1.一行list的理解:
#求list中每个元素的平方
x=[1,2,3,4]
out=[]
for item in x:
out.append(item**2)
print(out)
result=[1,4,9,16]
#vs
out=[item**2 for item in x]
print(out)
result=[1,4,9,16]
显然可以看出一行list代码更加简洁
2.Lambda 表达式
lambda 本质就是函数,是用来创建短小精悍的一次性匿名函数
lambda arguments: expression
arguments 表示要计算的输入参数
expression 表示函数体内部参表达式
double=lambda x:x*2
print(double(5))
10
3.Map 和Filter
map 和filter 一般都是和lambda表达式结合使用的
#Map
#map将输入的seq 通过operation(如乘2),转换为另外一个map,通过list转换为列表
map(operation,seq)
seq=[1,2,3,4,5]
#如通将seq中每个元素乘以2,转换为map,通过list强制转换为列表类型
result=list(map(lambda x:x*2),seq)
print(result)
[2,4,6,8,10]
#filter 与map有些类似,但是返回的是rule过滤条件为True的子列表
filter(rule,list)
rule:某种规则
list:列表
seq=[1,2,3,4,5]
result=list(filter(lambda x:x>2,seq))
print(result)
[3,4,5]
4.Arange 和Linespace
#np.arange(start,stop,step)
start:开始位置
stop:终止位置(不包括stop值)
step:步调,表示每次间隔几个元素,默认为1
np.arange(3,7,2)
array([3,5])
#np.linespace(start,stop,num)
start:开始位置
stop:终止位置(包括改值)
num:等间隔划分比例
np.linspace(2.0, 3.0, num=5)
array([ 2.0, 2.25, 2.5, 2.75, 3.0])
5.Axis的含义:
df.drop('Row A', axis=0)#删除df中一行数据
df.drop('Column A', axis=1)#删除df中的一列数据
原因如下:
我们打印输出df的形状时,可能0表示行,1表示列的二维tuple(0,1)
df.shape
(# of Rows, # of Columns)
6.Concat
上图表示df1,df2,df3三个表格的在(axiis=0) 行方向叠加
上图表示df1,df2外连接 axis=1 列方向上
上图表示df1,df4在列axis=1上的内连接
详细请参考:https://pandas.pydata.org/pandas-docs/version/0.18/merging.html
7.pandas apply()函数:
类似map一样,apply函数是用来对pandas DataFrame或者是Series(pandas中一维数组)应用与每个元素