实验题目：               数据分析基础                      

实验目的：1.掌握 Anaconda与 Jupyter Notebook的安装与使用方法        2.掌握 NumPy 创建数组、矩阵的方法以及常用的方法  

3.掌握 NumPy 统计分析方法                                  

实验环境（硬件和软件）1.硬件环境:普通PC机                 

2.软件环境:Windows操作系统、Jupyter Notebook              

实验内容：(一)安装 Anaconda软件并使用 Jupyter Notebook

1、启动 Jupyter Notebook

2、新建一个 Notebook

3、使用 Markdown 功能，创建标题、列表、字体、表格、数学公式

(二)NumPy 数值计算

1、创建 NumPy数组对象ndarray，并生成随机数，通过索引访问数组，并

变换数组的形态。

2、创建 NumPy 矩阵，使用 ufunc 函数

3、利用 NumPy 进行统计分析

实验步骤：

①步骤 1：安装 Anaconda

访问 Anaconda 官网下载相应操作系统的安装包。

运行下载的安装包，并按照安装向导完成安装。

安装完成后，重启计算机。

步骤 2：启动 Jupyter Notebook

打开命令行或终端。

输入 jupyter notebook 命令并回车。

在默认浏览器中打开 Jupyter Notebook 的控制面板。

步骤 3：新建一个 Notebook

在 Jupyter Notebook 控制面板中，点击右上角的“New”按钮。

选择“Python 3”或你安装的其他 Python 版本来创建新的 Notebook。

步骤 4：使用 Markdown 功能

在新建的 Notebook 中，选择一个新的单元格（Cell），点击工具栏上的“Cell” > “Cell Type” > “Markdown”。

创建标题：输入 # 标题，## 子标题 等。

创建列表：输入 - 列表项 或 * 列表项。

改变字体样式：使用 **粗体** 或 *斜体*。

创建表格：使用 | 表头1 | 表头2 | 和 --- | --- | ---。

插入数学公式：使用 $x^2 + y^2 = z^2$ 来显示数学公式。

步骤 5：创建 NumPy 数组对象 ndarray

步骤 6：创建 NumPy 矩阵，使用 ufunc 函数

创建矩阵：使用 np.matrix([[1, 2], [3, 4]])。

使用 ufunc 函数：例如，使用 np.sin() 或 np.cos() 对矩阵进行运算。

步骤 7：利用 NumPy 进行统计分析

计算平均值：使用 np.mean(array)。

计算标准差：使用 np.std(array)。

计算最大值和最小值：使用 np.max(array) 和 np.min(array)。

实验数据记录：

创建数组代码numpy.array(object, dtype=None, copy=True, order='K',subok=False, ndmin=0)生成随机数代码rand函数用来生成（0，1）之间的随机数组numpy.random.rand(d0,d1,d2,d3...dn)randn函数用于从正态分布中返回随机生成的数组numpy.random.randn(d0,d1,d2,d3...dn)randint函数，生成给定上下范围的随机数Numpy.random.randint(low,high=None,size=None)normal用于正态分布生成的随机数numpy.random.normal(loc,scale,size)通过索引访问数组一维数组切片式索引import numpy as np n1=np.array([1,2,3]) #创建一维数组 print(n1[0]) #输出第1个元素 print(n1[1]) #输出第2个元素 print(n1[0:2]) #输出第1个元素至第3个元素(不包括第3个元素) print(n1[1:]) #输出从第2个元素开始以后的元素 print(n1[:2]) #输出第1个元素(0省略)至第3个元素(不包括第3个元素)二维数组索引import numpy as np #创建3行4列的二维数组n=np.array([[0,1,2,3],[4,5,6,7],[8,9,10,11]]) print(n[1]) #输出第2行的元素 print(n[1,2]) #输出第2行第3列的元素 print(n[-1]) #输出倒数第1行的元素变换数组的形态reshape改变数组维度import numpy as np n=np.arange(6) #创建一维数组 print(n) n1=n.reshape(2,3) #将数组重塑为2行3列的二维数组 print(n1)使用ravel函数展平数组 arr.ravel()与ravel函数的区别，flatten函数可以选择横向或纵向展平 arr.flatten() arr.flatten(‘F’)组合数组使用hstack函数实现数组横向组合：np.hstack((arr1,arr2))使用vstack函数实现数组纵向组合：np.vstack((arr1,arr2))使用concatenate函数实现数组横向组合：np.concatenate((arr1,arr2),axis = 1))使用concatenate函数实现数组纵向组合：np.concatenate((arr1,arr2),axis = 0))切割数组使用hsplit函数实现数组横向分割： np.hsplit(arr1, 2)使用vsplit函数实现数组纵向分割： np.vsplit(arr, 2)使用split函数实现数组横向分割： np.split(arr, 2, axis=1)使用split函数实现数组纵向分割： np.split(arr, 2, axis=0)数组转置（n，T），（n，transpose）数组的查询numpy.where(condition,x,y)创建矩阵使用 mat函数创建矩阵，程序代码如下:import numpy as np a = np.mat('5 6;7 8') b = np.mat([[1，2]，[3，4]]) print(a) print(b) print(type(a)) print(type(b)) n1 = np.array([[1，2]，[3，4]]) print(n1) print(type(n1))创建对角矩阵，程序代码如下:import numpy as np data1 = np.mat(np.eye(2,2,dtype=int))#2*2对角矩 阵 print(data1) data1 = np.mat(np.eye(4,4,dtype=int))#4*4对角矩 阵 print(data1)bmat函数创建矩阵，分块矩阵矩阵与数相乘：matr1*3矩阵相加减：matr1±matr2矩阵相乘：matr1*matr2矩阵对应元素相乘：np.multiply(matr1,matr2)T 返回自身的转置H 返回自身的共轭转置I 返回自身的逆矩阵A 返回自身数据的2维数组的一个视图ufunc函数代码全称通用函数（universal function），是一种能够对数组中所有元素进行操作的函数。四则运算：加（+）、减（-）、乘（*）、除（/）、幂（**）。数组间的四则运算表示对每个数组中的元素分别进行四则运算，所以形状必须相同。比较运算：>、<、==、>=、<=、!=。比较运算返回的结果是一个布尔数组，每个元素为每个数组对应元素的比较结果。逻辑运算：np.any函数表示逻辑“or”，np.all函数表示逻辑“and”。运算结果返回布尔值。数组的四则运算x = np.array([1,2,3])y = np.array([4, 5,6])print(’数组相加结果为:’,x + y) #数组相加 数组相加结果为:[579]print('数组相减结果为:’,x - y) #数组相减 数组相减结果为:[-3-3 -3]print(’数组相乘结果为:’,x * y) #数组相乘 数组相乘结果为:[41018]print(’数组相除结果为:’,x / y) #数组相除 数组相除结果为:[0.250.40.5]print('数组幂运算结果为:’,x ** y)#数组幂运算数组幂运算结果为:[132729]数组的比较运算x = np.array([1, 3,5]) y = np.array([2,3,4])print('数组比较结果为:’,x<y)数组比较结果为:[True False Falselprint(’数组比较结果为:’,x > y)数组比较结果为:[False False True]print(’数组比较结果为:’，x=y)数组比较结果为:[False True False]print('数组比较结果为:’,x >= y) 数组比较结果为:[False True True]print ('数组比较结果为:’,x <= y) 数组比较结果为:[True True Falselprint(’数组比较结果为:’,x != y)数组比较结果为:[True False True]Numpy常用统计分析方法argsort函数返回值为重新排序值的下标。 arr.argsort()lexsort函数返回值是按照最后一个传入数据排序的。 np.lexsort((a,b,c))去重与重复数据、通过unique函数可以找出数组中的唯一值并返回已排序的结果。tile函数主要有两个参数，参数“A”指定重复的数组，参数“reps”指定重复的次数。np.tile(A，reps)repeat函数主要有三个参数，参数“a”是需要重复的数组元素，参数“repeats”是重复次数，参数“axis”指定沿着哪个轴进行重复，axis = 0表示按行进行元素重复；axis = 1表示按列进行元素重复。numpy.repeat(a, repeats, axis=None)这两个函数的主要区别在于，tile函数是对数组进行重复操作，repeat函数是对数组中的每个元素进行重复操作。NumPy中常用统计函数的使用arr np. arange(20).reshape(4,5) print(创建的数组为:\n’,arr)创建的数组为:[[01 234][56789][10 11 12 13 14][15 16171819]]print(数组的和为:’,np.sun(arr))#计算数组的和数组的和为:190print(’数组横轴的和为:’,arr.sum(axis= 0))#沿着纠轴计算求和数组横轴的和为:[303438 42 46]print(数组纵轴的和为:’,arr.sum(axis = 1))#沿着横轴计算求和数组纵轴的和为:[103560 85]print(数组的均值为:’,np.mean(arr)) #计算数组均值 数组的均值为:9.5print(数组横轴的均值为:’,arr.mean(axis = 0)) #沿着纵轴计算数组均值数组横轴的均值为:[7.58.5 9.5 10.5 11.5]print(数组纵轴的均值为:’,arr.mean(axis = 1)) #沿着横轴计算数组均值 数组纵轴的均值为:[2.7.12. 17.]print(’数组的标准差为:’,np.std(arr)) #计算数组标准差 数组的标准差为:5.76628129734print(数组的方差为:’,np.var(arr)) #计算数组方差数组的方差为:33.25print(数组的最小值为:’,np.min(arr))#计算数组最小值数组的最小值为:0print('数组的最大值为:’,np.max(arr))#计算数组最大值数组的最大值为:19print(’数组的最小元素为:’,np.argnin(arr))#返回数组最小元素的索引数组的最小元素为:0print(数组的最大元素为:’,np.argmax(arr)) #返回数组最大元素的索引 数组的最大元素为:19cumsum函数和cumprod函数的使用arr = np.arange (2,10) print ('创建的数组为:’,arr)创建的数组为:[23456789]print('数组元素的累计和为:’,np.cumsun(arr))#计算所有元素的累计和数组元素的累计和为:[259142027 35 44]print(’数组元素的累计积为:’,np.cumprod(arr)) #计算所有元素的累计积 数组元素的累计积为:[ 2 24 120 720 5040 40320 362880]

问题讨论：

问题一：安装Anaconda和Jupyter Notebook时遇到兼容性问题

问题描述： 在Windows操作系统上安装Anaconda时，可能会遇到与现有软件冲突或兼容性问题，导致安装失败或功能不正常。

解决方法：

检查系统要求： 确保你的Windows操作系统版本满足Anaconda的最低要求。

使用管理员权限安装： 在安装Anaconda时，右键点击安装程序，选择“以管理员身份运行”。

检查环境变量： 确保Anaconda的安装路径已经添加到系统的环境变量中，这样可以在任何地方调用Anaconda命令。

问题二：使用NumPy进行数组操作时出现错误

问题描述： 在使用NumPy创建数组或进行数组操作时，可能会遇到索引错误、维度不匹配等错误。

解决方法：

检查数组维度： 在进行数组操作前，使用.shape属性检查数组的维度，确保操作符合预期。

使用正确的索引： 确保使用正确的索引访问数组元素，NumPy的索引从0开始。