import numpy as npnp.ones([4,8])
返回结果:
import numpy as npones = np.zeros([4,8])np.zeros_like(ones)
返回结果:
1.2.1 生成方式
np.array(object, dtype)
np.asarray(a, dtype)
a = np.array([[1,2,3],[4,5,6]])# 从现有的数组当中创建a1 = np.array(a)# 相当于索引的形式,并没有真正的创建一个新的a2 = np.asarray(a)
1.2.2 关于array和asarray的不同 【a[0,0] 可以取出第一个元素1】
1.3.1 np.linspace (start, stop, num, endpoint) 【num:生成等间隔的多少个】
# 生成等间隔的数组np.linspace(0, 100, 11)
返回结果:
1.3.2 np.arange(start,stop, step, dtype) 【step:没间隔多少生成数据】
np.arange(10, 50, 2)
返回结果:
1.3.3 np.logspace(start,stop, num) 【生成以10的N次幂的数据】
创建等比数列
参数:
# 生成10^xnp.logspace(0, 2, 3)
返回结果:
1.4.1 使用模块介绍
1.4.2 正态分布
一、基础概念复习:正态分布
a. 什么是正态分布
正态分布是一种概率分布。正态分布是具有两个参数μ和σ的连续型随机变量的分布,第一参数μ是服从正态分布的随机变量的均值,第二个参数σ是此随机变量的方差,所以正态分布记作N(μ,σ )。
b. 正态分布的应用
生活、生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。
c. 正态分布特点
μ决定了其位置,其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
标准差如何来?
方差
是在概率论和统计方差衡量一组数据时离散程度的度量
其中M为平均值,n为数据总个数,σ 为标准差,σ ^2可以理解一个整体为方差
标准差与方差的意义
可以理解成数据的一个离散程度的衡量
二、正态分布创建方式
np.random.randn(d0, d1, …, dn)
功能:从标准正态分布中返回一个或多个样本值
np.random.normal(loc=0.0, scale=1.0, size=None)
loc:float
此概率分布的均值(对应着整个分布的中心centre)
scale:float
此概率分布的标准差(对应于分布的宽度,scale越大越矮胖,scale越小,越瘦高)
size:int or tuple of ints
输出的shape,默认为None,只输出一个值
np.random.standard_normal(size=None)
返回指定形状的标准正态分布的数组。
举例1:生成均值为1.75,标准差为1的正态分布数据,100000000个
x1 = np.random.normal(1.75, 1, 100000000)
返回结果:
示例代码:
from matplotlib import pyplot as pltimport numpy as np# 生成均匀分布的随机数x1 = np.random.normal(1.75, 1, 100000000)# 画图看分布状况# 1)创建画布plt.figure(figsize=(20, 10), dpi=100)# 2)绘制直方图plt.hist(x1, 1000)# 3)显示图像plt.show()
例如:我们可以模拟生成一组股票的涨跌幅的数据
举例2:随机生成4支股票1周的交易日涨幅数据
4支股票,一周(5天)的涨跌幅数据,如何获取?
股票涨跌幅数据的创建
import numpy as np# 创建符合正态分布的4只股票5天的涨跌幅数据stock_change = np.random.normal(0, 1, (4, 5))stock_change
返回结果:
1.4.2 均匀分布
示例代码:
# 生成均匀分布的随机数x2 = np.random.uniform(-1, 1, 100000000)
返回结果:
画图看分布状况:
import matplotlib.pyplot as pltimport numpy as np# 生成均匀分布的随机数x2 = np.random.uniform(-1, 1, 100000000)# 画图看分布状况# 1)创建画布plt.figure(figsize=(10, 10), dpi=100)# 2)绘制直方图plt.hist(x=x2, bins=1000) # x代表要使用的数据,bins表示要划分区间数# 3)显示图像plt.show()
一维、二维、三维的数组如何索引?
二维数组索引方式:
# 二维的数组,两个维度 stock_change[0, 0:3] # 第1 行前3列
返回结果:
# 在转换形状的时候,一定要注意数组的元素匹配stock_change.reshape([5, 4])stock_change.reshape([-1,10]) # 数组的形状被修改为: (2, 10), -1: 表示通过待计算
stock_change.resize([5, 4])# 查看修改后结果stock_change.shape(5, 4)
stock_change.T.shape(4, 5)
stock_change.astype(np.int32)
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]])arr.tostring()
如果遇到
IOPub data rate exceeded. The notebook server will temporarily stop sending output to the client in order to avoid crashing it. To change this limit, set the config variable `--NotebookApp.iopub_data_rate_limit`.
这个问题是在jupyer当中对输出的字节数有限制,需要去修改配置文件
创建配置文件
jupyter notebook --generate-configvi ~/.jupyter/jupyter_notebook_config.py
取消注释,多增加
## (bytes/sec) Maximum rate at which messages can be sent on iopub before they# are limited.c.NotebookApp.iopub_data_rate_limit = 10000000
但是不建议这样去修改,jupyter输出太大会崩溃
import numpy as nptemp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])np.unique(temp)
创建数组
生成固定范围数组
生层随机数组
数组索引
数组形状改变
数组去重
联系客服