机器学习之数据分析利器，NumPy，pandas与Matplotlib

一、Numpy

NumPy库名字来源于“Numerical Python” 的缩写。

1.1、数组的概念

a为定义的一个列表，b为定义的一个数组。

import numpy as np
a = [1, 2, 3, 4, 5]  # 定义一个列表
b = np.array([1, 2, 3, 4, 5])  # 定义一个数组

1.2、数据list和列表ndarray的区别

总结： 数组和列表的区别，相同的索引机制，但是数组的元素通过空格隔开，列表的元素通过逗号隔开。

为什么数据分析选用数组ndarray而不用列表？看两个栗子。

1.2.1、让数组和列表都同时乘以2运算

总结： 列表list乘以2后只是将数据复制了一遍，而数组ndarray则是将其中的每个元素都乘以了2。那么在实际运用中，ndarray更能满足我们对于数学运算的需求。

1.2.2、让数组和列表都存储3个小列表

a = [[1,2,3], [4,5,6], [7,8,9]]
b = np.array([[1,2,3], [4,5,6], [7,8,9]])

总结：列表list虽然包含3个小列表，但是结构是一维的。数组ndarray则是3行3列的三维结构，列表list只能存储一维结构，数组ndarray能存储二维，三维，甚至多维的结构。

以上两点就是为什么数据分析中使用数组ndarray而不是列表list的主要原因。

1.3、创建数组的方式
创建一维数组

创建二维数据

通过np.arange创建

通过随机数创建

需要注意的是：通过np.random.rand() 生成的随机数都在0~1的范围之内。

通过arange()创建

通过随机整数二维数组创建

二、pandas

pandas库是基于NumPy库的一个开源Python库，名字来源于 “panel data”（面板数据）。pandas库提供了非常直观的数据结构和强大的数据处理功能。

2.1、二维数据表格DataFrame的创建
2.1.1、通过列表创建

总结：pandas库中的DataFrame更像Excel中的二维表格数据，有行索引和列索引。需要注意的是，索引都是从0开始的。

定义行索引和列索引：

通过空 DataFrame创建：

2.1.2、通过字典创建DataFrame

通过from_dict()函数创建

可以看到，通过from_dict()把字典键变成了行索引，参数orient指定字典键为列索引还是行索引，默认值为columns，即默认字典键为列索引，如果设置成index，则表示字典键为行索引。

通过.T转置：

总结：.T （转置）的效果和 orient='index'的效果一样。

2.1.3、通过二维数据创建DataFrame：

修改行索引和列索引：

查看index的值：

将行索引改成某列内容：

改成数字索引：

2.2、Excel文件的读取和写入
2.2.1、文件的读取：

import pandas as pd
data = pd.read_excel('Customer_value.xlsx')
data.head()

参数的设置：

data = pd.read_excel('Customer_value.xlsx', sheet_name=0, encoding='utf-8', delimiter=',')

sheet_name : 表示读取第几张sheet页的表格
delimiter ： 表示分割符号

2.2.2、文件的写入

a = pd.DataFrame(np.arange(15).reshape(3,5), index=['张三', '李四', '王五'], columns=['A', 'B', 'C', 'D', 'E'])
a.to_excel('data_test.xlsx')
# 或者
a.to_csv('data_test.csv')

参数的设置：

a.to_excel('data_test.xlsx', columns=['B', 'C'], index=False)

columns : 指定要写入的字段
index = False : 不对行索引index进行写入

2.3、数据的选取与处理

2.3.1、数据的选取
按列选取

总结：通过 d['col2']选取的是一个一维的Series类型的数据，是不包含columns的，而通过 d[['col2']]返回的是一个二维的表格数据。而要选取多列时，必须要通过列表的方式进行访问，即[['col1', 'col2']]

选取多列：

按行选取

选取1到2行，中括号中的数字，是前面的数字包括，后面的数字不包括。

总结：直接d[1:3] 和 d.iloc[1:3] 的效果是一样的，panda库推荐使用iloc方法，更加直观。

选取前1行：

选取最后1行：

注意：head() 和 tail() 括号中的数字如果不填的话，默认是5.

** 按区块选取数据**

总结：d[['col1', 'col2']][1:3]和d[1:3][['col1', 'col2']]，d.iloc[1:3][['col1', 'col2']]三者的选取效果是一样的，不过pandas库官方更推荐用 d.iloc[1:3][['col1', 'col2']]

2.3.2、数据筛选
单条件筛选：

多条件筛选：

2.3.3、整体数据查看
查看数据的行与列的个数：

查看数据的描述性分析：

查看数据在1%，10%，25% ，50%，75%，90%，99%上的分布：

查看数据概览：

统计某一列的数据的频次：

2.3.4、数据的运算，排序与删除
数据的运算：
二维数据的行列之间具有广播功能，可以直接进行加减乘除的运算

数据的排序：

参数说明：by用来指定要按哪一列来排序，ascending默认为True，表示升序排序，设置为False则是倒序排序。

sort_index() 函数表示根据索引来进行排序。

数据的删除：
按列索引删除：

需要注意的是，用drop删除时要用a = a.drop进行赋值，这样才能删除成功。如果直接用 a.drop（）删除，再去查看a时，是没有真正删除的。如果想不用a=进行赋值的话，可以加上参数 inplace = True，表示在a的基础上进行删除。这和a=赋值是等价的。代码如下：

a.drop(columns=['col2', 'col3'], inplace=True)
a = a.drop(columns=['col2', 'col3'])  
# 这两句代码的效果一样

按行索引删除：

行索引中的inplace用法一样，不再说明。

2.4、数据表拼接
pandas提供了merge()，join() ，concat()，append()函数进行拼接，分别介绍。
首先定义2个DataFrame，df1 和 df2：

2.4.1、merge()函数

merge函数不加任何的参数，在默认情况下，是取交集，默认参数how = 'inner' ，内连接。

设置how参数，改成以左表为主表，对右表进行关联：

以右表为主表，对左表进行关联：

需要注意的是，以右表为主表关联左表时，左表中没有的数据会用NaN进行填充。

以索引进行合并：

2.4.2、join函数：

2.4.3、concat函数

concat函数默认纵向拼接，没有的数据用NaN进行填充。

2.4.4、append函数

三、Matplotlib

3.1、绘制折线图

import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore") # 忽略警告
x = [1, 2, 3]
y = [3, 6, 9]
plt.plot(x, y)  # 绘制折线图
plt.show() #展示图形

import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [3, 6, 9]
y2 = np.array(y) + 1
plt.plot(x, y2, linestyle='--')
plt.plot(x, y) 
plt.show()

3.2、绘制柱形图

import matplotlib.pyplot as plt
x = np.arange(5)
y = [5, 4, 3, 2, 1]
plt.bar(x, y)
plt.show()

3.3、绘制散点图

import matplotlib.pyplot as plt
import numpy as np
x = np.random.rand(20)
y = np.random.rand(20)
plt.scatter(x, y)
plt.show()

3.4、绘制直方图

import matplotlib.pyplot as plt
import numpy as np
data = np.random.randn(1000) # 随机生成1000个服从正态分布的数据
plt.hist(data, bins=20, edgecolor='blue')
plt.show()

3.5、用pandas库绘制图表

import matplotlib.pyplot as plt
import numpy as np
data = np.random.randn(1000) # 随机生成1000个服从正态分布的数据
df = pd.DataFrame(data)
df.hist(bins=20, edgecolor='black')
plt.show()

import matplotlib.pyplot as plt
import pylab as mpl  #导入中文字体，避免显示乱码
mpl.rcParams['font.sans-serif']=['SimHei']  #设置为黑体字
df = pd.DataFrame({'姓名':['张三', '李四', '王五'], '语文':[88, 80, 70], '数学':[100, 95, 90], '外语':[95, 98, 99]})
df.set_index(keys='姓名', inplace=True)
df['数学'].plot(kind='line')
df['数学'].plot(kind='bar')

df['数学'].plot(kind='pie')

df['数学'].plot(kind='box')

3.6、数据可视化常用技巧
3.6.1、添加文字说明：

import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore") # 忽略警告
x = [1, 2, 3]
y = [3, 6, 9]
plt.title('这里是标题')
plt.xlabel('这里是x轴')
plt.ylabel('这里是y轴')
plt.plot(x, y)  # 绘制折线图
plt.show() #展示图形

3.6.2添加图例：

import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore") # 忽略警告
x = [1, 2, 3]
y = [3, 6, 9]
y2 = np.array(y) + 1
plt.plot(x, y2, linestyle='--', label='y=x+1')
plt.plot(x, y, label='y2=y+2') 
plt.legend()
plt.show()

3.6.3设置双坐标轴：

import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [3, 6, 9]
y2 = np.array(y) + 1
plt.plot(x, y2, linestyle='--', label='y=x+1')
plt.plot(x, y, label='y2=y+2') 
plt.legend()
plt.twinx() # 设置双坐标轴
plt.show()

3.6.4设置图表大小：

import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [3, 6, 9]
y2 = np.array(y) + 1
plt.figure(figsize=(10,5))  # 设置图表大小
# 或者用 plt.rcParams['figure.figsize'] = [10, 5]
plt.plot(x, y2, linestyle='--', label='y=x+1')
plt.plot(x, y, label='y2=y+2') 
plt.show()

3.6.5设置x轴刻度角度：

import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [3, 6, 9]
y2 = np.array(y) + 1
plt.xticks(rotation=45)  # 设置 x 轴的刻度为45度角
plt.plot(x, y2, linestyle='--', label='y=x+1')
plt.plot(x, y, label='y2=y+2') 
plt.show()

3.6.6解决中文显示问题：

import pylab as mpl  #导入中文字体，避免显示乱码
mpl.rcParams['font.sans-serif']=['SimHei']  #设置为黑体字

3.6.7绘制多图：
方式一：

import matplotlib.pyplot as plt
df = pd.DataFrame({'姓名':['张三', '李四', '王五'], '语文':[88, 80, 70], '数学':[100, 95, 90], '外语':[95, 98, 99]})
df.set_index(keys='姓名', inplace=True)
plt.rcParams['figure.figsize'] = [15, 8]

ax1 = plt.subplot(221)  # 221分别表示子图的行数，列数，子图的序号
df['数学'].plot(kind='line')
df['数学'].plot(kind='bar')

ax2 = plt.subplot(222) 
df['数学'].plot(kind='box')

ax2 = plt.subplot(223) 
df['数学'].plot(kind='pie')

ax2 = plt.subplot(224) 
df['数学'].plot(kind='area')
plt.show()

方式二：

import matplotlib.pyplot as plt
df = pd.DataFrame({'姓名':['张三', '李四', '王五'], '语文':[88, 80, 70], '数学':[100, 95, 90], '外语':[95, 98, 99]})
df.set_index(keys='姓名', inplace=True)

fig, axes = plt.subplots(2,2,figsize=(15,8))
ax1, ax2, ax3, ax4 = axes.flatten()
ax1.plot(df['数学'])
ax2.bar([1,2,3], df['数学'])
ax3.scatter([1,2,3], df['数学'])
ax4.pie(df['数学'])
plt.show()