Python数据分析基础：Numpy库核心用法详解

简介

在进行Python数据分析时，Numpy、Pandas和Matplotlib是常用的核心库。本文将重点讲解Numpy的具体用法，开发环境沿用前文提到的Jupyter编辑器。

Numpy是一个专为科学计算设计的Python扩展库，也是众多Python科学计算库的底层基础。它提供了核心的多维数组对象ndarray，该对象由一系列相同类型的数据组成，支持索引、切片和迭代等多种操作。

我们可以通过以下命令完成安装：

pip install numpy
# 或者
conda install numpy

多维数组创建

在Numpy中，可以使用array()方法来创建数组，只需传入列表或元组作为参数即可，示例如下：

创建一个一维数组，并明确指定数据类型为int：

import numpy as np
np.array([1,2,3,4], dtype=int)  # 接收一个list作为参数

创建一个二维数组：

np.array([[1,2,3],[4,5,6]])

最终输出结果如下：

array([[1, 2, 3], [4, 5, 6]])

利用arange()函数可以创建连续数值的array，其功能类似于Python内置的range()函数：

np.arange(10)

借助Numpy的random模块，可以方便地创建随机数组：

# 创建2行3列取值范围为[0,1)的随机数组 
np.random.rand(2, 3)
# 创建2行3列的随机整数数组，取值范围为[5,20)
np.random.randint(5,20,size=(2,3))

此外还有以下几种常用创建方法：

使用np.ones()函数可创建元素值全为1的数组，接收list或tuple作为参数，例如np.ones([2, 3])能生成一个2行3列的数组。np.zeros()函数用于创建元素值全为0的数组，接收list或tuple作为参数，用法同上。np.full()函数用于创建填充指定数值的数组，第一个参数为list或tuple，第二个参数为需要填充的具体数值，例如np.full((2, 3), 5)可创建一个2行3列的数组，所有元素均填充为5。

当然，Numpy还提供其他一些创建特定格式数组的方法，因使用频率较低，此处不再逐一赘述。

数组的数据类型

Numpy支持丰富的数据类型，可以通过访问Numpy数组对象的dtype属性来查看当前数组的数据类型：

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

数组维度

可以通过对象的ndim或shape属性来查看数据的维度信息：

• 利用ndim属性可以直接返回维度的整数值。
• 利用shape属性则返回一个元组，该元组的长度代表数组的维度数，元组中的每个元素分别对应各维度的大小。

a = np.array([[1,2,3],[4,5,6]])
a.ndim
a.shape

至此，关于Python数据分析中Numpy基本使用方法的介绍已完成。如需了解更多Numpy相关内容，建议搜索本站过往文章或继续阅读后续系列文章，感谢大家的支持！