numpy将所有数据变为0和1-python数据分析工具numpy

numpy将所有数据变为0和1_python数据分析⼯具numpyPython中没有提供数组功能，虽然列表可以完成基本的数组功能，但并不是真正的数组，⽽且在数据量较⼤时，使⽤列表的速度回⾮常慢。因此，Numpy提供了真正的数组功能，以及对数据进⾏快速处理的函数。Numpy内置函数处理数据的速度是C语⾔级别的，因此，尽量使⽤其内置函数。numpy安装Numpy安装和普通的第三⽅库安装⼀样，最常⽤的就是利⽤pip安装：pipinstallnumpy如果你想做数据分析的话，还是建议安装anaconda(Windows、macOS、Linux均可使⽤)，它是⼀个集成环境，包含了conda、Python在内的超过180个科学包及其依赖项，⼏乎所有你⽤到的库都已经帮你安装好了，同时如果需要其他的第三⽅库要安装，可以使⽤其中的conda便捷的安装相应库以及依赖。Numpy基本操作基本属性numpy包含很多⾃⼰的属性和⽅法，下⾯通过⼀个栗⼦说明⼀下⼏个它⾃⾝的重要属性。创建数组importnumpyasnpdata=np.array([[1,2,3],[4,5,6]])#创建⼆维数组上⾯是最基本的创建数组⽅法，但是对于实际应⽤中，它内置的⼀些函数更为实⽤。例如：下⾯举例展⽰⼀下其中部分⽤法：基本操作Numpy的⼀个显著特点就是它的⽮量化，使得对其操作是⾯向整个数组⽽不是各个元素，这就省去了很多开销，具体实现交给更加⾼效的C来做。⽮量化对每个元素执⾏相同的操作，例如常见的加减乘除等。特殊的，numpy中的“*”是数乘(按元素运算)，矩阵乘法⽤dot函数来表⽰，表⽰为c.dot(d)。numpy还有很多常⽤的内置⽅法，例如求和等。importnumpyasnpnp.random.random((2,3))#创建⼀个元素值为0-1之间的随机数的2*3的矩阵data=np.array([2,3,4,6,1,7,9])data.sum()#求数组所有元素上述操作的对象为⼀维数组，那么对于⼆维或者多维数组来说，也有⼀些常⽤的操作。多维数组可以通过⼿动创建(np.array)，或者通过内置函数设置数组结果(np.zeros等)，除此之外还有⼀个特殊的⽅法，就是利⽤reshape修改数组的结构。上述的求和，求极值等⽅法在多维数组中也可以通过设置axis参数来灵活操作。axis表⽰多维数组中的轴。说到reshape，那就集中说⼀下数组的变形。data.reshape((x,y))#将原数组变为x⾏y列data.resize((x,y))#resize与reshape不同之处在于，resize改变数组本⾝data.ravel()#将多维数组展平为⼀维数组的索引切⽚。⾄于索引切⽚操作，其实是和python中的列表⼀致的，不赘述。data[x:y:z]#表⽰从下标x到y-1中按步长z取元素⼴播也是numpy中常⽤的知识。也许⽐较抽象，画图说明⼀下。图中A为2*3的矩阵，B是⼀维的，若要相加必须调整为相同结构。根据第⼀条规则，在左侧再添加维度得B(1,3)，根据规则⼆，将对应维度上的元素为⼀的补齐，则完全复制⼀份B拼接在下⾯，形成维度相同的两个矩阵再进⾏相加运算。若将所有⼤⼩为1的维度补齐后，两数组仍维度不同，那么不能进⾏计算。给个例⼦⼤家可以琢磨⼀下：A(2,5