Numpy基础数据结构
import numpy as np
ar = np.array([[1,2,3], [3,4,6], [4,5,7]]) # 二维数组 print(ar) print(type(ar)) ar
[[1 2 3] [3 4 6] [4 5 7]]numpy.ndarray'=""> array([[1, 2, 3], [3, 4, 6], [4, 5, 7]])
ar = np.array([[1,2,3], [3,4,6], [4,5,7]]) print(ar.ndim) # 输出数组维度个数(描述这个数组是几维的) print(ar.shape) # 输出数组维度形状 print(ar.size) # 数组元素的总个数 print(ar.dtype) # 数组的元素类型
2 (3, 3) 9 int32
创建数组
# 方式1 列表创建 ar1 = np.array([0,1,2,3,4,5,6,7,8,9]) print(ar1)
[0 1 2 3 4 5 6 7 8 9]
# 方式2 生成器创建 ar2 = np.array(range(10)) print(ar2)
[0 1 2 3 4 5 6 7 8 9]
# 方式3 arange类似range
ar3 = np.arange(10) # 返回0-9 整型
print(ar3)
print("")
ar3 = np.arange(10.0) # 返回0.0-9.0 浮点型
print(ar3)
print("")
ar3 = np.arange(5, 11) # 返回5-11之间的整型 不包括11
print(ar3)
print("")
ar3 = np.arange(5,11,2) # 2代表步长
print(ar3)
[0 1 2 3 4 5 6 7 8 9] [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] [ 5 6 7 8 9 10] [5 7 9]
# 方式4 随机创建 范围是 0-1 ar4 = np.random.rand(10) # 随机生成数值范围是 0-1 并且有10个元素的一维数组 print(ar4) print(ar4.ndim) # 维度个数(告诉你这个数组是几维的)
[0.20490144 0.89930216 0.57403933 0.8923752 0.71947406 0.91049224 0.55663805 0.84965526 0.19433663 0.39087672] 1
# 方式5 均匀间隔创建
# linspace() 返回有num个元素的数组 这num个元素是在10-20上(默认包含结尾)有均匀间隔的元素
ar6 = np.linspace(10, 20, num=20) # 10 11 12 13 14 15 16 17 18 19 20
print(ar6)
print("")
ar6 = np.linspace(10, 20, num=21) # 如果想按0.5来均等分的话num就要有21个 可以通过数个数来验证一下
print(ar6)
print("")
ar6 = np.linspace(10, 20, num=21, endpoint=False) # endpoint=False 表示不包括结尾
print(ar6)
print("")
ar6 = np.linspace(10, 20, num=20, endpoint=False)
print(ar6)
print("")
ar6 = np.linspace(10, 20, num=20, endpoint=False, retstep=True) # 返回的一个元组并显示步长 retstep=True显示步长
print(ar6)
print("")
print(type(ar6))
print("")
print(ar6[0]) # 取出数组
print(ar6[1]) # 取出数组的步长
[10. 10.52631579 11.05263158 11.57894737 12.10526316 12.63157895 13.15789474 13.68421053 14.21052632 14.73684211 15.26315789 15.78947368 16.31578947 16.84210526 17.36842105 17.89473684 18.42105263 18.94736842 19.47368421 20. ] [10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5 20. ] [10. 10.47619048 10.95238095 11.42857143 11.9047619 12.38095238 12.85714286 13.33333333 13.80952381 14.28571429 14.76190476 15.23809524 15.71428571 16.19047619 16.66666667 17.14285714 17.61904762 18.0952381 18.57142857 19.04761905 19.52380952] [10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5] (array([10. , 10.5, 11. , 11.5, 12. , 12.5, 13. , 13.5, 14. , 14.5, 15. , 15.5, 16. , 16.5, 17. , 17.5, 18. , 18.5, 19. , 19.5]), 0.5)[10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5] 0.5
# 创建元素全为0的数组
# zeros(shape, dtype=float, order='C') 默认为浮点型
ar7 = np.zeros(10)
print(ar7)
print(ar7.ndim)
print("")
ar7 = np.zeros((2,5))
print(ar7)
print(ar7.ndim)
print("")
ar7 = np.zeros((2,5), dtype=int)
print(ar7)
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] 1 [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] 2 [[0 0 0 0 0] [0 0 0 0 0]]
# zeros_likes表示仿造arr创建一个全为0的数组 ar8 = np.array(range(10)) print(ar8)
[0 1 2 3 4 5 6 7 8 9]
# zeros_likes表示仿造ar8创建一个全为0的数组
ar8 = np.array([list(range(10)), list(range(10,20))])
print(ar8)
print("")
arr = np.zeros_like(ar8)
print(ar8)
[[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]]
# 创建数值全为1的数组
ar9 = np.ones(10)
print(ar9)
print("")
ar9 = np.ones((2,5))
print(ar9)
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] [[1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.]]
# ones_like表示仿造ar9创建一个数值全为1的数组
ar9 = np.array([list(range(10)), list(range(10,20))])
print(ar9)
print("")
ar9 = np.ones_like(arr)
print(ar9)
[[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[1 1 1 1 1 1 1 1 1 1] [1 1 1 1 1 1 1 1 1 1]]
# 创建单位矩阵
ar10 = np.eye(10)
print(ar10)
print("")
print(ar10.ndim)
[[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]] 2
Numpy通用函数
import numpy as np
# reshape 改变数组维度形状
ar1 = np.arange(10)
print(ar1)
print("")
print(ar1.reshape(5, 2)) # 方式1
print("")
ar1 = np.ones((2, 5))
print(ar1)
print("")
ar1 = np.ones((2, 5)).reshape(5, 2) # 方式2
print(ar1)
print("")
ar1 = np.reshape(np.arange(9), (3,3)) # 方式3
print(ar1)
[0 1 2 3 4 5 6 7 8 9] [[0 1] [2 3] [4 5] [6 7] [8 9]] [[ 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1.]] [[ 1. 1.] [ 1. 1.] [ 1. 1.] [ 1. 1.] [ 1. 1.]] [[0 1 2] [3 4 5] [6 7 8]]
# T 数组转置
ar2 = np.zeros((2, 5))
print(ar2)
print("")
print(ar2.T)
[[ 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0.]] [[ 0. 0.] [ 0. 0.] [ 0. 0.] [ 0. 0.] [ 0. 0.]]
# resize跟reshape类似 区别是当改变数组维度时不会因数据量的不同而报错
ar3 = np.reshape(np.arange(15), (3, 5))
print(ar3)
print("")
ar4 = np.resize(ar3, (5, 3))
print(ar4)
print("")
ar5 = np.resize(ar3, (3, 4)) # 当改变后的数组需要的数据量比原数组的数据量少时 会依次排序 多余的数值不会显示
print(ar5)
print("")
ar6 = np.resize(ar3, (4, 5)) # 当改变后的数组需要的数据量比原数组的数据量多时 不足的会补充排序
print(ar6)
[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11] [12 13 14]] [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [ 0 1 2 3 4]]
# np.resize(a, shape) 有返回值 不会改变原数组
ar7 = np.arange(10)
print(ar7)
print("")
ar8 = np.resize(ar7, (2, 5))
print(ar8)
print("")
print(ar7)
[0 1 2 3 4 5 6 7 8 9] [[0 1 2 3 4] [5 6 7 8 9]] [0 1 2 3 4 5 6 7 8 9]
# a.resize(shape) 没有返回值 直接改变原数组
ar7 = np.arange(10)
print(ar7)
print("")
ar8 = ar7.resize(2, 5) # 注意ar8为None 因为是改变原数组 所以没有返回值
print(ar8)
print("")
print(ar7)
[0 1 2 3 4 5 6 7 8 9] None [[0 1 2 3 4] [5 6 7 8 9]]
# 数据类型转换 astype
ar9 = np.arange(10, dtype=np.float64)
print(ar9)
print(ar9.dtype) # 查看数值类型
print("")
ar10 = ar9.astype(np.int64) # 改变数值类型
print(ar10)
print(ar10.dtype)
[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] float64 [0 1 2 3 4 5 6 7 8 9] int64
# 数组堆叠
# hstack vstack
a = np.arange(10)
print(a)
print("")
b= np.arange(10, 20)
print(b)
print("")
c = np.hstack((a, b)) # hstack表示横向连接
print(c)
print("")
d = np.vstack((a, b)) # vstack表示纵向连接
print(d)
print("")
[0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]]
# stack
print(a)
print("")
print(b)
print("")
e = np.stack((a, b), axis=0) # axis=0 横向看(纵向连接)
print(e)
print("")
e = np.stack((a, b), axis=1) # 纵向看(横向连接)
print(e)
[0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[ 0 10] [ 1 11] [ 2 12] [ 3 13] [ 4 14] [ 5 15] [ 6 16] [ 7 17] [ 8 18] [ 9 19]]
# 数组拆分
a = np.arange(16).reshape(4, 4)
print(a)
print("")
b = np.hsplit(a, 2) # 按列来切割
print(b)
print("")
c = np.vsplit(a, 2) # 按行来切割
print(c)
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] [array([[ 0, 1], [ 4, 5], [ 8, 9], [12, 13]]), array([[ 2, 3], [ 6, 7], [10, 11], [14, 15]])] [array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8, 9, 10, 11], [12, 13, 14, 15]])]
# 求和 sum
a = np.arange(10).reshape(2, 5)
print(a)
print("")
print(np.sum(a, axis=0)) # 0代表横轴
print("")
print(np.sum(a, axis=1)) # 1代表纵轴
[[0 1 2 3 4] [5 6 7 8 9]] [ 5 7 9 11 13] [10 35]
# 排序 sort print(np.sort(np.array([3, 5, 5, 3, 1, 4])))
[1 3 3 4 5 5]
Numpy基本索引和切片
import numpy as np
# 一维数组
arr = np.array(range(10))
print(arr)
print("")
print(arr[4])
print(arr[:3])
print(arr[::2])
[0 1 2 3 4 5 6 7 8 9] 4 [0 1 2] [0 2 4 6 8]
# 二维数组
arr = np.arange(20).reshape(4, 5)
print(arr)
print("")
print(arr[2]) # 取出某一行
print("")
print(arr[2][2]) # 取出某一个数
print("")
print(arr[1:3]) # 取出多行
print("")
print(arr[2, 2]) # 逗号前代表行 逗号后代表列
print("")
print(arr[:2, 1:3]) # 取出多行多列
[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19]] [10 11 12 13 14] 12 [[ 5 6 7 8 9] [10 11 12 13 14]] 12 [[1 2] [6 7]]
# 三维数组
arr = np.arange(48).reshape(3,4,4) # 3个4行4列的数组
print(arr)
print("*"*30)
print(arr[2])
print("*"*30)
print(arr[2][1])
print("*"*30)
print(arr[2][1][1])
[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] [[16 17 18 19] [20 21 22 23] [24 25 26 27] [28 29 30 31]] [[32 33 34 35] [36 37 38 39] [40 41 42 43] [44 45 46 47]]] ****************************** [[32 33 34 35] [36 37 38 39] [40 41 42 43] [44 45 46 47]] ****************************** [36 37 38 39] ****************************** 37
Numpy布尔型索引及切片
# 用布尔型索引去做筛选
arr = np.arange(12).reshape(3, 4)
print(arr)
print("")
a = np.array([True, False, True])
print(a)
print("")
b = np.array([True, False, False, True])
print(b)
print("")
print(arr[a, :])
print("")
print(arr[:, b])
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [ True False True] [ True False False True] [[ 0 1 2 3] [ 8 9 10 11]] [[ 0 3] [ 4 7] [ 8 11]]
# 用布尔型矩阵去做筛选
print(arr)
print("")
m = arr>5
print(m)
print("")
n = arr[arr>5]
print(n)
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[False False False False] [False False True True] [ True True True True]] [ 6 7 8 9 10 11]
Numpy随机数生成
import numpy as np
# random.normal 正态分布随机数 print(np.random.normal(size=(4, 4))) # 生成一个4行4列的正态分布随机数
[[ 1.01645652 -0.30952914 -0.40576099 -0.94259139] [-0.16483869 0.42278586 0.8260384 -0.88469832] [ 1.31487466 -0.86188981 -0.71485117 -2.12449215] [-1.80353888 -0.93264659 -1.1424078 0.31905742]]
# random.rand 平均分布 随机生成 [0-1) 之间的数
a = np.random.rand() # 生成一个数
print(a)
print("")
b = np.random.rand(4) # 生成4个数
print(b)
print("")
c = np.random.rand(2,4) # 生成二维数组
print(c)
0.11426452609434679 [ 0.79633633 0.32467913 0.28038512 0.56304155] [[ 0.06561635 0.40454132 0.58158716 0.73527881] [ 0.59301023 0.74935326 0.24347665 0.59653582]]
# np.random.randint 在自定义的范围内随机生成整数
a = np.random.randint(3) # 在 [0-3)的范围内随机生成一个整数
print(a)
print("")
b = np.random.randint(2, 10) # [2-10)的范围内随机生成一个整数
print(b)
print("")
c = np.random.randint(20, size=10) # 生成一个 [0-20) 之间 有10个整数元素的一维数组
print(c)
print("")
d = np.random.randint(20, 40, size=10) # 生成一个 [20-40) 之间 有10个整数元素的一维数组
print(d)
print("")
e = np.random.randint(40, 50, size=(2, 5)) # 生成一个 [40-50) 之间 有2行5列元素的二维数组
print(e)
0 6 [ 9 11 5 12 19 4 19 1 7 10] [24 20 34 38 37 24 26 35 35 30] [[49 42 42 44 49] [44 44 40 49 45]]
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
【核心关键词】药企、可视化、营销、分类、数据分析师、销售数据、业务人员、指导方向、分析报告、营销数据、营销医生 【专访摘 ...
2026-06-10在统计学分析、问卷调研、实验验证、业务复盘等场景中，卡方检验与 T 检验是应用最广泛的两类基础假设检验方法。前者专门处理分 ...
2026-06-10 很多数据分析师每天都在计算指标、制作报表，但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-06-10在MySQL数据库日常查询、数据统计、后台接口开发、数据导出等场景中，开发者经常需要查询数据表除某几列之外的所有字段。例如查 ...
2026-06-09在Python网络请求、爬虫开发、接口测试、数据抓取等实操场景中，requests库是最常用的第三方请求工具，而content属性是requests ...
2026-06-09 数据分析正在重塑每一个行业。CDA认证的三本官方教材，分别对应Level I、Level II、Level III，为你铺就从业务数据分析到数 ...
2026-06-09在数字财务、智慧财税、业财融合深度推进的当下，传统财务模式下数据标准混乱、业务流程碎片化、知识无法沉淀、系统互通性差等问 ...
2026-06-08随着数字经济深度渗透各行各业，数据正式成为继土地、劳动力、资本、技术之后的第五大生产要素，是企业数字化转型、精细化运营、 ...
2026-06-08 很多数据分析师能熟练写SQL、做透视表，但当被问到“数据是从哪里来的？经过哪些加工才进入数据仓库？ETL具体做了什么？”时 ...
2026-06-08【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-05在数据库数据查询、业务报表统计、多表关联分析中，LEFT JOIN左连接是使用率最高的SQL关联查询语句。其核心特性是保留左表全部数 ...
2026-06-05 很多数据分析师能熟练地写SQL、做透视表、算描述性统计，但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-06-05任何一款产品从诞生、普及到最终退出市场，都会遵循一套固定的发展规律，这就是产品生命周期理论。在市场竞争日益激烈、产品迭代 ...
2026-06-04在Excel数据分析、办公统计、业务报表制作场景中，数据透视表是数据汇总、分类统计、快速复盘的核心工具，能够高效完成海量原始 ...
2026-06-04 很多数据分析师拿到数据就开始清洗、建模，但当被问到“这批数据属于什么类型——结构化还是非结构化？分类变量还是数值变量 ...
2026-06-04在问卷调查与社会科学数据分析中，卡方检验是最常用、最基础的非参数检验方法，广泛应用于市场调研、用户分析、行为统计、满意度 ...
2026-06-03【核心关键词】贷款、报表、课程、专业、建模、缺失值、营销、互联网、银行、办公自动化、数据分析、数据预处理、特征工程、贷 ...
2026-06-03 很多数据分析师画过趋势图、做过业绩预测，但当被问到“这个月销售额增长20%，到底是长期趋势自然增长，还是促销活动的短期 ...
2026-06-03逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型，常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代，市场竞争日趋同质化，用户消费需求愈发个性化、多元化，传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
