python （七、Numpy高效数据处理）

Numpy的主要作用是进行矩阵运算

在使用时首先要导入包

import numpy as np

np.version.version 用来查看版本信息

# 构建一维数组
n1=np.array([1,2,3])    注意外面是小括号

n1.shape 输出维度数

# 构建二维数组
n2= np.array([[1,2,3],[4,5,6]]) 一个大方括号，里面是两个小方括号
n2.shape   

(2, 3)

下面这几个比较绕人，多看多记

# 快速构建 ndarray

# 序列创建：

np.arange(15)#类似于 python 中的 range，创建一个第一个维度为 15 的 ndarray 对象。

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

np.arange(2,3,0.1) #起点，终点，步长值。含起点值，不含终点值。

array([ 2. ,  2.1,  2.2,  2.3,  2.4,  2.5,  2.6,  2.7,  2.8,  2.9])

np.linspace(1,10,10) #起点，终点，区间内点数。起点终点均包括在内。

array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.])

np.arange(0,1,0.1) #0 到 1 之间步长为 0.1 的数组, 数组中不包含 1

array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9])

np.linspace(0, 1, 5) # 开始：0， 结束 1, 元素数 5。

array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ])

np.eye(3)# 对角线矩阵  （三行三列）

array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

np.random.rand(3,2) #随机数矩阵：   三行两列

注意点：

a[:,:] # 第一个冒号代表切出所有的行，第二个冒号代表切出所有的列。

c1=np.arange(50).reshape(2,5,5)
np.save(‘d:/c1‘,c1)      
# 保存好的数组,默认后缀为 npy
# 多个数组保存使用 savez 方法。

# 在根路径的情况下如上就直接写

 # 但在其他的路径时，np.save(‘C:\\Users\\asus\\Desktop\\python课程\\a1‘,a1)

a1=np.arange(50).reshape(2,5,5) # ????
np.save(‘C:\\Users\\asus\\Desktop\\python课程\\a1‘,a1)
np.load(‘C:\\Users\\asus\\Desktop\\python课程\\a1.npy‘)

# 读取
# load 方法载入 numpy 格式的数据
# savetxt,loadtxt 方法载入文本格式的数据同理

numpy y 函数 参考
生成函数 作用
np.array( x)将输入数据转化为一个 ndarray
np.array( x, dtype)将输入数据转化为一个类型为 type 的 ndarray
np.asarray( array ) 将输入数据转化为一个新的（copy）ndarray
np.ones( N )生成一个 N长度的一维全一 ndarray
np.ones( N , dtype)生成一个 N长度类型是 dtype 的一维全一 ndarray
np.ones_like( ndarray )生成一个形状与参数相同的全一 ndarray
np.zeros( N )生成一个 N长度的一维全零 ndarray
np.zeros( N , dtype)生成一个 N长度类型位 dtype 的一维全零 ndarray
np.zeros_like(ndarray)类似 np.ones_like( ndarray )
np.em pty( N )生成一个 N长度的未初始化一维 ndarray
np.em pty( N , dtype)q生成一个 N长度类型是 dtype 的未初始化一维 ndarray
np.em pty(ndarray)类似 np.ones_like( ndarray )
np.eye( N )创建一个 N * N的单位矩阵（对角线为 1，其余为 0）
np.identity( N )
np.arange( num ) 生成一个从 0 到 num-1 步数为 1 的一维 ndarray
。。。。。。

诸如此类不再附上

股票相关统计量计算
? 读入的给定的 ibm 股价数据中的收盘价及成交量
? 计算成交量加权平均价 VWAP（收盘价）
? 计算时间加权平均价 TWAP（收盘价）
? 找出 IBM 股票收盘价的极差
? 计算其收盘价的中位数，均值及方差
? 计算股票的收益率（简单收益率与对数收益率）
? 计算对数收益收益率大于 1%的天数有多少？