typora-copy-images-to: upload
01 numpy的基本属性与方法
1. numpy数组的创建
- 直接使用
array
转换列表 zeros(shape, dtype)
创建全部为0的数组ones(shape, dtype)
创建全部为1的数组full(shape, value, dtype)
创建值全部为某一个数字的数组arange(始,终,步长).reshape(shape)
创建某个范围规定形状的数组random.random(shape)
创建指定形状的0到1的随机小数使用eye(value,dtype) 创建单位数组,对角线是1,并且是正方形. value是正方形长度
diag(list, k=0) 创建指定对角线的单位矩阵,k>0时候往上移动,k<0往下移动
例子: array转换:
例子:zeros 和 ones 生成:
例子:full生成全是某一个数字的数组:
例子:arange().reshape()生成有序整数列的数组:
例子:random.random()生成指定形状的0到1的随机数组
例子: eye创建单位矩阵
例子:使用diag()创建指定对角线的单位矩阵
2.numpy(array)的属性
-
ndim 查看维度
-
shape 查看形状
-
size 查看有多少种元素
-
dtype 查看数据类型
例子:全部演示
3.数组的索引操作
- 一维数组索引取值与列表一样
- 二维数组索引取值有两种方法
- 多维数组以此类推
- 迭代数组的行列
- 这里有个知识点 array.transpose() 等于 array.T 即把数组转置过来
- 迭代数组每个元素
- array.flatten() ----把数组的多行转换为一行 等于 array.flat
4.numpy的基本运算
- 与MATLAB不一样的是,在numpy中, + - * /都是直接作用于对应的元素
- 而想要实现矩阵乘法则是使用dot()函数
- numpy的自带三角函数运算但是注意这里自动采用弧度制
- numpy判断元素的大小
5.numpy的合并
- 垂直合并和横向合并(vstack与hstack)
- 实现单排横向数组变成竖直状态
没注意,上面打错了,注释里面多打印了一个int
.
6.numpy计算最值,平均数,标准差,极差,方差
- 最值
- 平均数 中位数 方差 极差 标准差 累加和
- 累加和
- argmix() argmax() 返回最大值的索引,不加轴时候,按照列表索引,加时候,每一轴索引
7.其他一些比较常用函数
- sort() 默认逐行排序,可以加轴
linspace(始,终,端点数)
clip(array,min,max) 小于min的值用min表示,大于max的值用max表示
02 pandas的基本属性与方法
1.读取文件和显示文件信息
- **使用pd.read_csv(path,encoding="")读取文件,这里最好用gbk,因为csv文件默认gbk编码 **
- 使用df.head(number)显示前number排数据.
- 使用df.info()显示数据表详细信息
显示详细信息
2.pd.Series(object,index="",columns="") 简单叙述就是竖直的列表有索引 索引用列表接收
- 可以转化列表
- 把列表的每一个元素作为行内容
- 可以转化字典
- 把字典的key当成行索引,value当成行内容
- 同时Series()还可以类似字典可以通过名字读取值,类似列表通过所以取值
3.Series()的文本处理
有时候文本开头结尾可能含有空格,我们查找时候不容易注意,然后就收到报错,例子:
索引 "name"报错,因为仔细看其实name后面有空格.因此采用str.strip()
- str.strip() 去除字符两端的空格
前面忘记写了,pandas有 index和columns属性,分别是行索引和列索引
- 结合相关条件可以进行条件筛选
4.DataFrame(data,index,columns)的运用
1.DataFrame()的创建
- 通过read_csv()读取文件,返回df格式
- 通过转化字典,key作为列索引,value作为行索引
- 通过转化列表 列表的嵌套列表作为行内容,索引自定义
5.DataFrame的数据处理
1.数据的增删改查
类似字典的增删改查
- 查
- 改
- 增
- 删除
2.条件筛选
- 可以使用条件语句加 | 和 &
上述意思是显示满足"residual sugar">5.0 且 “total sulfur dioxide” < 180.0的前8排
上述意思是显示满足"residual sugar">5.0 且 “free sulfur dioxide” < 30.0的前8排
- 可以求和等操作
3.缺失值的处理
-
处理缺失值有两种方式:
- 删除该行
- 使用numpy.nan填充缺失值
-
检测缺失值 pd.isnull(df)
pd.isnull(df[“columns”]) 有则返回True 无则返回False
- 删除缺失值的行
df.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
subset 作用是指定某一列,如果该列有缺失值,就删除有缺失值的行.未指定就默认删除所有列的缺失值行
how 等于all时值所有都是缺失值才删除
thresh 可以给值,比如3 意思是,出现了3次缺失值在删除
只删除了"chlorides"列的缺失值
- 填充缺失值 fillna(value=)
- 单列填充
所有填充
4.转化Series()
5.loc[“行索引”,“列索引”]
6.iloc(n,n)接收纯数字
01 numpy的基本属性与方法
1. numpy数组的创建
- 直接使用
array
转换列表 zeros(shape, dtype)
创建全部为0的数组ones(shape, dtype)
创建全部为1的数组full(shape, value, dtype)
创建值全部为某一个数字的数组arange(始,终,步长).reshape(shape)
创建某个范围规定形状的数组random.random(shape)
创建指定形状的0到1的随机小数使用eye(value,dtype) 创建单位数组,对角线是1,并且是正方形. value是正方形长度
diag(list, k=0) 创建指定对角线的单位矩阵,k>0时候往上移动,k<0往下移动
例子: array转换:
例子:zeros 和 ones 生成:
例子:full生成全是某一个数字的数组:
例子:arange().reshape()生成有序整数列的数组:
例子:random.random()生成指定形状的0到1的随机数组
例子: eye创建单位矩阵
例子:使用diag()创建指定对角线的单位矩阵
2.numpy(array)的属性
-
ndim 查看维度
-
shape 查看形状
-
size 查看有多少种元素
-
dtype 查看数据类型
例子:全部演示
3.数组的索引操作
- 一维数组索引取值与列表一样
- 二维数组索引取值有两种方法
- 多维数组以此类推
- 迭代数组的行列
- 这里有个知识点 array.transpose() 等于 array.T 即把数组转置过来
- 迭代数组每个元素
- array.flatten() ----把数组的多行转换为一行 等于 array.flat
4.numpy的基本运算
- 与MATLAB不一样的是,在numpy中, + - * /都是直接作用于对应的元素
- 而想要实现矩阵乘法则是使用dot()函数
- numpy的自带三角函数运算但是注意这里自动采用弧度制
- numpy判断元素的大小
5.numpy的合并
- 垂直合并和横向合并(vstack与hstack)
- 实现单排横向数组变成竖直状态
没注意,上面打错了,注释里面多打印了一个int
.
6.numpy计算最值,平均数,标准差,极差,方差
- 最值
- 平均数 中位数 方差 极差 标准差 累加和
- 累加和
- argmix() argmax() 返回最大值的索引,不加轴时候,按照列表索引,加时候,每一轴索引
7.其他一些比较常用函数
- sort() 默认逐行排序,可以加轴
linspace(始,终,端点数)
clip(array,min,max) 小于min的值用min表示,大于max的值用max表示
02 pandas的基本属性与方法
1.读取文件和显示文件信息
- **使用pd.read_csv(path,encoding="")读取文件,这里最好用gbk,因为csv文件默认gbk编码 **
- 使用df.head(number)显示前number排数据.
- 使用df.info()显示数据表详细信息
显示详细信息
2.pd.Series(object,index="",columns="") 简单叙述就是竖直的列表有索引 索引用列表接收
- 可以转化列表
- 把列表的每一个元素作为行内容
- 可以转化字典
- 把字典的key当成行索引,value当成行内容
- 同时Series()还可以类似字典可以通过名字读取值,类似列表通过所以取值
3.Series()的文本处理
有时候文本开头结尾可能含有空格,我们查找时候不容易注意,然后就收到报错,例子:
索引 "name"报错,因为仔细看其实name后面有空格.因此采用str.strip()
- str.strip() 去除字符两端的空格
前面忘记写了,pandas有 index和columns属性,分别是行索引和列索引
- 结合相关条件可以进行条件筛选
4.DataFrame(data,index,columns)的运用
1.DataFrame()的创建
- 通过read_csv()读取文件,返回df格式
- 通过转化字典,key作为列索引,value作为行索引
- 通过转化列表 列表的嵌套列表作为行内容,索引自定义
5.DataFrame的数据处理
1.数据的增删改查
类似字典的增删改查
- 查
- 改
- 增
- 删除
2.条件筛选
- 可以使用条件语句加 | 和 &
上述意思是显示满足"residual sugar">5.0 且 “total sulfur dioxide” < 180.0的前8排
上述意思是显示满足"residual sugar">5.0 且 “free sulfur dioxide” < 30.0的前8排
- 可以求和等操作
3.缺失值的处理
-
处理缺失值有两种方式:
- 删除该行
- 使用numpy.nan填充缺失值
-
检测缺失值 pd.isnull(df)
pd.isnull(df[“columns”]) 有则返回True 无则返回False
- 删除缺失值的行
df.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
subset 作用是指定某一列,如果该列有缺失值,就删除有缺失值的行.未指定就默认删除所有列的缺失值行
how 等于all时值所有都是缺失值才删除
thresh 可以给值,比如3 意思是,出现了3次缺失值在删除
只删除了"chlorides"列的缺失值
- 填充缺失值 fillna(value=)
- 单列填充
所有填充