Numpy基礎數據結構
import numpy as np
ar = np.array([[1,2,3], [3,4,6], [4,5,7]]) # 二維數組 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) # 輸出數組維度個數(描述這個數組是幾維的) print(ar.shape) # 輸出數組維度形狀 print(ar.size) # 數組元素的總個數 print(ar.dtype) # 數組的元素類型
2 (3, 3) 9 int32
創建數組
# 方式1 列表創建 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 生成器創建 ar2 = np.array(range(10)) print(ar2)
[0 1 2 3 4 5 6 7 8 9]
# 方式3 arange類似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 浮點型
print(ar3)
print("")
ar3 = np.arange(5, 11) # 返回5-11之間的整型 不包括11
print(ar3)
print("")
ar3 = np.arange(5,11,2) # 2代表步長
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 隨機創建 范圍是 0-1 ar4 = np.random.rand(10) # 隨機生成數值范圍是 0-1 并且有10個元素的一維數組 print(ar4) print(ar4.ndim) # 維度個數(告訴你這個數組是幾維的)
[0.20490144 0.89930216 0.57403933 0.8923752 0.71947406 0.91049224 0.55663805 0.84965526 0.19433663 0.39087672] 1
# 方式5 均勻間隔創建
# linspace() 返回有num個元素的數組 這num個元素是在10-20上(默認包含結尾)有均勻間隔的元素
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來均等分的話num就要有21個 可以通過數個數來驗證一下
print(ar6)
print("")
ar6 = np.linspace(10, 20, num=21, endpoint=False) # endpoint=False 表示不包括結尾
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) # 返回的一個元組并顯示步長 retstep=True顯示步長
print(ar6)
print("")
print(type(ar6))
print("")
print(ar6[0]) # 取出數組
print(ar6[1]) # 取出數組的步長
[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
# 創建元素全為0的數組
# zeros(shape, dtype=float, order='C') 默認為浮點型
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創建一個全為0的數組 ar8 = np.array(range(10)) print(ar8)
[0 1 2 3 4 5 6 7 8 9]
# zeros_likes表示仿造ar8創建一個全為0的數組
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]]
# 創建數值全為1的數組
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創建一個數值全為1的數組
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]]
# 創建單位矩陣
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通用函數
import numpy as np
# reshape 改變數組維度形狀
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 數組轉置
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類似 區別是當改變數組維度時不會因數據量的不同而報錯
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)) # 當改變后的數組需要的數據量比原數組的數據量少時 會依次排序 多余的數值不會顯示
print(ar5)
print("")
ar6 = np.resize(ar3, (4, 5)) # 當改變后的數組需要的數據量比原數組的數據量多時 不足的會補充排序
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 不會改變原數組
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) 沒有返回值 直接改變原數組
ar7 = np.arange(10)
print(ar7)
print("")
ar8 = ar7.resize(2, 5) # 注意ar8為None 因為是改變原數組 所以沒有返回值
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]]
# 數據類型轉換 astype
ar9 = np.arange(10, dtype=np.float64)
print(ar9)
print(ar9.dtype) # 查看數值類型
print("")
ar10 = ar9.astype(np.int64) # 改變數值類型
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
# 數組堆疊
# hstack vstack
a = np.arange(10)
print(a)
print("")
b= np.arange(10, 20)
print(b)
print("")
c = np.hstack((a, b)) # hstack表示橫向連接
print(c)
print("")
d = np.vstack((a, b)) # vstack表示縱向連接
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 橫向看(縱向連接)
print(e)
print("")
e = np.stack((a, b), axis=1) # 縱向看(橫向連接)
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]]
# 數組拆分
a = np.arange(16).reshape(4, 4)
print(a)
print("")
b = np.hsplit(a, 2) # 按列來切割
print(b)
print("")
c = np.vsplit(a, 2) # 按行來切割
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代表橫軸
print("")
print(np.sum(a, axis=1)) # 1代表縱軸
[[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
# 一維數組
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]
# 二維數組
arr = np.arange(20).reshape(4, 5)
print(arr)
print("")
print(arr[2]) # 取出某一行
print("")
print(arr[2][2]) # 取出某一個數
print("")
print(arr[1:3]) # 取出多行
print("")
print(arr[2, 2]) # 逗號前代表行 逗號后代表列
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]]
# 三維數組
arr = np.arange(48).reshape(3,4,4) # 3個4行4列的數組
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布爾型索引及切片
# 用布爾型索引去做篩選
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]]
# 用布爾型矩陣去做篩選
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隨機數生成
import numpy as np
# random.normal 正態分布隨機數 print(np.random.normal(size=(4, 4))) # 生成一個4行4列的正態分布隨機數
[[ 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 隨機生成 [0-1) 之間的數
a = np.random.rand() # 生成一個數
print(a)
print("")
b = np.random.rand(4) # 生成4個數
print(b)
print("")
c = np.random.rand(2,4) # 生成二維數組
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 在自定義的范圍內隨機生成整數
a = np.random.randint(3) # 在 [0-3)的范圍內隨機生成一個整數
print(a)
print("")
b = np.random.randint(2, 10) # [2-10)的范圍內隨機生成一個整數
print(b)
print("")
c = np.random.randint(20, size=10) # 生成一個 [0-20) 之間 有10個整數元素的一維數組
print(c)
print("")
d = np.random.randint(20, 40, size=10) # 生成一個 [20-40) 之間 有10個整數元素的一維數組
print(d)
print("")
e = np.random.randint(40, 50, size=(2, 5)) # 生成一個 [40-50) 之間 有2行5列元素的二維數組
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]]
數據分析咨詢請掃描二維碼
若不方便掃碼，搜微信號：CDAshujufenxi
CDA數據分析師證書考試體系（更新于2025年05月22日）
2025-05-26解碼數據基因：從數字敏感度到邏輯思維 每當看到超市貨架上商品的排列變化，你是否會聯想到背后的銷售數據波動？三年前在零售行 ...
2025-05-23在本文中，我們將探討 AI 為何能夠加速數據分析、如何在每個步驟中實現數據分析自動化以及使用哪些工具。 數據分析中的AI是什么 ...
2025-05-20當數據遇見人生：我的第一個分析項目 記得三年前接手第一個數據分析項目時，我面對Excel里密密麻麻的銷售數據手足無措。那些跳動 ...
2025-05-20在數字化運營的時代，企業每天都在產生海量數據：用戶點擊行為、商品銷售記錄、廣告投放反饋…… 這些數據就像散落的拼圖，而相 ...
2025-05-19在當今數字化營銷時代，小紅書作為國內領先的社交電商平臺，其銷售數據蘊含著巨大的商業價值。通過對小紅書銷售數據的深入分析， ...
2025-05-16Excel作為最常用的數據分析工具，有沒有什么工具可以幫助我們快速地使用excel表格，只要輕松幾步甚至輸入幾項指令就能搞定呢？ ...
2025-05-15數據，如同無形的燃料，驅動著現代社會的運轉。從全球互聯網用戶每天產生的2.5億TB數據，到制造業的傳感器、金融交易 ...
2025-05-15大數據是什么_數據分析師培訓 其實，現在的大數據指的并不僅僅是海量數據，更準確而言是對大數據分析的方法。傳統的數 ...
2025-05-14CDA持證人簡介： 萬木，CDA L1持證人，某電商中廠BI工程師 ，5年數據經驗1年BI內訓師，高級數據分析師，擁有豐富的行業經驗。 ...
2025-05-13CDA持證人簡介： 王明月 ，CDA 數據分析師二級持證人，2年數據產品工作經驗，管理學博士在讀。 學習入口：https://edu.cda.cn/g ...
2025-05-12CDA持證人簡介： 楊貞璽 ，CDA一級持證人，鄭州大學情報學碩士研究生，某上市公司數據分析師。 學習入口：https://edu.cda.cn/g ...
2025-05-09CDA持證人簡介 程靖 CDA會員大咖，暢銷書《小白學產品》作者，13年頂級互聯網公司產品經理相關經驗，曾在百度、美團、阿里等 ...
2025-05-07相信很多做數據分析的小伙伴，都接到過一些高階的數據分析需求，實現的過程需要用到一些數據獲取，數據清洗轉換，建模方法等，這 ...
2025-05-06以下的文章內容來源于劉靜老師的專欄，如果您想閱讀專欄《10大業務分析模型突破業務瓶頸》，點擊下方鏈接 https://edu.cda.cn/g ...
2025-04-30CDA持證人簡介： 邱立峰 CDA 數據分析師二級持證人，數字化轉型專家，數據治理專家，高級數據分析師，擁有豐富的行業經驗。 ...
2025-04-29CDA持證人簡介： 程靖 CDA會員大咖，暢銷書《小白學產品》作者，13年頂級互聯網公司產品經理相關經驗，曾在百度,美團,阿里等 ...
2025-04-28CDA持證人簡介： 居瑜 ，CDA一級持證人國企財務經理，13年財務管理運營經驗，在數據分析就業和實踐經驗方面有著豐富的積累和經 ...
2025-04-27數據分析在當今信息時代發揮著重要作用。單因素方差分析（One-Way ANOVA）是一種關鍵的統計方法，用于比較三個或更多獨立樣本組 ...
2025-04-25CDA持證人簡介： 居瑜 ，CDA一級持證人國企財務經理，13年財務管理運營經驗，在數據分析就業和實踐經驗方面有著豐富的積累和經 ...
2025-04-25
京公網安備 11010802034615號
經營許可證編號：京B2-20210330
