1. Introducing NumPy
在前两个课程中，我们使用Python中的嵌套列表来表示数据集。 Python列表在表示数据时提供了一些优势：
- 列表可以包含混合类型
- 列表可以缩小并动态增长
使用Python列表来表示和处理数据也有一些关键的缺点：
- 为了支持他们的灵活性，列表往往消耗大量的内存
- 他们努力与中型和大型数据集合（they struggle to work with medium and larger sized datasets）
尽管有许多不同的方式对编程语言进行分类，但考虑到性能的一个重要方式是低级和高级语言之间的区别。Python是一种高级编程语言，允许我们快速编写，原型和测试我们的逻辑。另一方面，C编程语言是一种低级编程语言，性能非常高，但工作流程慢得多。
NumPy是一个将Python的灵活性和易用性与C速度相结合的库。在这个任务中，我们将首先熟悉NumPy的核心数据结构，然后建立使用NumPy来处理数据集world_alcohol.csv，其中包含了每个国家人均消费的数据。
2. Creating arrays
Learn
NumPy的核心数据结构是对象 ndarray，代表N维数组。数组(array)是值的集合，类似于列表。N维是指从对象中选择各个值所需的索引数（N-dimensional refers to the number of indices needed to select individual values from the object.）。
通常将1维阵列称为向量，而2维阵列通常被称为矩阵。这两个术语都是从称为线性代数的数学分支中借用的。它们也经常用于数据科学文献，所以我们将在整个课程中使用这些单词。
为使用NumPy，我们首先需要将它导入到我们的环境中。NumPy通常使用别名np导入：
import numpy as np
我们可以使用numpy.array()函数直接从列表构造数组。要构建一个向量，我们需要传递一个列表（没有嵌套）：
vector = np.array([5, 10, 15, 20])
numpy.array()函数也接受一个列表，我们用来创建一个矩阵（有嵌套）：
matrix = np.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
Instructions
- 从列表中创建一个向量[10，20，30]
- 将结果分配给变量vector
- 从列表[[5,10,15]，[20，25，30]，[35，40，45]]列表中创建一个矩阵。
- 将结果分配给变量matrix
import numpy as np
vector = np.array([10, 20, 30])
matrix = np.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
print(matrix)
[[ 5 10 15]
[20 25 30]
[35 40 45]]
3. Array shape
Learn
数组有一定数量的元素。下面的数组有5个元素：
矩阵代替使用行和列，这符合我们在前几个课程中对数据集的想法。下面的矩阵有3行和5列，通常称为3×5矩阵：
了解数组包含的元素通常很有用。我们可以使用ndarray.shape属性来确定数组中有多少个元素。
vector = numpy.array([1, 2, 3, 4])
print(vector.shape)
上面的代码将导致元组(4, )。该元组表示数组向量具有一个维度，长度为4，这与我们的直觉相匹配，该向量具有4个元素。
对于矩阵，shape属性包含一个包含2个元素的元组。
matrix = numpy.array([[5, 10, 15], [20, 25, 30]])
print(matrix.shape)
上述代码将导致元组(2, 3)表示矩阵具有2行和3列。
Instructions
- 导入numpy并分配给别名np；
- 将向量的长度(shape)分配给vector_shape；
- 将矩阵的长度(shape)分配给matrix_shape；
- 使用print()函数显示vector_shape和matrix_shape。
import numpy as np
vector = np.array([10, 20, 30])
matrix = np.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
vector_shape = vector.shape
matrix_shape = matrix.shape
print(vector_shape, matrix_shape)
(3,) (3, 3)
4. Using NumPy
Learn
我们可以使用numpy.genfromtxt()函数读取数据集。我们的数据集，world_alcohol.csv是一个逗号分隔值数据集。我们可以使用delimiter参数指定分隔符：
import numpy
nfl = numpy.genfromtxt("data.csv", delimiter=",")
上述代码将在名为data.csv文件的文件中读入NumPy数组。NumPy数组使用numpy.ndarray类来表示。我们将在我们的材料中引用ndarray对象作为NumPy数组。
以下是我们将使用的数据集的前几行：
每一行规定了一个国家每一个公民在某一年内喝了多少升酒精。第一排显示，1986年越南一般人喝了多少升葡萄酒。
以下是每列表示的内容：
- Year - 该行中的数据的年份。
- WHO Region - 该国所在的地区。
- Country - 数据所在的国家。
- Beverage Types - 数据所用的饮料类型。
- Display Value - 该国公民在一年中饮用的饮料类型的平均数。
Instructions
- 使用numpy.genfromtxt()函数将“world_alcohol.csv”读入名为world_alcohol的NumPy数组；
- 使用type()和print()函数显示world_alcohol的类型。
world_alcohol = np.genfromtxt('world_alcohol.csv', delimiter=',')
print(type(world_alcohol))
print(world_alcohol)
<class 'numpy.ndarray'>
[[ nan nan nan nan
nan]
[ 1.98600000e+03 nan nan nan
0.00000000e+00]
[ 1.98600000e+03 nan nan nan
5.00000000e-01]
...,
[ 1.98600000e+03 nan nan nan
2.54000000e+00]
[ 1.98700000e+03 nan nan nan
0.00000000e+00]
[ 1.98600000e+03 nan nan nan
5.15000000e+00]]
5. Data types
Learn
NumPy数组中的每个值必须具有相同的数据类型。NumPy数据类型与Python数据类型相似，但差别很小。您可以在这里找到完整的NumPy数据类型列表。这里有一些常见的：
-
bool: Boolean.
- Can be True or False.
-
int: Integer values.
- Can be int16, int32, or int64. The suffix 16, 32, or 64 indicates the number of bits.
-
float: Floating point values.
- Can be float16, float32, or float64. The suffix 16, 32, or 64 indicates how many numbers after the decimal point the number can have.
-
string: String values.
- Can be string or unicode, which are two different ways a computer can store text.
NumPy将在读取数据或将列表转换为数组时自动找出适当的数据类型。你可以使用dtype属性检查NumPy数组的数据类型。
numbers = np.array([1, 2, 3, 4])
numbers.dtype
因为数字只包含整数，它的数据类型是int64。
Instructions
- 将world_alcohol的数据类型分配给变量world_alcohol_dtype；
- 使用print()函数显示world_alcohol_dtype。
world_alcohol_dtype = world_alcohol.dtype
print(world_alcohol_dtype)
float64
6. Inspecting the data
NumPy代表数据集的前几行如下：
array([[ nan, nan, nan, nan, nan],
[ 1.98600000e+03, nan, nan, nan, 0.00000000e+00],
[ 1.98600000e+03, nan, nan, nan, 5.00000000e-01]])
我们还没有介绍几个概念，我们将深入研究：
- world_alcohol中的许多项目都是nan，包括整个第一行。nan代表“不是数字”，是用于表示缺失值的数据类型；
- 一些数字写成1.98600000e+03。
world_alcohol的数据类型是float。因为NumPy数组中的所有值都必须具有相同的数据类型，所以NumPy尝试在读入时将所有列转换为浮点数。numpy.genfromtxt()函数将尝试猜测其创建的数组的正确数据类型。
在这种情况下，WHO Region,Country和Beverage Types实际上是字符串，不能转换为浮点数。当NumPy不能将值转换为像float或integer这样的数值数据类型时，它使用一个代表“不是数字”的特殊的nan值。当值不存在时，NumPy会分配一个na值，代表“不可用”。nan和na值是丢失数据的类型。我们将在以后的任务中更多地了解如何处理丢失的数据。
world_alcohol.csv的整个第一行是一个标题行，其中包含每列的名称。这实际上不是数据的一部分，完全由字符串。由于该字符串不能转换为适当浮动，NumPy的使用nan值来代表他们。
如果你还没有看到科学计数法之前，你可能不认识数字一样1.98600000e+03。科学记数法是凝聚大或非常精确的数字是如何非常显示的方式。我们可以代表100在科学记数法1e+02。
在这种情况下，1.98600000e+03实际上比1986长，但是NumPy默认以科学记谱法显示数值，以计算更大或更精确的数字。
7. Reading in the data correctly
Learn
当使用numpy.genfromtxt()函数读取数据时，我们可以使用参数来自定义我们想要读取数据的方式。在我们处理的时候，我们也可以指定我们要跳过标题行world_alcohol.csv。
- 要指定整个NumPy数组的数据类型，我们使用关键字参数dtype并将其设置为“U75”。这指定我们要读取每个值作为75字节的unicode数据类型。我们稍后会更多地了解unicode和字节，但现在只要知道这将正确地读入数据就足够了。
- 要在读取数据时跳过标题，我们使用skip_header参数。skip_header参数接受一个整数值，指定我们想要NumPy忽略的文件顶部的行数。
Instructions
- 当使用numpy.genfromtxt()读入world_alcohol.csv时：
- 使用“U75”数据类型
- 跳过数据集中的第一行
- 使用逗号分隔符。
- 将结果分配给world_alcohol。
-使用print()函数显示world_alcohol。
world_alcohol = np.genfromtxt('world_alcohol.csv', delimiter=',', dtype='U75', skip_header=True )
print(type(world_alcohol))
print(world_alcohol)
<class 'numpy.ndarray'>
[['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
['1985' 'Africa' "Cte d'Ivoire" 'Wine' '1.62']
...,
['1986' 'Europe' 'Switzerland' 'Spirits' '2.54']
['1987' 'Western Pacific' 'Papua New Guinea' 'Other' '0']
['1986' 'Africa' 'Swaziland' 'Other' '5.15']]
8. Indexing arrays
Learn
现在数据是正确的格式，我们来学习如何探索它。我们可以像我们如何索引普通Python列表一样索引NumPy数组。以下是我们如何索引NumPy向量：
vector = np.array([5, 10, 15, 20])
print(vector[0])
上面的代码将打印向量的第一个元素5。
索引矩阵类似于列表的索引列表。以下是索引列表列表的更新：
first_item = list_of_lists[0]
first_item[2]
我们也可以把这样的符号缩小：
list_of_lists[0][2]
我们可以以类似的方式索引矩阵，但是我们将两个索引都放在方括号内。第一个索引指定数据来自哪个行，第二个索引指定数据来自哪个列：
>> matrix = np.array([
[5, 10, 15],
[20, 25, 30]
])
>> matrix[1,2]
30
在上面的代码中，当我们索引矩阵时，我们将两个索引传递到方括号中。
Instructions
- 将乌拉圭人饮用的酒类在1986年的人均饮用量分配给uruguay_other_1986。这是第二行和第五列。
- 将第三行中的国家/地区分配给third_country。Country是第三列。
uruguay_other_1986 = world_alcohol[1,4]
third_country = world_alcohol[2,2]
print(uruguay_other_1986)
print(third_country)
0.5
Cte d'Ivoire
9. Slicing arrays
Learn
我们可以使用值切片来选择数组的子集，就像我们可以使用列表一样：
>> vector = np.array([5, 10, 15, 20])
>> vector[0:3]
array([ 5, 10, 15])
像列表一样，向量切片是从第一个索引到但不包括第二个索引。矩阵切片有点复杂，有四种形式：
- matrix[:,1] （第2列的所有元素）
- matrix[0:3,1] （第1-3行第2列的元素）
- matrix[0:4,0:3] （第1-4行第1-3列的元素）
- matrix[2, 3] （第1行第2列的元素）
我们将在此屏幕中进入第一个窗体。当我们要选择一个整体，另一个元素，我们可以这样做：
（We'll dive into the first form in this screen. When we want to select one whole dimension, and an element from the other, we can do this:）
>> matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
>> matrix[:,1]
array([10, 25, 40])
这将选择所有行，但只能选择索引为1的列。冒号本身：指定应选择单个维度的整体。将冒号设为从第一个元素中选择，直到并包括最后一个元素。（This will select all of the rows, but only the column with index 1. The colon by itself : specifies that the entirety of a single dimension should be selected. Think of the colon as selecting from the first element in a dimension up to and including the last element.）
Instructions
- 将整个第三列从world_alcohol分配给变量变量countries。
- 将world_alcohol的第五列分配给变量alcohol_consumption。
countries = world_alcohol[:, 2]
alcohol_consumption = world_alcohol[:, 4]
print(countries)
print(alcohol_consumption)
['Viet Nam' 'Uruguay' "Cte d'Ivoire" ..., 'Switzerland' 'Papua New Guinea'
'Swaziland']
['0' '0.5' '1.62' ..., '2.54' '0' '5.15']
10. Slicing one dimension
Learn
When we want to select one whole dimension, and a slice of the other, we need to use special notation:
>> matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
>> matrix[:,0:2]
array([[ 5, 10],
[20, 25],
[35, 40]])
We can select rows by specifying a colon in the columns area. The code below selects rows 1 and 2, and all of the columns.
>> matrix[1:3,:]
array([[20, 25, 30],
[35, 40, 45]])
We can also select a single value along an entire dimension. The code belows selects rows 1 and 2 and column 1:
>> matrix[1:3,1]
array([25, 40])
Instructions
- Assign all the rows and the first 2 columns of world_alcohol to first_two_columns
- Assign the first 10 rows and the first column of world_alcohol to first_ten_years.
- Assign the first 10 rows and all of the columns of world_alcohol to first_ten_rows.
first_two_columns = world_alcohol[:, 0:2]
first_ten_years = world_alcohol[0:10, 0]
first_ten_rows = world_alcohol[0:10, :]
print(first_two_columns)
print(first_ten_years)
print(first_ten_rows)
[['1986' 'Western Pacific']
['1986' 'Americas']
['1985' 'Africa']
...,
['1986' 'Europe']
['1987' 'Western Pacific']
['1986' 'Africa']]
['1986' '1986' '1985' '1986' '1987' '1987' '1987' '1985' '1986' '1984']
[['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
['1985' 'Africa' "Cte d'Ivoire" 'Wine' '1.62']
['1986' 'Americas' 'Colombia' 'Beer' '4.27']
['1987' 'Americas' 'Saint Kitts and Nevis' 'Beer' '1.98']
['1987' 'Americas' 'Guatemala' 'Other' '0']
['1987' 'Africa' 'Mauritius' 'Wine' '0.13']
['1985' 'Africa' 'Angola' 'Spirits' '0.39']
['1986' 'Americas' 'Antigua and Barbuda' 'Spirits' '1.55']
['1984' 'Africa' 'Nigeria' 'Other' '6.1']]
11. Slicing arrays
Learn
We can also slice along both dimensions simultaneously. The following code selects rows with index 1 and 2, and columns with index 0 and 1:
>> matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
>> matrix[1:3,0:2]
array([[20, 25],
[35, 40]])
Instructions
- Assign the first 20 rows of the columns at index 1 and 2 of world_alcohol to first_twenty_regions.
first_twenty_regions = world_alcohol[0:20, 1:3]
print(first_twenty_regions)
[['Western Pacific' 'Viet Nam']
['Americas' 'Uruguay']
['Africa' "Cte d'Ivoire"]
['Americas' 'Colombia']
['Americas' 'Saint Kitts and Nevis']
['Americas' 'Guatemala']
['Africa' 'Mauritius']
['Africa' 'Angola']
['Americas' 'Antigua and Barbuda']
['Africa' 'Nigeria']
['Africa' 'Botswana']
['Americas' 'Guatemala']
['Western Pacific' "Lao People's Democratic Republic"]
['Eastern Mediterranean' 'Afghanistan']
['Western Pacific' 'Viet Nam']
['Africa' 'Guinea-Bissau']
['Americas' 'Costa Rica']
['Africa' 'Seychelles']
['Europe' 'Norway']
['Africa' 'Kenya']]
12. Next steps
我们已经学到了NumPy库的一些基础知识，以及如何使用NumPy数组。在接下来的任务中，我们将在此基础上，确定哪个国家消费最多的酒精。
