本文是画学numpy系列文章之一
⭐️github：drawing_and_studying_numpy包含了可以运行的notebook文件以及本文绘制的所有插图。
也可以选择在百度的AI studio【画学numpy】上运行notebook代码

🌈画学numpy系列文章目录：

• 【画学numpy】介绍
• 【画学numpy】1.numpy数组初识
• 【画学numpy】2.numpy数组创建
• 【画学numpy】3.numpy数组操作
• 【画学numpy】4.numpy数组索引
• 【画学numpy】5.numpy数组运算

numpy数组创建

上一小节中，创建一个长为4的1维数组要写4个数字，如果要创建一个长为100的数组，就要写100个数字，未免太麻烦了一点。

本小节，将介绍一系列十分常用且方便的数组创建方法：

• 等间隔数组：数组两两之间间隔相同，类似等差数列。
• 全等数组：数组里所有元素都相同。
• 随机数组：按要求随机生成数组，做模拟的时候很有用。
  [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uz8DiaYd-1647971377746)(./images/2.numpy数组创建_思维导图1.png)]

import numpy as np
print(np.__version__)

1.22.3

等间隔数组

以下两个函数只能创建一维数组。

• np.arange(): 按照给定的 步长根据起点和终点生成一维数组
• np.linspace(): 按照给定的 数组长度，均匀划分起点到终点的距离生成一维数组

np.arange()

📖官方文档

numpy.arange(start, end, step, ...)

np.arange()函数和python自带的 range()函数十分类似。

• start: 起点，默认为0
• end: 终点
• step: 步长，默认为1

从起点开始，每次按步长递增生成数组， 生成的数组不包括终点

只有一个参数时，会默认从0开始，以步长1生成数组。

a = np.arange(4)
print(a)

[0 1 2 3]

提示
为了文档更加简洁，下面的代码块省略赋值后再 print的操作。
坐标轴上的空心圆表示生成的数组不包括这个点。
只有两个参数时，表示指定了起点和终点，默认以步长1生成数组。

np.arange(2, 6)

array([2, 3, 4, 5])

从2开始到9结束，步长为2

np.arange(2, 9, 2)

array([2, 4, 6, 8])

和 range的一大区别是 np.arange的步长可以是小数

小数的创建规律同整数

np.arange(1, 1.4, 0.1)

array([1. , 1.1, 1.2, 1.3])

提示
再次提醒 np.arange(start, end, step)，这个函数生成的数组不包含 end值

np.linspace()

📖官方文档

numpy.linspace(start, end, num=50, ...)

• start: 起点
• end: 终点
• num: 一维数组长度

根据起点和终点生成间隔相同的一维数组， 生成的数组包括终点，数组长度为 num

下面以1作为起点，4作为终点，尝试不同的 num以了解 np.linspace的使用
num=5时，生成的数组长度为5，生成的数组包含了起点1和终点4，且前后两个元素的间隔相等

np.linspace(1, 4, num=5)

array([1.  , 1.75, 2.5 , 3.25, 4.  ])

num=4时

np.linspace(1, 4, num=4)

array([1., 2., 3., 4.])

num=3时

np.linspace(1, 4, num=3)

array([1. , 2.5, 4. ])

num=2时，生成的数组恰好是由起点和终点组成的

np.linspace(1, 4, num=2)

array([1., 4.])

num=1时，生成了一个只有起点的数组

np.linspace(1, 4, num=1)

array([1.])

全等数组

以下3个函数创建的数组，所有数组元素均相等

• np.zeros(): 生成一个全为0的一维或多维数组。
• np.ones(): 生成一个全为1的一维或多维数组。
• np.full(): 生成一个元素全部相等的一维或多维数组。

np.zeros()

📖官方文档

numpy.zeros(shape, ...)

生成一个全为0的数组，使用频率也是很高的一个函数
生成一个全为0的一维数组

np.zeros(shape=4)

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

生成一个全为0的二维数组

np.zeros(shape=(3, 4))

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

np.ones()

📖官方文档

numpy.ones(shape, ...)

生成一个全为1的数组，与 np.zeros()类似
生成一个全为1的一维数组

np.ones(shape=4)

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

生成一个全为1的二维数组

np.ones(shape=(3, 4))

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

np.full()

📖官方文档

numpy.full(shape, fill_value, ...)

生成一个全为某个数的数组，这个数也可以是字符型的。

• shape: 数组的形状
• fill_value: 数组的值
  生成一个全为2.4的一维数组

np.full(shape=4, fill_value=2.4)

array([2.4, 2.4, 2.4, 2.4])

生成一个全为 "a"的二维数组

np.full(shape=(3, 4), fill_value='a')

array([['a', 'a', 'a', 'a'],
       ['a', 'a', 'a', 'a'],
       ['a', 'a', 'a', 'a']], dtype='<u1') < code></u1')>

随机数组

下面介绍5个常用的随机数组创建函数

• np.random.random(): 生成一个 0到1之间均匀分布的随机数组
• np.random.uniform(): 生成一个 指定区间均匀分布的随机数组
• np.random.randn(): 生成一个 标准正态分布的的随机数组
• np.random.normal(): 生成一个 指定正态分布的的随机数组
• np.random.randint(): 生成一个指定区间范围的随机整数数组

np.random.random()

📖官方文档

numpy.random.random(size)

生成一个0到1之间的随机数组

• size: 数组的形状

生成一个0到1之间的1维随机数组

np.random.random(4)

array([0.9155639 , 0.0879231 , 0.50418975, 0.79625964])

生成一个0到1之间的2维随机数组

np.random.random((3, 4))

array([[0.29551936, 0.42407484, 0.65833207, 0.54675449],
       [0.64280259, 0.42581316, 0.12087349, 0.72347867],
       [0.36625864, 0.71585893, 0.24240265, 0.90152112]])

np.random.uniform()

📖官方文档

numpy.random.uniform(low=0.0, high=1.0, size=None)

生成一个范围是 low到 high之间的随机数组

• low: 数组的最小值
• high: 数组的最大值
• size: 数组的形状

其实跟 np.random.random()类似，就是多了控制范围的2个参数。
生成一个2到5之间的1维随机数组

np.random.uniform(low=2, high=5, size=4)

array([4.46704977, 3.28453679, 3.8914482 , 4.23255661])

生成一个-3到3之间的2维随机数组

np.random.uniform(-3, 3, (3, 4))

array([[ 0.53919671,  2.70351516,  1.91513643, -0.0198369 ],
       [ 2.43241932, -2.99126798, -2.1072604 , -1.95992406],
       [ 2.23506767, -2.32354201,  1.18681695, -0.09019135]])

np.random.randn()

📖官方文档

numpy.random.randn(d0, d1, d2, ...)

生成一个均值为0方差为1的标准正态分布随机数组

• d0, d1, ...: 数组的形状
  生成一个1维标准正态分布随机数组

np.random.randn(4)

array([-0.97841294,  0.08917692,  0.05429765,  0.38660857])

生成一个2维标准正态分布随机数组

np.random.randn(3, 4)

array([[ 1.64886552,  0.36417621,  0.77745513, -1.14481688],
       [-1.0317714 , -0.13213342, -0.38355106, -1.09655604],
       [ 1.5982574 ,  0.10802592, -1.94052385,  1.07061462]])

np.random.normal()

📖官方文档

numpy.random.normal(loc=0.0, scale=1.0, size=None)

生成一个均值为 loc标准差为 scale的正态分布随机数组

• loc: 数组的均值
• scale: 数组的标准差
• size: 数组的形状
  生成一个均值为2，标准差为10的一维正态分布随机数组

np.random.normal(loc=2, scale=10, size=4)

array([ 11.44176805, -18.58578423,  -0.1879512 ,  10.43410251])

生成一个均值为-5，标准差为5的二维正态分布随机数组

np.random.normal(-5, 5, size=(3, 4))

array([[  0.78720712,  -1.01289235,  -2.97885233,   0.42613163],
       [ -6.00490185,  -0.71370871,   0.1223361 ,  -9.68017774],
       [ -3.09613496, -10.65665833,  -3.89814507,  -0.69998495]])

np.random.randint()

📖官方文档

numpy.random.randint(low, high=None, size=None, ...)

生成一个指定区间 [low, high)内的随机整数数组， 不包含最大值

• low: 最小值
• high: 最大值，如果 high=None，那默认生成的范围是 [0, low)。否则生成的范围是 [low, high)
• size: 数组的形状
  生成一个0到5(不包含5)之间的随机一维整数数组

np.random.randint(5, size=8)

array([0, 1, 3, 4, 3, 0, 2, 2])

生成一个1到8(不包含8)之间的随机二维整数数组

np.random.randint(1, 8, (3, 4))

array([[2, 6, 7, 4],
       [3, 2, 5, 2],
       [3, 4, 1, 4]])

小结

下一章【画学numpy】3.numpy数组操作

Original: https://blog.csdn.net/Light2077/article/details/123676032
Author: Light2077
Title: 【画学numpy】2.numpy数组创建

相关阅读

Title: python金融数据分析及可视化

目录

• 1、数据来源——Wind金融终端
• 2、数据读取及其基本描述
• 3、收盘价与成交量关系图
• 4、收益率曲线
• 5、K线图
• 6、移动平均线

1、数据来源——Wind金融终端

在Wind数据库中下载到的宁德时代（代码300750.SZ）从2020-01-03到2021-12-31共485个数据，包括开盘价，最高价，最低价，收盘价以及交易量。
(需要数据进行操作的同学可以在我的资源上下载，由于Wind资讯金融终端不是免费的，而且作为喜欢白嫖的我们，有什么办法得到免费的数据呢，下次找到了一定分享给大家zll[doge]）

; 2、数据读取及其基本描述

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel('....../300750SZ.xls')

此处注意新版pandas.read_excel()函数并不支持.xlsx文件的读取，因此需要将数据文件类型转化为xls（或者可以用其他库函数，不过我觉得这个办法是最简单的）

df = pd.DataFrame(data)
df.head()

将数据data转化为DataFrame类型，并打印出前五行：

df.describe()

3、收盘价与成交量关系图

df['close'].plot()

df[['close','volume']].plot(subplots=True)

基本上我们就可以得到收盘价与成交量之间的关系图了，但是从两张图中来看，其x轴均不是日期，并且成交量一般使用的是柱状图，所以，我们加一点点细节让图变得好看一些。

list_date = list(df['Date'])
df.index = list_date

price = df['close']
volumes = df['volume']
top = plt.subplot2grid((4,4), (0,0), rowspan=3, colspan=4)
top.plot(price.index, price, label='close')
plt.title('300750.SZ Close Price from 2020-2021')
plt.legend(loc=2)

bottom = plt.subplot2grid((4,4), (3,0), rowspan=1, colspan=4)
bottom.bar(volumes.index, volumes)
plt.title('300750.SZ Daily Trading Volume')

plt.gcf().set_size_inches(12,8)
plt.subplots_adjust(hspace=0.75)

4、收益率曲线

（>......

Original: https://blog.csdn.net/weixin_47974364/article/details/123408886
Author: 貮叁
Title: python金融数据分析及可视化