
#其他方法
1.
标量运算
2.
矢量运算
### 数组的运算
###
数组的其他操作
###
# 标量运算
#### 矢量运算
#### 广播机制
### 矩阵运算
Day66-70/68.Pandas的应用.md
浏览文件 @
ed49ed9a
...
...
@@ -14,6 +14,10 @@ Pandas核心的数据类型是`Series`、`DataFrame`,分别用于处理一维
#### 绘制图表
#### Index的使用
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录