灰太狼的数据世界（一）

大家好，从今天开始，小编讲带着大家一起进入数据的世界。

数据的世界是新奇的，美妙的。但是如果你对它不感兴趣，那它就是一个枯燥无趣的东西了。

------灰太狼（我被狗咬了）

那小编今天将要带着大家一起进入一个有趣的数据世界。

我们在数据世界里一般分为以下几个部分：

数据的获取（别人给定的，爬虫获取的）

数据的处理（数据的清洗，集成等）

数据的挖掘（创建模型，优化调整模型）

数据的可视化（展示数据的状态及分布）

在我们了解数据之前我们需要有一定的python基础，知道如何使用python，如果你对python还不是很熟悉，那么你也不用担心，小编在公众号里面已经为你准备好了所有python基础的课程，公众号最左边的菜单栏里面，会有小编总结的比较全面的python的基础教程，后续将会制作视频教程，欢迎大家前来学习和指点哦！

在python的世界里，目前已经存在的比较全面的数据结构有列表，字典，元组，序列，字符串等结构，但是，对于需要处理复杂数据的我们来说是远远不够的。这时候我们需要一些更专业的数据结构来为我们解决这一烦恼。

python里面提供了numpy和pandas这些十分有用的第三方库。

为什么要用NumPy数组结构而不是Python本身的列表list？

这是因为列表list的元素在系统内存中是分散存储的，而NumPy数组存储在一个均匀连续的内存块中。这样数组计算遍历所有的元素，不像列表list还需要对内存地址进行查找，从而节省了计算资源。

那说了这么多，我们就来看看numpy里面有什么是需要我们来学习的吧。

在numpy里面是有一个叫ndarray这样一个神奇的东西的，这个东西的本质其实就是一个矩阵（其实就是一个嵌套列表），如果你上过高中，那么对矩阵就会有一定的了解，一般我们高中学的就是2*2的矩阵。（python里面的简单的list对我们来说就是1*n阶矩阵啦）

如上图，这样一个东西就是一个2*2的矩阵（横着两个，竖着两个），那这样的一个东西我们使用ndarray如何表示呢？

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

np.array(object,
dtype=None,
copy=True,
order=None,
subok=False,
ndmin=0)

快速创建一个2*2的矩阵可以直接传入一个嵌套列表即可：

import numpy as np
a = np.array([[1, 2], [2, 4]])
print(a)

这样的结构我们和上面的对比一下是不是感觉很像？这个就是使用ndarray来表示二维数组，当然我们也可以造一个3*3的数组：

b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(b)

对于矩阵里面的数值我们如何去获取或者是修改呢？

回顾一下python的list：

我们在取值的时候使用的是索引取值的办法，索引是从零开始的。那在ndarray里面也是同样的一个道理，使用索引进行取值：

比如说我们现在想去取第一个值，横着数他是第一个，那么索引为0，竖着数也是第一个，索引还是0，所以【0，0】就可以获取第一个值：

import numpy as np
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(b[0, 0])

除此之外，我们还可以指定快速创建连续的矩阵：

np.arange(1,11,2)

这个就和python里面的range函数有点相似了。给定初始值，结束值和步长来此创建一维矩阵（一维数组），

当然除此之外我们还有相似的函数，linspace，也和arange是一样类似的。

下面我们再来看看ndarray的数据类型有哪些吧？

ndarray作为一个存放数据的仓库，那么存放的数据也有很多种类型的，我们通常使用到的类型如下：

我们通常使用dtype去构建数据类型对象。

import numpy as np
# 使用标量类型
dt = np.dtype(np.int32)
print(dt)

值得一说的是，int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替：

import numpy as np
dt = np.dtype('i4')
print(dt)

那现在我们可以使用dtype创建字段以及对应的类型了

import numpy as np
dt = np.dtype([('age', np.int32)])
print(dt)

这就相当于创建数据库创建表的时候需要提供字段名，以及该字段所对应的数据类型：

下面就可以为这些字段添加值了：

import numpy as np
dt = np.dtype([('age', np.int32)])
# print(dt)
a = np.array([(10,),(20,),(30,)], dtype=dt)
print(a)

类比数据库的添加数据：

我们可以使用age这个索引来取出age里面的所有值。

print(a['age'])

下面我们来创建一个数据结构：

学生名字，年龄，语文分数，数学分数，英语分数

import numpy as np
persontype = np.dtype({
'names': ['name', 'age', 'C', 'M', 'E'],
'formats': ['S32', 'i', 'i', 'i', 'f']})
students = np.array([("AMY", 22, 88, 77, 66),
("TONY", 24, 85, 96, 88.5),
("JOHN", 25, 85, 100, 96.5),
("FRANK", 26, 65, 85, 100)],
dtype=persontype)

这边创建name数据类型的时候S32代表字符串，i是整型数据，f是浮点型数据。

下面附一张表做参考：

我们可以获取所有的语文分数，或者是所有的数学分数：

chineses = students[:]['chinese']
maths = students[:]['math']

关于数据的运算，我们有强大的ufunc函数：

ufunc  函数

    全称通用函数（universal function），是一种能够对数组中所有元素进行操作的函数。以 Numpy 数组作为输出，因此不需要对数组每个元素都操作，比 math 库中的函数操作效率更高。

A、四则运算：

加（+）、减（-）、乘（*）、除（/）、幂（**）。数组间的四则运算表示对每个数组中的元素分别进行四则运算，所以形状必须相同。

import numpy as np
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(x + y)
# 结果: [5 7 9]
print(x - y)
# 结果: [-3 -3 -3]
print(x * y)
# 结果: [4 10 18]
print(x / y)
# 结果: [0.25  0.4   0.5 ]
print(x ** y)
# 结果: [1  32 729

numpy还提供了自带的算术运算：

x = np.array([1, 5, 7])
y = np.array([4, 5, 6])
s = np.add(x, y)
# 求和 [ 5 10 13]
s2 = np.subtract(x, y)
# 求差 [-3  0  1]
s3 = np.multiply(x, y)
# 求积 [ 4 25 42]
s4 = np.divide(x, y)
# 求商 [0.25 1. 1.16666667]

B、比较运算：

>、<、==、>=、<=、!=。比较运算返回的结果是一个布尔数组，每个元素为每个数组对应元素的比较结果。

import numpy as np
x = np.array([1, 5, 7])
y = np.array([4, 5, 6])
print(x < y)
# 结果: [True False False]
print(x > y)
# 结果: [False False  True]
print(x == y)
# 结果: [False  True False]
print(x <= y)
# 结果: [True  True False]
print(x >= y)
# 结果: [False  True  True]
print(x != y)
# 结果: [True False  True]

C、逻辑运算：

np.any 函数表示逻辑“or”，np.all 函数表示逻辑“and”。运算结果返回布尔值。

import numpy as np
x = np.array([1, 5, 7])
y = np.array([4, 5, 6])
print('逻辑and运算: ', np.all(x == y))  # 存在一假为假 1!=4,7!=6
# 结果: False
print('逻辑or运算: ', np.any(x == y))  # 存在一真为真 5==5
# 结果: True

统计函数

我们使用numpy最多的不过于统计函数了，这将是我们在numpy里面最常用的函数：

axis说明：axis=0沿着x轴（横着），axis沿着y轴（竖着）

np.mean(x [, axis])： 

所有元素的平均值，参数是 number 或 ndarray

np.sum(x [, axis])： 

所有元素的和，参数是 number 或 ndarray

np.max(x [, axis])： 

所有元素的最大值，参数是 number 或 ndarray

np.min(x [, axis])： 

所有元素的最小值，参数是 number 或 ndarray

np.std(x [, axis])： 

所有元素的标准差，参数是 number 或 ndarray

np.var(x [, axis])： 

所有元素的方差，参数是 number 或 ndarray

np.argmax(x [, axis])： 

最大值的下标索引值，参数是 number 或 ndarray

np.argmin(x [, axis])： 

最小值的下标索引值，参数是 number 或 ndarray

np.cumsum(x [, axis])： 

返回一个同纬度数组，每个元素都是之前所有元素的 累加和，参数是 number 或 ndarray

np.cumprod(x [, axis])： 

返回一个同纬度数组，每个元素都是之前所有元素的 累乘积，参数是 number 或 ndarray

numpy排序

排序是算法中使用频率最高的一种，在我们进行数据分析的时候经常会使用，在numpy里面就是简单的一句话：

x = np.array([1, 8, 3, 5, 7])
SORT = np.sort(x)
print(SORT)

在排序的时候，我们可以指定不同的排序方法:

def sort(a, axis=-1, kind='quicksort', order=None):

默认是快速排序，当然你也可以指定合并排序和堆排序。

我们使用numpy一些主要的方法以及跟你以上基本都覆盖到了，其实本质也就是对列表的一些操作，只不过在numpy里面的列表可能更加的多维度。

如果说本节课有什么难点的话，那应该是统计函数那一块了，如何理解方差，标准差，中位数等这些数学属性，还是需要翻开数学课本好好理解一下的，毕竟，数据分析的基础其实就是数学啊！

那关于numpy的内容就到这里了，下次我们来介绍另一种数据结构pandas的用法以及注意事项吧！

"灰太狼的数据课"