一、numpy矩阵

安装numpy：pip install numpy

numpy简介

numpy是计算模块，主要有两种类型：数组、矩阵

特点：运算快

1、创建矩阵

mat1 = np.mat("1 2 3;2 3 4;1 2 3")mat2 = np.mat("1 7; 2 2; 8 2")mat3 = np.mat("1 2 3;2 3 4;1 2 3")mat4 = np.mat("1 0 0;0 4 0;0 0 6")print(mat1)[[1 2 3][2 3 4][1 2 3]]print(type(mat1))<class 'numpy.matrix'>

2、矩阵计算

# 加法运算print("矩阵加法运算：\n",mat1+mat3)矩阵加法运算：[[2 4 6][4 6 8][2 4 6]]# 乘法运算print("矩阵乘法运算：\n",mat1*mat2)矩阵乘法运算：[[29 17][40 28][29 17]]# 矩阵的转置运算 Tprint("矩阵转置：\n",mat1.T)矩阵转置：[[1 2 1][2 3 2][3 4 3]]# 逆矩阵方法 Iprint("逆矩阵：\n",mat4.I)逆矩阵：[[1. 0. 0. ][0. 0.25 0. ][0. 0. 0.16666667]]# 矩阵与数相乘print("数乘：\n",4*mat4)数乘：[[ 4 0 0][ 0 16 0][ 0 0 24]]# 矩阵与矩阵的对应元素相乘print("对应元素相乘的运算：\n",np.multiply(mat1,mat3))对应元素相乘的运算：[[ 1 4 9][ 4 9 16][ 1 4 9]]

二、矩阵属性

矩阵的结构 ----> shape

print("矩阵的结构：\n",mat1.shape)矩阵的结构：(3, 3)

矩阵的元素个数 ----> size

print("矩阵的元素个数：\n",mat1.size)矩阵的元素个数：9

矩阵的元素类型 ----> dtype

print("矩阵元素类型：\n",mat1.dtype)矩阵元素类型：int32

矩阵的维度 ----> ndim

print("矩阵的维度：\n",mat1.ndim)矩阵的维度：2

三、数组的创建

数组的所有运算都是对应元素的运算

1、数组的创建

# 一维的数组arr1 = np.array([1,2,3,4])print(arr1)print(type(arr1)) # numpy下的数组类型[1 2 3 4]<class 'numpy.ndarray'># 二维的数组arr2 = np.array([[1,2,3],[0,1,2],[2,3,1]])print(arr2)[[1 2 3][0 1 2][2 3 1]]# 列向量类型的数组arr3 = np.array([[1],[2],[3],[4]])print(arr3)[[1][2][3][4]]

2、数组的属性

数组的结构 ----> shape

print("一维数组结构：\n",arr1.shape)print("二维数组结构：\n",arr2.shape)一维数组结构：(4,)二维数组结构：(3, 3)

数组的元素个数 ----> size

print("数组元素个数：\n",arr1.size)print("数组元素个数：\n",arr2.size)数组元素个数：4数组元素个数：9

数组的元素类型 ----> dtype

print("一维数组元素类型：\n",arr1.dtype)print("二维数组元素类型：\n",arr2.dtype)一维数组元素类型：int32二维数组元素类型：int32

数组的维度 ----> ndim

print("一维数组的维度：\n",arr1.ndim)print("二维数组的维度：\n",arr2.ndim)一维数组的维度：1二维数组的维度：2

3、数组的索引

# 一维数组索引：arr1[0]arr1[:3]arr1[::-1]array([4, 3, 2, 1])# 二维数组的索引print(arr2)# arr2[行切片,列切片]arr2[1,2]arr2[1,1:3]arr2[0:2,0:2][[1 2 3][0 1 2][2 3 1]]array([[1, 2],[0, 1]])

切片的一些例子

arr2[::2,::2]array([[1, 3],[2, 1]])arr2[1:3,1:3]array([[1, 2],[3, 1]])arr2[:2,::2]array([[1, 3],[0, 2]])

不同行不同列(没有规则)的切片

arr2[(0,1,2),(0,1,2)]array([1, 1, 1])arr2[(1,0,1),(0,1,2)]array([0, 2, 2])arr2[(0,1,2),(2,1,0)]array([3, 1, 2])

bool取值 ----> 注意：不要行列同时传入bool值，只在行的位置或列的位置传入

mask = np.array([1,0,1],dtype=np.bool)print(mask)[ True False True]arr2[mask, :2]array([[1, 2],[2, 3]])arr2[:2,mask]array([[1, 3],[0, 2]])arr2[mask,mask]array([1, 1])

练习：取出数组中大于3的数

arr5 = np.array([1,6,3,4,5])# 构建一个maskmask = np.array([0,1,0,1,1],dtype=np.bool)arr5[mask]array([6, 4, 5])

4、特殊函数创建数组

（1）arange

# arange ==> 类似以rangearr6 = np.arange(1,10,1)print(arr6)[1 2 3 4 5 6 7 8 9] # 是一个数组而不是列表

（2）等差数列：linspace

np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None,axis=0)

参数说明：

endpoint=True:表示等差数列，在start与stop之间插入n-2个值（n为数值的个数）

endpoint=False:表示等差数列，在start与stop之间插入n-1个值，表示平均分成n份（为线段的个数）

arr7 = np.linspace(1,5,5) # 从1开始到5结束共五个数，会自动取之间的平均数print(arr7)[1. 2. 3. 4. 5.]

（3）等比数列：logspace

arr8 = np.logspace(0,2,3,base=10.0)print(arr8)[ 1. 10. 100.]arr8_1 = np.logspace(1,10,10,base=2)# arr8_1 = np.logspace(np.log10(2),np.log10(1024),10)print(arr8_1)[ 2. 4. 8. 16. 32. 64. 128. 256. 512. 1024.]# arr8_2 = np.logspace(1/2,11/2,6,base=9.0)arr8_2 = np.logspace(1,11,6,base=3)print(arr8_2)[3.00000e+00 2.70000e+01 2.43000e+02 2.18700e+03 1.96830e+04 1.77147e+05]arr8_3 = np.logspace(np.log10(2),np.log10(162),5)print(arr8_3)[ 2. 6. 18. 54. 162.]

（4）全一数组：ones

arr9 = np.ones((3, 4))print(arr9)"""[[1. 1. 1. 1.][1. 1. 1. 1.][1. 1. 1. 1.]]"""

（5）全零数组：zeros

arr10 = np.zeros((3, 3))print(arr10)"""[[0. 0. 0.][0. 0. 0.][0. 0. 0.]]"""

（6）单位数组：eye

arr11 = np.eye(3)print(arr11)"""[[1. 0. 0.][0. 1. 0.][0. 0. 1.]]"""

（7）对角数组：diag

arr12 = np.diag([1, 2, 3, 4])print(arr12)"""[[1 0 0 0][0 2 0 0][0 0 3 0][0 0 0 4]]"""

5、创建随机数组

（1）创建n个在0~1之间的随机数，为一维数组

arr13 = np.random.random(10)print(arr13)"""[0.16533666 0.93130472 0.99346775 0.86320579 0.40984664 0.826645750.83127987 0.81813288 0.38185262 0.5596341 ]"""

（2）创建服从均匀分布的随机数组

# 如在0~1之间分成100份，它的值是由概率生成的大致都接近的数arr14 = np.random.rand(100)print(arr14)

（3）创建正态分布数组随机数

arr15 = np.random.randn(10000)# 可以通过图形来感受正态分布的随机数import matplotlib.pyplot as pltplt.figure()plt.hist(arr15, 20)plt.show()

（4）随机整数的生成

# 参数：low（起始值） <= X < high（结束值）print(np.random.randint(2, 4, size=[2, 5]))"""[[3 3 2 3 3][3 2 2 2 3]]"""

6、形态变换、重置数组结构

（1）一维数组变为二维数组

arr_1 = np.arange(10)print(arr_1) # [0 1 2 3 4 5 6 7 8 9]arr_2 = arr_1.reshape((2, 5))print(arr_2)"""[[0 1 2 3 4][5 6 7 8 9]]"""

（2）展平：ravel ----> 二维数组变为一维数组

# 将刚才的二维数组转回一维数组print(arr_2.ravel()) # [0 1 2 3 4 5 6 7 8 9]

（3）展平方法二：flatten

参数：order='C'：以行展平,表示横向展平order='F'：以列展平,表示纵向展平print(arr_2.flatten('C')) # [0 1 2 3 4 5 6 7 8 9]print(arr_2.flatten('F')) # [0 5 1 6 2 7 3 8 4 9]

（4）堆叠方法

arr_3 = np.zeros((3, 4))arr_4 = np.ones((3, 4))横向堆叠，只有一个参数，是个元组，数组需要行数一致arr_5 = np.hstack((arr_3, arr_4))print(arr_5)"""[[0. 0. 0. 0. 1. 1. 1. 1.][0. 0. 0. 0. 1. 1. 1. 1.][0. 0. 0. 0. 1. 1. 1. 1.]]"""# 纵向堆叠，需要满足列数一致arr_6 = np.vstack((arr_3, arr_4))print(arr_6)"""[[0. 0. 0. 0.][0. 0. 0. 0.][0. 0. 0. 0.][1. 1. 1. 1.][1. 1. 1. 1.][1. 1. 1. 1.]]"""

（5）数组合并：concatenate

参数说明：axis=0,纵向合并；axis=1,横向合并，默认axis=0arr_i = np.concatenate((arr_3, arr_4), axis=0)print(arr_i) # 沿着axis=0轴的方向进行拼接"""[[0. 0. 0. 0.][0. 0. 0. 0.][0. 0. 0. 0.][1. 1. 1. 1.][1. 1. 1. 1.][1. 1. 1. 1.]]"""arr = np.concatenate((arr_3, arr_4), axis=1)print(arr) # 沿着axis=1轴的方向进行拼接"""[[0. 0. 0. 0. 1. 1. 1. 1.][0. 0. 0. 0. 1. 1. 1. 1.][0. 0. 0. 0. 1. 1. 1. 1.]]"""concatenate与hstack/vstack的区别：二维数组区别不大，主要在一维数组（一维数组只有一个轴）concatenate是严格沿着数组的轴的方向拼接的，一维数组只有一个轴，因此只有一种拼接方式；hstack/vstack不关注有几个轴，只是单纯按照纵向或横向方向堆叠即可，因此一维数组也有两种堆叠方式；vstack可以将两个一维数组变成一个二维数组ar_1 = np.array([1, 2, 3, 4])ar_2 = np.array([0, 1, 1, 2])print(np.concatenate((ar_1, ar_2), axis=0)) # [1 2 3 4 0 1 1 2]print(np.concatenate((ar_1, ar_2), axis=1)) # 会报错print(np.vstack((ar_1, ar_2)))"""[[1 2 3 4][0 1 1 2]]"""

（6）数组分割：split

横向分割：列索引取值print(np.hsplit(arr, 4))"""[array([[0., 0.],[0., 0.],[0., 0.]]), array([[0., 0.],[0., 0.],[0., 0.]]), array([[1., 1.],[1., 1.],[1., 1.]]), array([[1., 1.],[1., 1.],[1., 1.]])]"""print(np.hsplit(arr, [3,7,9]))"""[array([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]]), array([[0., 1., 1., 1.],[0., 1., 1., 1.],[0., 1., 1., 1.]]), array([[1.],[1.],[1.]]), array([], shape=(3, 0), dtype=float64)] # 因为最后没有数据了，所以是空数组"""也可以写成print(np.hsplit(arr, np.array([3,7,9])))# 将其分割为2,2,3,1 [2,4,7] 最后不写值就是取值到到最后# 纵向分割print(np.vsplit(arr_i, 3))"""[array([[0., 0., 0., 0.],[0., 0., 0., 0.]]), array([[0., 0., 0., 0.],[1., 1., 1., 1.]]), array([[1., 1., 1., 1.],[1., 1., 1., 1.]])]"""# 沿着指定轴切割print(np.split(arr_i, 3, axis=0))"""[array([[0., 0., 0., 0.],[0., 0., 0., 0.]]), array([[0., 0., 0., 0.],[1., 1., 1., 1.]]), array([[1., 1., 1., 1.],[1., 1., 1., 1.]])]"""

7、数组运算

注意：数组之间的运算都是对应元素的运算

（1）四则运算：+、-、*、/、**、%

arr17 = np.arange(1, 17).reshape((4, 4))print(arr17)arr18 = np.diag([2, 3, 1, 5])print(arr18)直接运算即可print(arr17 + arr18)"""[[ 3 2 3 4][ 5 9 7 8][ 9 10 12 12][13 14 15 21]]"""# print(arr17 - arr18)"""[[-1 2 3 4][ 5 3 7 8][ 9 10 10 12][13 14 15 11]]"""# print(arr17 * arr18)"""[[ 2 0 0 0][ 0 18 0 0][ 0 0 11 0][ 0 0 0 80]]"""# print(arr18 / arr17)# print(arr17 ** arr18)# print(arr18 % arr17)

（2）比较运算：< > == <= >= !=

print(arr18 < arr17) # 就是每个元素之间的比较"""[[False True True True][ True True True True][ True True True True][ True True True True]]"""取出arr17中大于8的数定义maskmask = arr17 > 8数组可以与值进行比较，是将数组的所有元素与数值进行比较print(mask) # 返回值是True或False，"""[[False False False False][False False False False][ True True True True][ True True True True]]"""print(arr17[mask]) # [ 9 10 11 12 13 14 15 16]

注意：定义好mask后，后边其他数组拿来用时，mask还是之间的mask（mask的True和False并没有改变）。

（3）逻辑运算

a、逻辑与运算：print(np.all(mask)) # Falseb、逻辑或运算：print(np.any(mask)) # True

（4）数组广播：只有一行或一列才能广播

二维数组 + 列向量arr19 = np.array([[1], [0], [1], [0]])print(arr17 + arr19)"""[[ 2 3 4 5][ 5 6 7 8][10 11 12 13][13 14 15 16]]"""二维数组 + 行向量arr20 = np.array([0, 1, 0, 1])print(arr17 + arr20)"""[[ 1 3 3 5][ 5 7 7 9][ 9 11 11 13][13 15 15 17]]"""

（5）特殊方法

a、排序（一维数组）arr21 = np.array([21, 10, 20, 8, 15, 1])排序、并修改原始数组arr21.sort()print(arr21) # [ 1 8 10 15 20 21]（二维数组）arr22 = np.array([[12, 2, 10, 9], [2, 90, 25, 1]])print(arr22)"""[[12 2 10 9][ 2 90 25 1]]"""arr22.sort()print(arr22)"""[[ 2 9 10 12][ 1 2 25 90]]"""arr22.sort(axis=0) # 0:纵向排序,1:横向排序，不写为横向排序"""[[ 2 2 10 1][12 90 25 9]]"""b、argsort注意：argsort返回的值是索引，是原数组元素的索引，然后排好序如：下方一维数组的返回值，最后为0，那么原数组索引为0的元素就是最大的第一个为5，那么原数组索引为5的元素是最小的（一维数组）print(arr21.argsort()) # [5 3 1 4 2 0] --> 索引（二维数组）print(arr22.argsort(axis=1))结果为排序前的索引"""[[1 3 2 0][3 0 2 1]]"""c、去重：unique去重后整行与整列去重：axis=0表示对比整行数，如果整行值都相同，则进行去重axis=1表示对比整列数，如果整列值都相同，则进行去重默认axis=None，展平排序注：去重会进行排序，一维数组直接排序，二维数组会比较数组的第一个数，如果第一个数相同会比较第二个数，直到不一样时，进行排序（列去重会比较每一列的第一个数）。arr = np.array([21,2,21,1,0,1])np.unique(arr) # array([ 0, 1, 2, 21])arr2 = np.array([[1,2,1,2],[0,2,0,2]])np.unique(arr2) # 返回的是一个一维数组np.unique(arr2,axis=0) # 将每一行数组看成一个整数，当这一行与其他行完全相同时，去掉它np.unique(arr2,axis=1) # 将每一列数组看成一个整数，当这一列与其他列完全相同时，去掉它

（6）文件操作

a、二进制文件的生成np.save('arr',arr3) # save保存默认为.npy文件,只能保存一个数组b、读取二进制文件：load注意：读取时必须是完整的文件名，注意加上后缀名np.load('arr.npy')c、多个数组的保存与读取np.savez('arrz',arr,arr1) # savez保存默认为.npz文件,可以保存多个数组data = np.load('arrz.npz')print(data) # 是一个对象print(list(data)) # 查看npzfile下的npy文件：['arr_0', 'arr_1']# 提取某个值print(data['arr_0'])d、.txt文件的保存与读取np.savetxt('arr2',arr2,fmt='%d'(数字),delimiter=','(以逗号分隔)) # 保存为txt文件np.loadtxt('arr2',delimiter=',',dtype=‘str’(以字符串类型查看内容))

7、统计分布方法

注意：统计分布方法中都有axis参数可以传入，并且获取每行或者每列时返回的多个值是数组形式的。

（1）最小值

print('获取整个数组中最小的值：\n',arr.min())print('获取每一行的最小值：\n',arr.min(axis=1))print('获取每一列的最小值：\n',arr.min(axis=0))

（2）最大值

print('获取整个数组中最大的值：\n',arr.max())print('获取每一行的最大值：\n',arr.max(axis=1))print('获取每一列的最大值：\n',arr.max(axis=0))

（3）最小值索引

print(arr.argmin())print(arr.argmin(axis=1))print(arr.argmin(axis=0))

（4）最大值索引

print(arr.argmax())print(arr.argmax(axis=1))print(arr.argmax(axis=0))

（5）标准差

注意：方差与标准差可以反映数据的分布：当标准差与方差越大，表示数据越分散；当标准差与方法越小，数据越集中

print(“标准差：\n”,arr.std())

print(“标准差：\n”,arr.std(axis=0)) # 一列一列计算

print(“标准差：\n”,arr.std(axis=1)) # 一行一行计算

（6）方差

print("方差：\n",arr.var())# 也有axis方法

（7）求和

print(arr.sum())print('按行求和：\n',arr.sum(axis=1))print('按列求和：\n',arr.sum(axis=0))

（8）平均值

print('平均值：\n',arr.mean())print('按行求平均值：\n',arr.mean(axis=1))print('按列求平均值：\n',arr.mean(axis=0))

（9）累计求和

它的返回值是每做一次运算就返回一个值

print('累计求和：\n',arr.cumsum())# [ 1 3 7 13 15 17 21 41 44 53 73 78]

（10）累计求积

print('累计求积：\n',arr.cumprod())

四、习题

1、矩阵

解答：

import numpy as np# 1.mat1 = np.mat("1 0 0;0 2 0;0 0 3")# print(mat1.I)# 2.# print(mat1**6)mat2 = np.mat("4 0 0;0 5 0;0 0 6")# print(mat1+mat2)# print(mat1-mat2)# print(np.multiply(mat1,mat2))# 3."""AB = A +2BA = AB - 2BA = (A-2E)BB = A·(A-2E)逆"""E = np.mat("1 0 0;0 1 0;0 0 1")A = np.mat("0 3 3;1 1 0;-1 2 3")# C = A-2EC = A - 2 * ED = C.IB = A * D# print(B)# 4.(1)"""y代表系数矩阵x代表未知数矩阵z代表和矩阵yx = zx = z*y逆"""y1 = np.mat("1 2 3;2 2 5;3 5 1")# x = np.mat("x1 x2 x3")z1 = np.mat("1 ;2 ;3")y_n1 = y1.I# print(y_n)x1 = y_n1 * z1# print(x)# (2)"""y代表系数矩阵x代表未知数矩阵z代表和矩阵yx = zx = z*y逆"""y2 = np.mat("1 1 1;1 2 4;1 3 9")z2 = np.mat("2;3;5")y_n2 = y2.Ix2 = y_n2 * z2print(x2)

2、数组

表格格式如上图所示：A、B、C、D、E 分别对应下图中蓝色框内的五个数组, 并且分布为五日对应的销售数据;

每个数组中 0-3 行分别对应地区： 福建， 浙江， 广州， 江苏；每列分别代表销售的水果种类；

(1)分别创建 A/B/C/D/E 五个数组；

(2)将上述五个小数组合成大数组，使其成为完整一张表格；

(3)完成如下几个操作：

比较第 1 日，福建省销售水果的情况，并按照销售量大小进行排序；第 5 日中，苹果在哪个省份比较畅销？哪些水果在相应省份 2 日比第 1 日卖的好？计算 5 日内，四种水果分别再四个地区的总销量；计算 5 日内，哪种水果在某一个地区的销量超过 6500？如果在江苏上售卖水果，应该选择哪种水果比较好？为什么？

解答

import numpy as np(1)、分别创建A,B,C,D,E五个数组，还有省份和水果种类数组address = ['福建','浙江','广东','江苏']fruits = ['苹果','猕猴桃','枇杷']A = np.array([[, 0, 1779], [4103, 2505, 0], [2861, 1688, 0], [0, 0, 1213]])B = np.array([[4134, , 0], [2674, 1309, 2658], [0, 0, 4537], [4353, 2600, 4235]])C = np.array([[3824, 0, 4291], [0, 0, 3636], [4050, 2146, 2137], [1125, 566, 0]])D = np.array([[4339, 0, 4733], [4571, 3050, 0], [0, 0, 1196], [2864, 1656, 0]])E = np.array([[0, 0, 2606], [2370, 0, 4481], [1980, 1216, 0], [3671, 0, 4530]])(2)、将上述五个小数组合成大数组，使其成为完整一张表格arr = np.array([A, B, C, D, E])# print(arr)(3)、完成以下操作1、比较第1日，福建省销售水果的情况，并按照销售量大小进行排序arr1 = A[:1, ::]arr1.sort()print(arr1) # [[ 0 1779 ]]2、第5日中，苹果在哪个省份比较畅销？ ----> 江苏arr2 = E[::, :1]print(arr2.argsort(axis=0))"""[[0][2][1][3]]"""m = arr2.argsort(axis=0)[-1][0]print(arr2[m]) # [3671]"""[[0] # 福建[2] # 浙江[1] # 广东[3]] # 江苏"""3、哪些水果在相应省份2日比第1日卖的好？# print(B > A)res = B > Aprint(res)"""[[ True True False][False False True][False False True][ True True True]]"""for i in range(4): # 省份for j in range(3): # 种类if res[i][j]: # 如果res的值为Trueprint(address[i]+'的'+fruits[j]+'第2日比第1日卖的好')"""福建的苹果第2日比第1日卖的好福建的猕猴桃第2日比第1日卖的好浙江的枇杷第2日比第1日卖的好广东的枇杷第2日比第1日卖的好江苏的苹果第2日比第1日卖的好江苏的猕猴桃第2日比第1日卖的好江苏的枇杷第2日比第1日卖的好"""4、计算5日内，四种水果分别在四个地区的总销量G = (A+B+C+D+E)print(G)"""[[14317 13409][13718 6864 10775][ 8891 5050 7870][1 4822 9978]]"""5、计算5日内，哪种水果在某一地区的销量超过6500？print(G > 6500)"""[[ True False True][ True True True][ True False True][ True False True]]"""6、如果在江苏售卖水果，应该选择哪种水果比较好？为什么？choice_foods = G[3].argsort()[-1]for i in range(3):if choice_foods == i :print('卖'+fruits[i]+'比较好，因为卖的最多')# 卖苹果比较好，因为卖的最多

3、练习

读取一个npz文件，因为无法上传，直接写出内容

1、['工号' '姓名' '部门' '岗位' '薪资' '工龄' '满意度' '状态']2、[['lol-1' '孙悟空' '战士' '上单' '50000' '10' '3' '离职']['lol-10' '光辉' 'AP' '中单' '10000' '3' '2' '在职']['lol-11' '石头人' '坦克' '辅助' '5000' '3' '1' '在职']['lol-12' '萝莉' 'AD' '射手' '50000' '3' '3' '离职']['lol-13' '提莫' 'AP' '辅助' '2500' '3' '2' '在职']['lol-14' '狗头' '战士' '上单' '11000' '3' '1' '在职']['lol-15' '轮子妈' 'AD' '射手' '12500' '3' '1' '在职']['lol-16' '冰鸟' 'AP' '辅助' '20000' '2' '2' '在职']['lol-17' '牛头' '坦克' '辅助' '8000' '2' '1' '在职']['lol-18' '剑豪' '刺客' '中单' '2500' '2' '2' '在职']['lol-19' '男刀' '刺客' '中单' '20000' '2' '1' '在职']['lol-2' '剑圣' '刺客' '打野' '25000' '6' '2' '在职']['lol-20' '阿木木' 'AP' '打野' '13500' '1' '3' '离职']['lol-3' '寒冰' 'AD' '射手' '15000' '5' '2' '在职']['lol-3' '寒冰' 'AD' '射手' '15000' '5' '2' '在职']['lol-4' '影子' '刺客' '中单' '30000' '5' '3' '离职']['lol-5' '蒙多' '坦克' '上单' '8000' '5' '1' '在职']['lol-6' '小炮' 'AD' '射手' '20000' '5' '2' '在职']['lol-7' '盖伦' '战士' '上单' '12000' '5' '1' '在职']['lol-7' '盖伦' '战士' '上单' '12000' '5' '1' '在职']['lol-8' '蛇女' 'AP' '中单' '13000' '4' '3' '离职']['lol-9' '蛮王' '战士' '上单' '8000' '4' '3' '离职']]

要求：

各部门有多少名员工？员工总体流失率是多少？员工平均薪资是多少？员工平均工作年限是多少？公司任职时间最久的三名员工是谁？员工整体满意度如何？

解答

方法不唯一，我自己写的可能复杂了。

from collections import Counterimport numpy as npdata = np.load('yingxionglianmeng.npz', allow_pickle=True)# print(list(data))arr0 = np.array(data['arr_0'])arr1 = np.array(data['arr_1'],dtype='str')arr1 = np.unique(arr1, axis=0)print(arr1)# 1、各部门有多少名员工？department_arr = arr1[::,2]print(Counter(department_arr)) # Counter({'AP': 5, '战士': 4, 'AD': 4, '刺客': 4, '坦克': 3})# 2、员工总体流失率是多少？state = arr1[:, 7]lz_sum = Counter(state)['离职']lz_rate = lz_sum / state.size# 转换为百分号方法一：print("%.2f%%" % (lz_rate * 100)) # 30.00%# 方法二：print(str(lz_rate * 100)[:2] + '%') # 30%# 3、员工平均薪资是多少？salary_sum = arr1[:,4].astype("int")a = salary_sum.cumsum()[-1]avg_salary = a / arr1[:, 4].sizeprint(avg_salary) # 16800.0# 4、员工平均工作年限是多少？# 方法一：a = arr1[:, 5].astype("int")print(a.mean()) # 3.8# 方法二：year_arr = np.array([int(i) for i in arr1[:, 5]])print(year_arr.mean()) # 3.8# 5、公司任职时间最久的三名员工是谁？len_year = arr1[:, 5].astype("int")sy = len_year.argsort()[-3:]hero_name = arr1[:, 1][sy][::-1]print("在公司任职时间最久的三名员工是：", hero_name)# 6、员工整体满意度如何？satisfaction = arr1[:, -2].astype("int")avg_satisfaction = satisfaction.cumsum()[-1] / satisfaction.sizeprint("员工整体满意度为：",avg_satisfaction)