
基于python二维数组及画图的实例详解
下面小编就为大家分享一篇基于python 二维数组及画图的实例详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
1、二维数组取值
注:不管是二维数组,还是一维数组,数组里的数据类型要一模一样,即若是数值型,全为数值型
#二维数组
import numpy as np
list1=[[1.73,1.68,1.71,1.89,1.78],
[54.4,59.2,63.6,88.4,68.7]]
list3=[1.73,1.68,1.71,1.89,1.78]
list4=[54.4,59.2,63.6,88.4,68.7]
list5=np.array([1.73,1.68,1.71,1.89,1.78])
list6=np.array([54.4,59.2,63.6,88.4,68.7])
#构造二维数组
list=np.array([[1.73,1.68,1.71,1.89,1.78],
[54.4,59.2,63.6,88.4,68.7]])
print type(list1)
#两个list直接相运算是会报错的,如果想得到list3中的每个数据除以list4中相对应的数据值,则要引入nump中的array函数
# print list3/list4
#下面的可以实现list5/list6
print list5/list6
print type(list) #结果:<type 'numpy.ndarray'>
print list.shape #结果:(2, 5) 二行5列二维数组
print list[0][2] #结果:1.71 ,取第0行第二列数值,即第三列1.71
print list[0,2] #结果:1.71 ,取第0行第二列数值,即第三列1.71
print list[:,1:3] #结果:[[ 1.68 1.71] [ 59.2 63.6 ]],取所有行的,第一列和第三列数据
print list[1,:] #结果:[ 54.4 59.2 63.6 88.4 68.7],取第一行的所有数值
2、 画图
(1)线图
import matplotlib.pyplot as plt
year=[1950,1970,1990,2010]
pop=[2.518,3.68,5.23,6.97]
# 1.线图
#调用plt。plot来画图,横轴纵轴两个参数即可
plt.plot(year,pop)
# python要用show展现出来图
plt.show()
(2)散点图
import matplotlib.pyplot as plt
year=[1950,1970,1990,2010]
pop=[2.518,3.68,5.23,6.97]
#2.散点图,只是用用scat函数来调用即可
plt.scatter(year,pop)
plt.show()
(3)直方图
import matplotlib.pyplot as plt
#3.直方图
# 用hist(x,bins=10)函数来画,参数中x是个List,构建直方图的数集,bins是算出数据的边界及每个bin中有多少个数据点
values=[0,0.6,1.4,1.6,2.2,2.5,2.6,3.2,3.5,3.9,4.2,6]
#有12个数据,bins=3将其分为3段,即(0,2),(2,4),(4,6),从直方图中可以看出(2,4)中的数据最多
plt.hist(values,bins=3)
plt.show()
以上这篇基于python 二维数组及画图的实例详解就是小编分享给大家的全部内容了
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15