数据分析与应用Numpy 初体验

### Numpy 数据分析入门教程 #### 创建数组的方法 NumPy 提供了多种创建数组的方式。可以利用 `np.array()` 将列表转换成 NumPy 数组；`np.arange(start, stop, step)` 可以按照指定步长生成一维数组；还有诸如 `np.ones(shape)` 和 `np.zeros(shape)` 这样的函数用于快速构建全为1或0的多维数组[^3]。 ```python import numpy as np # 使用列表创建二维数组 array_from_list = np.array([[1, 2, 3], [4, 5, 6]]) print(array_from_list) # 按照给定范围和步长创建一维数组 range_array = np.arange(0, 10, 2) print(range_array) # 创建全部元素均为1的一维数组 ones_array = np.ones(10) print(ones_array) # 创建全部元素均为0的一维整型数组 zeros_int_array = np.zeros(10, dtype='int32') print(zeros_int_array) ``` #### 执行数学运算对于两个相同形状的数组，可以直接应用加减乘除操作符来进行逐元素的操作。此外，像求模这样的特定运算也可以通过调用专门设计好的函数来完成，比如 `numpy.mod(x1,x2)` 或者同义词 `numpy.remainder(x1,x2)` 来获取两数组对应位置上数值相除所得之余数[^1]。 ```python k = np.array([30, 20, 10]) l = np.array([6, 5, 3]) remainder_result = np.mod(k, l) print("Remainders:", remainder_result) ``` #### 计算统计数据当涉及到数据分析时，计算一些基本统计指标是非常常见的需求。这包括但不限于均值(`mean`)、中位数(`median`)、标准差(`std`)以及方差(`var`)等度量。借助于 NumPy 库中的内置功能，能够轻松实现上述各项统计特征的提取工作[^2]。 ```python data = np.array([10, 20, 30, 40, 50]) mean_value = np.mean(data) median_value = np.median(data) standard_deviation = np.std(data) variance_value = np.var(data) print(f"Mean: {mean_value}") print(f"Median: {median_value}") print(f"Standard Deviation: {standard_deviation}") print(f"Variance: {variance_value}") ```

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇第1关：matplotlib数据可视化基础