Numpy介绍大数据技术BIGDATA70课件讲解.pptxVIP

数据预处理技术Numpy介绍大数据技术BIGDATA

了解数组与数组对象了解Numpy的特点了解Numpy的应用掌握Numpy的常见操作

数组与数组对象NumPy的主要对象是多维数组。它是一个元素表（通常是数字），所有类型相同，由非负整数元组索引。在NumPy中，维度称为轴，轴的个数称为秩。数组对象参数如表所示。属性说明ndim数组的维度shape?数组中各维度的大小size?数组元素的总数目dtype?数组元素的类型itemsize数组中各元素的字节大小

数组与数组对象一维数组只有一个轴，其内部的所有数据沿轴方向依次排列；二维数组的结构类似于表格，它一共有沿行方向和列方向的两个轴，其中沿行方向的轴对应编号为0的轴，沿列方向的轴对应编号为1的轴；三维数组的结构类似立方体，它一共有沿着长、宽、高方向的三个轴，这三个轴依次对应着编号为1、2、0的轴。数组维度表示

Numpy的特点NumPy是一个运行速度非常快的数学库，主要用于数组计算。强大的N维数组数值计算工具可互操作高性能便于使用开源为什么NumPy比列表运行快？思考

Numpy的应用NumPy的API是编写库以利用创新硬件、创建专用数组类型或添加NumPy提供之外的功能的起点。Numpy的API如右表所示。图标数组库能力与应用领域Dask用于分析的分布式阵列和高级并行性，可实现大规模性能。CuPyNumPy兼容的数组库，用于使用Python进行GPU加速计算。JAXNumPy程序的可组合转换：微分、矢量化、即时编译到GPU/TPU。Xarray用于高级分析和可视化的标记、索引多维数组SparseNumPy兼容的稀疏数组库，与Dask和SciPy的稀疏线性代数集成。PyTorch加速从研究原型设计到生产部署的深度学习框架。TensorFlow用于机器学习的端到端平台，可轻松构建和部署ML驱动的应用程序。MXNet适合灵活研究原型设计和生产的深度学习框架。Arrow用于列式内存数据和分析的跨语言开发平台。xtensor用于数值分析的具有广播和惰性计算的多维数组。XND开发用于数组计算的库，重新创建NumPy的基本概念。uarray将API与实现分离的Python后端系统；unumpy提供了一个NumPyAPI。tensorly张量学习、代数和后端无缝使用NumPy、MXNet、PyTorch、TensorFlow或CuPy。生态系统-数组库

Numpy的应用提取、转换、加载：Pandas、Intake、PyJanitor。探索性分析：Jupyter、Seaborn、Matplotlib、Altair。建模和评估：scikit-learn、statsmodels、PyMC3、spaCy。在仪表板中报告：Dash、Panel、Voila。NumPy位于数据科学库生态系统的核心，主要工作流程如下：探索性数据科学工作流程生态圈-数据科学

Numpy的应用NumPy构成了强大的机器学习库的基础。常见的机器学习库如scikit-learn和SciPy等，随着机器学习的增长，基于NumPy构建的库列表也在增长。TensorFlow的深度学习功能具有广泛的应用，其中包括语音和图像识别、基于文本的应用、时间序列分析和视频检测等。PyTorch是另一个深度学习库，在计算机视觉和自然语言处理领域具有广泛的应用。机器学习-图像识别机器学习

Numpy的应用Python可视化领域包括Matplotlib、Seaborn、Plotly、Altair、Bokeh、Holoviz、Vispy、Napari和PyVista等。Seaborn可视化示例如图所示。机器学习-Seaborn可视化由图可知，是分析3种不同体重企鹅的嘴锋长度和深度的图表。表头为在Python中基于图表的练习01：散点图表；横坐标标题为比尔长度，单位为毫米；纵坐标标题为比尔深度，单位为毫米；3种企鹅依次为阿德利(Adelie)、巴布亚(Gentoo)、帽带(Chinstrap)。可视化

Numpy的常见操作常见操作-安装numpy模块condalist#Anaconda已经集成了NumPy，在DOS环境下查看。condainstallnumpy#conda安装pipinstallnumpy#pip安装importnumpyimportnumpyasnp#np为别名常见操作-导入NumPy模块

常见操作Numpy的常见操作[[12345][32145][54321]]常见操作-创建一维数组importnumpyarr=numpy.array([1,2,3,4,5])print(arr)import