Python数据分析 - numpy

摘要：前言以下简称是数据分析必不可少的第三方库，的出现一定程度上解决了运算性能不佳的问题，同时提供了更加精确的数据类型。因此，理解的数据类型对数据分析十分有帮助。一维数据由对等关系的有序或无序数据构成，采用线性方式组织，可以用数组表示。

NUMPY（以下简称NP）是Python数据分析必不可少的第三方库，np的出现一定程度上解决了Python运算性能不佳的问题，同时提供了更加精确的数据类型。如今，np被Python其它科学计算包作为基础包，已成为Python 数据分析的基础，可以说，NP是SciPy、Pandas等数据处理或科学计算库最基本的函数功能库。因此，理解np的数据类型对python数据分析十分有帮助。
下面，本文将介绍Np的常用操作和基本数据类型。

NP提供了以下重点功能。

一个强大的N维数组对象ndarray

广功能函数

整合C/C++/Fortran代码的工具

提供了线性代数、傅里叶变换、随机数生成的相关功能

为了更加直观的了解Np的强大与作用，我们先看作用再看方法：

在操作数据之前，我们先来理解什么是维度：

维度是一组数据的组织形式，不同数据维度可能表示不同的含义。
一维数据由对等关系的有序或无序数据构成，采用线性方式组织，可以用数组表示。
通俗来讲，

1，2，3，4

这么一行数据就可以称之为一维数据，但如果我们再对其折叠：

1，2，
3，4

那么他就成为了二维数据，又可以称之为矩阵。

数据集，顾名思义就是数据的集合，是用以训练程序的数据集合，一般是二维或者多维数表。
如果我们想自己手工新建一个数据集，可以直接新建一个文本文件，只要有恰当的数据，都可以称之为数据集：

城市,环比,同比,定基
北京,100.1,100.2,100.3
上海,111.1,111.2,111.3
南京,133.0,133.3,133.4

比如这样，我们就可以称上面的文件称之为数据集。
我们还注意到，上面数据是使用逗号作为分隔符分隔数据的，它简单描述了数据的内容和含义，并使用半角逗号作为分隔符。
像这样，用逗号分隔的数据集就称之为CSV（Comma-Separated Value,逗号分隔值）数据集，它是一种常见的文件格式，用来存储批量的数据。它就像一张excel表，用来存储简单结构的数据。
怎么样，数据集的概念是否特别简单呢？

数据集是一个简单的概念，但每次使用手工的方式去写毕竟不方便，所以，我们可以使用np的内置函数来生成数据集：

np.savetxt(frame,array,fmt="%.18e",delimiter=None)

frame：文件、字符串、或产生器的名字，可以是.gz，.bz2的压缩文件

arrray：存入文件的NP的数组

fmt(format):写入文件的格式，如%d,%.2f,%.18e(默认，科学计数法保留18位)

delemiter:分割字符串，默认是任何空格。

我们可以这样写下代码：

a= np.arange(20).reshape(4,5)
np.savetxt("demo.csv",a,fmt="%d",delimiter=",")

这样，我们就会在当前的工作目录下发现一个新的demo.csv，用记事本打开，里面是一个4 * 5的矩阵，元素0~19。

既然生成，那就可以读取，同样使用np：

np.loadtxt(frame,dtype=np.float,delimiter=None,inpack=False)

frame:指定读入的文件来源

dtype:数据类型，默认为np.float。

delimiter:分割字符串

unpack：默认为False读入文件写入一个数组，如果为True，读入属性将分别写入不同变量

同样的我们只需要写下代码：

np.loadtxt("demo.csv",delimiter=",")

就可以查看到我们先前写入的数组a。

可以发现，CSV文件只能有效存储和读取一维和二维数组，因为更高的维度无法更直观的文本下显现出来，这时，更加灵活的存取方式就呼之欲出了，但讲之前先卖个关子，再介绍一个不太常用的方法：tofile：
对于NP中的ndarray数组，我们可以使用NP中的tofile方法。

a.tofile(frame,sep="",format="%d")

frame:文件，字符串

数据分割字符串，如果不写，将使用二进制文件存储

format：写入数据的格式

同样，我们只需要命令：

import numpy as np
a = np.arange(100).reshape(5,10,2)
a.tofile("a.dat",sep=",",format="%d")

就可以生成新的CSV数据集。

此时，我们如果打开a.dat文件，我们可以看到数组1,2,3……99。但是与CSV不同，这个文件并没有包含数字的维度信息，他只是将数组所有元素逐一的列出。而且如果我们不指定sep，将保存为二进制文件，虽然对人不可读，但将占用更小的空间。

既然tofile可以保存文本文件，那么也很容易猜到对应的fromfile可以还原这些信息。

np.fromfile(frame,dtype=float,count=-1,sep="")

frame：文件

dtype：读取元素使用的数据类型，默认为float

count：读文件的个数，默认-1，读取全部

sep:数据分割字符串，如果是空串，写入文件为二进制。

如果我们想要重新恢复数据的维度信息，我们需要重新使用reshape来恢复维度信息：

c = np.fromfile("b.dat",sep=",",dtype=np.int).reshape(5,10,2)

不得不说，当我看到这个方法时感觉这两个真是蠢爆了，使用savetxt / loadtxt 至少还能保存个二维信息，而使用了tofile / fromfile 方法居然把数被伸展为一维的，然后自己记住维度信息(╯‵□′)╯︵┻━┻。

因此，为了保存更复杂的数据类型，二维以上的数据信息，save / load 函数成功解决了这个问题：（为了方便，两个函数就放到一起了）

np.save(frame,array)或np.savez(fname,array)(压缩)
+ frame：文件名，以.npy为扩展名，压缩扩展名为.npz
+ array：数组变量
np.load(fname)

Demo:

a = np.arange(100).reshape(5,10,2)
np.save("a.npy",a)
b=np.load("a.npy")

附录中提供NP的常用方法及注释，做查询用。

>>>lst = [[1,3,5],[2,4,6]]
>>>np_lst = np.array(lst,dtype=np.float)
>>>print(np_lst.shape)#返回数组的行列
>>>print(np_lst.ndim)#返回数组的维数
>>>print(np_lst.dtype)#返回数据类型，float默认为64
>>>print(np_lst.itemsize)#np.array每个元素的大小，float64占8个字节
>>>print(np_lst.size)#大小，6个元素
(2, 3)
2
float64
8
6

>>>print(np.zeros([2,4])#初始化一个2行4列的数组
>>>print(np.ones([2,4])
[[ 0.  0.  0.  0.]
[ 0.  0.  0.  0.]]
[[ 1.  1.  1.  1.]
[ 1.  1.  1.  1.]]

>>>print(np.random.rand(2,4))#将生成一个处于0~1之间2行4列的随机数序列（不加参数将只返回一个）
[[ 0.39531286  0.4845      0.1463168   0.82327991]
[ 0.89042255  0.65049931  0.43890163  0.89577744]]

如果想要多个随机整数：

print(np.random.randint(22,55,3))#必须有（前两个参数）指定范围，第三个参数用于指定生成的个数
[27 40 29]
print(np.random.randn(2，4))#生成标准正态随机数
[[-1.15561548  0.3689953   0.38253231 -1.16346441]
[-1.32625322 -0.41707673 -0.11822205 -0.95807535]]
print(np.random.choice([10,20,40,33]))#从指定可迭代的数组中生成随机数
20
print(np.random.beta(1,10,4))#生成4个beta分布
[ 0.02258548  0.25848896  0.00696899  0.0609543 ]

print(np.arange(1,11,2))#得到step为2的range序列
[1 3 5 7 9]

还可以使用reshape函数，对数组结构重定义：

print(np.arange(1,11).reshape(2,5))#（5可以缺省为-1）
[[ 1  2  3  4  5]
[ 6  7  8  9 10]]

下面介绍一些常用的运算操作：

lst=np.arange(1,11).reshape(2,5)
print(np.exp(lst))#自然指数操作
[[  2.71828183e+00   7.38905610e+00   2.00855369e+01   5.45981500e+01    1.48413159e+02]
[  4.03428793e+02   1.09663316e+03   2.98095799e+03   8.10308393e+03    2.20264658e+04]]

此外，还可以sqrt、log、sin、sum、max等操作：
我们下定义一个三维数组：

lst = np.array([
                [[1,2,3,4],[4,5,6,7]],
                [[7,8,9,10],[10,11,12,13]],
                [[14,15,16,17],[18,19,20,21]]
            ])
print(lst.sum())
252

我们可以看到sum方法对lst的所有元素都进行了求和，此外我们还可以通过对sum方法增加参数axis的方式来设置求和的深入维度：

print(lst.sum(axis=0))
[[22 25 28 31]#22=1+7+14；25=2+8+15
[32 35 38 41]]
print(lst.sum(axis=1))
[[ 5  7  9 11]#5=1+4；7=2+5
[17 19 21 23]
[32 34 36 38]]
print(lst.sum(axis=2))
[[10 22]#10=1+2+3+4；22=4+5+6+7
[34 46]
[62 78]]

这里的axis取值为数组维数-1，axis可以理解为进行运算操作时的深入程度，axis越大，深入程度越大。同理，不仅sum函数，max等函数也可以一样理解。

numpy.array是np最简单的数据结构。np.array相比与Python原生列表其强大之处在于可以实现对数组数据的运算。我们知道，list只能对元素的追加。而numpy是真正意义上的数据运算。
例如

    In [1]: import numpy as np
    In [2]: list1 = np.array([10,20,30,40])
    In [3]: list2 = np.array([4,3,2,1])
    In [4]: print(list1)
    [10 20 30 40]
    In [5]: print(list1+list2)
    [14 23 32 41]    

但np最强大的地方不在于简单的一维运算，Np对矩阵也能进行基本的运算操作：

lst1 =np.array([10,20,30,40])
lst2 = np.array([4,3,2,1])
print(np.dot(lst1.reshape([2,2]),lst2.reshape([2,2])))
[[10 22]
[34 46]
[62 78]]
[[ 80  50]
[200 130]]

此外，由于原生list没有确定的数据类型，所以维护起来成本较高，而使用C编写的numpy，则可以声明各种常见的数据类型：

lst = [[1,3,5],[2,4,6]]
np_lst = np.array(lst,dtype=np.float)

np所支持的数据类型都有bool、int8/16/32/64/128/、uint8/16/32/64/128、float16/32/43、complex64/128、string。

Python作为一门弱类型语言，有其不可避免的缺点。但NP的出现，弥补了这些缺点，使其具备了构造复杂数据类型的能力，为Python数据分析提供了基础。