使用 Numpy 踏上数据分析之旅：初探篇

在数据分析的浩瀚世界中，Python 已成为无可争议的主导力量。而 Numpy 作为 Python 的一款科学计算工具包，则是每一位数据分析师必不可少的利器。它提供了功能强大的 N 维数组对象，使数据操作变得轻而易举。

Numpy 的核心优势

• N 维数组（ndarray）： Numpy 的核心数据结构，用于存储和操作多维数据。ndarray 提供了对数据元素的快速访问和高效操作。
• 通用函数： Numpy 提供了一系列通用函数，可对数组中的每个元素执行相同的操作。这些函数涵盖了算术、三角、逻辑和统计等广泛的操作。
• 数组广播： Numpy 的数组广播功能允许在不同形状的数组上执行操作，即使它们的维度不匹配。这极大地简化了复杂数据的处理。
• 线性代数操作： Numpy 集成了对线性代数运算的支持，如矩阵乘法、求逆和特征值计算。

安装和导入 Numpy

安装 Numpy 非常简单，使用 pip 命令即可：

pip install numpy

导入 Numpy 模块：

import numpy as np

创建 N 维数组

创建一个 N 维数组非常简单，可以使用以下方法：

• np.array()： 从嵌套列表或元组创建数组。
• np.zeros()： 创建具有指定形状的全零数组。
• np.ones()： 创建具有指定形状的全一数组。
• np.arange()： 创建具有指定范围和步长的数组。

例如，创建一个 3x3 的全零数组：

zeros = np.zeros((3, 3))

数组操作

Numpy 提供了各种数组操作函数，包括：

• 数学运算： 加法、减法、乘法、除法等。
• 比较运算： 等于、不等于、大于等。
• 统计运算： 求和、求平均值、求标准差等。
• 逻辑运算： 与、或、非等。

例如，计算两个数组的加和：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b

案例：使用 Numpy 计算房价中位数

假设我们有一个数据框，包含了 100 套房屋的房价。我们想计算这些房价的中位数。

import pandas as pd

df = pd.DataFrame({
    "price": [100000, 200000, 300000, 400000, 500000]
})

median_price = np.median(df["price"])
print(median_price)

结论

Numpy 是数据分析领域的基石，为 Python 用户提供了强大的数组操作和数值计算能力。通过掌握 Numpy 的基础知识，您可以轻松高效地处理和分析复杂数据，为您的数据分析之旅奠定坚实的基础。