学习机器学习，以及python会用到一些工具，小编在这里列举一些出来，足够正常的机器学习使用，一些不常用的工具小编这里学的也不多，不过这篇博客会后续继续更新。
注意：代码中含有>>>的部分均是代码行，只有一个>时表示输出结果
文章目录
- 1.机器学习基本使用工具
- 2.Matplotlib工具
- 3.Numpy工具
- 4.Pandas工具
- 5.高级数据处理
- 总结
1.机器学习基本使用工具
常用的工具有如下几个
| 工具 | 作用 |
|---|---|
| matplotlib | 画图工具 |
| numpy | 表格处理工具 |
| padas | 信息处理工具 |
2.Matplotlib工具
2.1 matplotlib安装
打开cmd，输入以下代码
pip install matplotlib
安装完成后，再次输入以下代码检查是否安装成功
pip list
2.2 导入库
import matplotlib.pyplot as plt
2.3 创建画布
注意：后面的matplotlib.pyplot均代指画布名称
plt.figure(figsize = (a,b),dpi = )
figsize:指图像的长(a)宽(b)
dpi:图像清晰度（越大越清晰）
2.4 绘制图像
plt.plot(x,y.color = '',linestyle = ''，marker = '',linestyle='',label='')
x:横轴数据
y:纵轴数据
color:图像颜色，可以直接输入英文名称，或者是RGB颜色值（下面附有图）
linewidth:线条宽度
marker: 标记风格
linestyle: 线条样式
label:图例
常用color
| 颜色 | 说明 | 颜色 | 说明 |
|---|---|---|---|
| r | 红色 | g | 绿色 |
| b | 蓝色 | w | 白色 |
| c | 青色 | m | 洋红 |
| y | 黄色 | k | 黑色 |
英文名称版
RGB颜色版
标记风格
| 标记字符 | 说明 | 标记字符 | 说明 |
|---|---|---|---|
| ‘.’ | 点标记 | ‘,’ | 像素标记(极小点) |
| ‘v’ | 倒三角标记 | ’^‘ | 上三角标记 |
| ‘>’ | 右三角标记 | ‘<’ | 左三角标记 |
| ‘1’ | 下花三角标记 | ‘2’ | 上花三角标记 |
| ‘3’ | 左花三角标记 | ‘4’ | 右花三角标记 |
| ‘o’ | 实心圈标记 | ‘s’ | 实心方形标记 |
| ‘p’ | 实心五角标记 | ‘*’ | 星形标记 |
| ‘h’ | 竖六边形标记 | ‘H’ | 横六边形标记 |
| ‘+’ | 十字标记 | ‘x’ | x标记 |
| ‘D’ | 菱形标记 | ‘d’ | 瘦菱形标记 |
线条样式
| 样式 | 说明 |
|---|---|
| ’-‘ | 实线 |
| ’–‘ | 虚线 |
| ’-.‘ | 点划线 |
| ‘:’ | 点虚线 |
2.5 添加自定义x,y刻度
plt.xticks(x,rotation=,fontsize=)
plt.yticks(y,rotation=,fontsize=)
x:要显示的刻度值
y:要显示的刻度值
rotation:旋转角度
fontsize:字体大小
注意：在传递进去的第一个参数必须是数字，不能是字符串，如果是字符串需要进行替换操作
2.6 设置x,y标签和标题
plt.xlabel(,fontsize=)
plt.ylabel(,fontsize=)
plt.title(,fontsize=)
2.7 添加网格显示
plt.grid(True,linestyle=,alpha=)
alpha:代表透明度
2.8 设置图例位置
plt.legend(loc=)
loc:图例所在位置
loc位置表
| 位置 | 描述 | 对应数字 |
|---|---|---|
| best | 最佳位置 | 0 |
| upper right | 右上方 | 1 |
| upper left | 左上方 | 2 |
| lower left | 左下方 | 3 |
| lower right | 右下方 | 4 |
| right | 右边 | 5 |
| center left | 中间左边 | 6 |
| center right | 中间右边 | 7 |
| lower center | 下方中间 | 8 |
| upper center | 上方中间 | 9 |
| center | 正中心 | 10 |
2.9 设置画板多图
matplotlib.pyplot.add_subplot(nrows,ncols,**fig_kw)
nrows:第几行
ncols:第几列
**fig_kw:代表第几个图
2.10 图像保存
plt.savefig(path_or_buffer)
path_or_buffer:文件地址
注意：图像保存需要放在显示图像的前面，因为plt.show()会释放figure资源，如果在显示图像之后保存图片将只能保存空图片
2.11 显示图像
plt.show()
2.12 中文显示问题
在图像中设置刻度标签中有汉字，但汉字显示不出来的情况（通常显示为[]）
这是因为没有装’SimHei’字体
解决办法：
在导入库后填上如下代码
plt.rcParams['font.sans-serif'] = ['SimHei']
2.13 基本统计图
折线图
在不设置需要画统计图的类型之前，默认画的是折线图
下面通过一个例子来辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>x = [5,10,15,20,25]
>>>y = [3,7,4,5,3]
>>>plt.plot(x,y)
>>>plt.savefig(r"D:\data\python\exercise\test1\1.png")
>>>plt.show()
散点图
plt.scatter(x,y)
下面通过一个例子来辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>x = [5,10,15,20,25,7,4,2,4,12,23,14,19,22,19,18,20,16]
>>>y = [3,7,4,5,3,3,2.3,2.4,4.5,4.8,2.1,3,4.5,5.6,6.5,5.8,6.2,3.9]
>>>plt.scatter(x,y)
>>>plt.savefig(r"D:\data\python\exercise\test1\2.png")
>>>plt.show()
柱状图
plt.bar(x,width=,height=,label=,alpha=,align=,color=)
x: 柱状图中的横坐标点list
height: 柱状图对应每个横坐标的高度值
width: 柱状图的宽度，默认值为0.8
label: 每个数据样本对应的label，后面调用legend()函数可以显示图例
alpha: 透明度
align:每个柱状图的对齐方法
color：选择柱状图的颜色
下面通过一个例子来辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>x = [5,10,15,20,25,7,4,2,4,12,23,14,19,22,19,18,20,16]
>>>y = [3,7,4,5,3,3,2.3,2.4,4.5,4.8,2.1,3,4.5,5.6,6.5,5.8,6.2,3.9]
>>>plt.bar(x,y)
>>>plt.savefig(r"D:\data\python\exercise\test1\3.png")
>>>plt.show()
直方图
plt.hist(x,bins=None)
x:需要传递的数据
bins:组距
下面通过一个例子来辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>x = [5,10,15,20,25,7,4,2,4,12,23,14,19,22,19,18,20,16]
>>>y = [3,7,4,5,3,3,2.3,2.4,4.5,4.8,2.1,3,4.5,5.6,6.5,5.8,6.2,3.9]
>>>plt.hist(x,bins=25)
>>>plt.savefig(r"D:\data\python\exercise\test1\4.png")
>>>plt.show()
饼图
plt.pie(x,explode=None,labels=None,autopct=None,pctdistance=0.6,shadow=False,
labeldistance=1.1,startangle=None,radius=None,counterclock=True,wedgeprops=None,
textprops=None,center=(0,0),frame=False,rotatelabels=False,*,data=None)
x:表示扇形或锲形的数据
explode:表示扇形或锲形离开圆心的距离
labels:表示扇形或锲形对应的标签文本
autopct:表示控制扇形或锲形的数值显示的字符串,可通过格式字符串指定小数点后的位数.
pctdistance:表示扇形或锲形对应的数值标签距离圆心的比例，默认为0.6
shadow:表示是否显示阴影
labeldistance:表示标签文本的绘制位置(相对于半径的比例),默认为1.1.
startangle:表示起始绘制角度,默认从x轴的正方向逆时针绘制
radius:表示扇形或锲形的半径.
wedgeprops:表示控制扇形或锲形属性的字典.例如:通过wedgeprops={’‘width’:0.7}将锲形的宽度设为0.7.
textprops:表示控制图表中文本属性的字典
center:表示图表中心点位置,默认为(0,0)
frame:表示是否显示图框
下面通过一个例子来辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示问题
>>>huaban = plt.figure(figsize=(10, 10), dpi=100)
>>>x = [np.random.rand(1), np.random.rand(1), np.random.rand(1)] #定义三个随机数
>>>num = x[0]+x[1]+x[2]
>>>plt.title('2000年第一季度国民生产总值产业构成分析饼图', fontsize=10)
>>>color = ["#F0FFFF", "#FF9912", "#00FF00"] #这里是RGB颜色的编码
>>>name = ['第一产业', '第二产业', '第三产业']
>>>size = [x[0]/num*100, x[1]/num*100, x[2]/num*100]
>>>plt.pie(size, labels=name, colors=color, autopct='%1.2f%%')
>>>plt.savefig(r"D:\data\python\exercise\test1\5.png")
>>>plt.show()
2.14 绘制简单的数学图像
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>x = np.linspace(-2*np.pi, 2*np.pi, 100000)
>>>y = np.sin(x)
>>>plt.plot(x,y)
>>>plt.savefig(r"D:\data\python\exercise\test1\6.png")
>>>plt.show()
2.15 绘制较复杂的图像
通过随机值画出2000年至2017年三种产业的生产总值变化折线图和2000年至2017年的第一季度各产业生产总值变化图。（注意：在一个画板中画出。产业=[‘农业’, ‘工业’, ‘建筑’, ‘批发’, ‘交通’, ‘餐饮’, ‘金融’, ‘房地产’, ‘其他’]）
下面附上过程辅助理解
>>>import matplotlib.pyplot as plt
>>>import numpy as np
>>>plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示问题
>>>huaban = plt.figure(figsize=(10, 5), dpi=200)
>>>p1 = huaban.add_subplot(211) #设置两个子图，排列方式为两行一列
>>>plt.ylim(0, 100000) #设置y坐标的范围
>>>x1 = np.linspace(0, 70, 35) #设置三组x，y
>>>y1 = np.random.randint(0, 100000, 35) #使用np.random.randint(初始值，结束值，个数)输出随机数
>>>x2 = np.linspace(0, 70, 35)
>>>y2 = np.random.randint(0, 100000, 35)
>>>x3 = np.linspace(0, 70, 35)
>>>y3 = np.random.randint(0, 100000, 35)
>>>plt.title('2000-2017年各产业季度生产总值折线图', fontsize=6)
>>>plt.ylabel("生产总值（亿元）", fontsize=6)
>>>L1, = p1.plot(x1, y1, color='blue', ls=':', lw=1)
>>>L2, = p1.plot(x2, y2, color='red', ls='--', lw=1)
>>>L3, = p1.plot(x3, y3, color='green', ls='-.', lw=1)
>>>plt.legend(handles=[L1, L2, L3], labels=['第一产业', '第二产业', '第三产业'], loc='upper left', fontsize=4) #handles 表示所要处理的线，参数为列表
>>>p2 = huaban.add_subplot(212) #子图2的编写
>>>plt.ylim(0, 70000)
>>>x4 = np.linspace(0, 17, 35) #设置9组x，y(y为随机数)
>>>y4 = np.random.randint(0, 70000, 35) #使用np.random.randint(初始值，结束值，个数)输出随机数
>>>x5 = np.linspace(0, 17, 35) #np.random.rand(个数)一般输出的随机数一般范围在-1.96~1.96之间
>>>y5 = np.random.randint(0, 70000, 35)
>>>x6 = np.linspace(0, 17, 35)
>>>y6 = np.random.randint(0, 70000, 35)
>>>x7 = np.linspace(0, 17, 35)
>>>y7 = np.random.randint(0, 70000, 35)
>>>x8 = np.linspace(0, 17, 35)
>>>y8 = np.random.randint(0, 70000, 35)
>>>x9 = np.linspace(0, 17, 35)
>>>y9 = np.random.randint(0, 70000, 35)
>>>x10 = np.linspace(0, 17, 35)
>>>y10 = np.random.randint(0, 70000, 35)
>>>x11 = np.linspace(0, 17, 35)
>>>y11 = np.random.randint(0, 70000, 35)
>>>x12 = np.linspace(0, 17, 35)
>>>y12 = np.random.randint(0, 70000, 35)
>>>plt.ylabel("生产总值（亿元）", fontsize=6)
>>>_xtick_labels = ["200{}年第一季度".format(i) for i in range(10)] #设置x轴下标
>>>_xtick_labels += ["201{}年第一季度".format(i) for i in range(8)]
>>>plt.xticks(list(x4)[::2], _xtick_labels[::1], rotation=45, fontsize=6) #fontsize表示字体大小，rotation表示旋转角度
>>>plt.yticks(np.linspace(0, 70000, 8))
>>>D1, = p2.plot(x4, y4, color='blue', lw=1, label='农业') #定义9条线[D1, D2, D3, D4, D5, D6, D7, D8, D9]
>>>D2, = p2.plot(x5, y5, color='yellow', ls=':', lw=1, label='工业')
>>>D3, = p2.plot(x6, y6, color='red', ls='--', lw=1, label='建筑')
>>>D4, = p2.plot(x7, y7, color='green', ls='-.', lw=1, label='批发')
>>>D5, = p2.plot(x8, y8, color='grey', lw=1, label='交通')
>>>D6, = p2.plot(x9, y9, color='brown', ls=':', lw=1, label='餐饮')
>>>D7, = p2.plot(x10, y10, color='cyan', ls='--', lw=1, label='金融')
>>>D8, = p2.plot(x11, y11, color='black', ls='-.', lw=1, label='房地产')
>>>D9, = p2.plot(x12, y12, color='magenta', lw=1, label='其他')
>>>plt.legend(handles=[D1, D2, D3, D4, D5, D6, D7, D8, D9]) #handles 表示所要处理的线，参数为列表
>>>plt.legend(labels=['农业', '工业', '建筑', '批发', '交通', '餐饮', '金融', '房地产', '其他'], >>>loc='center right', fontsize=4)
>>>plt.savefig(r"D:\data\python\exercise\test1\7.png")
>>>plt.show()
3.Numpy工具
3.1 numpy安装
打开cmd，输入以下代码
pip install numpy
安装完成后，再次输入以下代码检查是否安装成功
pip list
3.2 导入库
import numpy as np
3.3 创建ndarray
注意：后面的ndarray均代指对象名称
data = np.array()
3.4 基本方法
| 名称 | 作用 |
|---|---|
| data.shape | 查看数组的维度（以元组的形式输出） |
| data.ndim | 查看数组维数 |
| data.size | 查看数组中的元素数量 |
| data.itemsize | 查看一个数组元素的长度 |
| data.dtype | 查看数组元素的类型 |
3.5 创建数组时指定类型
>>>data = np.array([[1,2,3],[4,5,6]],dtype=np.float32)
>array([[1., 2., 3.],
[4., 5., 6.]], dtype=float32)
| 名称 | 描述 | 简写 |
|---|---|---|
| np.bool | 用一个字节存储的布尔类型（Ture或False） | ‘b’ |
| np.int8 | 一个字节大小，-128至127 | ‘i’ |
| np.int16 | 整数，-32768至32767 | ‘i2’ |
| np.int32 | 整数，-231至231-1 | ‘i4’ |
| np.int64 | 整数，-263至263-1 | ‘i8’ |
| np.uint8 | 无符号整数，0至255 | ‘u’ |
| np.uint16 | 无符号整数，0至65535 | ‘u2’ |
| np.uint32 | 无符号整数，0至232-1 | ‘u4’ |
| np.uint64 | 无符号整数，0至264-1 | ‘u8’ |
| np.float16 | 半精度浮点数，16位，正负号1位，指数5倍，精度10位 | ‘f2’ |
| np.float32 | 半精度浮点数，32位，正负号1位，指数8倍，精度23位 | ‘f4’ |
| np.float64 | 半精度浮点数，64位，正负号1位，指数11倍，精度52位 | ‘f8’ |
| np.complex64 | 复数，分别用两个32位浮点数表示实部和虚部 | ‘c8’ |
| np.complex128 | 复数，分别用两个64位浮点数表示实部和虚部 | ‘c16’ |
| np.object_ | python对象 | ‘o’ |
| np.string_ | 字符串 | ‘s’ |
| np.unicode_ | unicode类型 | ‘U’ |
注意：
1.np.object_，np.string_,np.unicode_这三种类型后面加上“_”
2.np.unicode_简写类型为大写的’U’，np.uint8简写类型位小写的’u’
3.6 生成只含0和1的数组
one = np.ones([index, columns]) #生成index行,columns列且所有元素都为1的数组
zero = np.zeros([index, columns]) #生成index行,columns列且所有元素都为0的数组
ones = np.ones_like(ndarray) #生成一个行数和列数都与ndarry相同的且所有元素均为1的数组
zeros = np.zeros_like(ndarray) #生成一个行数和列数都与ndarry相同的且所有元素均为0的数组
例如：
>>>one = np.ones([4,8])
>array([[1.,1.,1.,1.,1.,1.,1.,1.],
[1.,1.,1.,1.,1.,1.,1.,1.],
[1.,1.,1.,1.,1.,1.,1.,1.],
[1.,1.,1.,1.,1.,1.,1.,1.]])
>>>zero = np.zeros_like(one)
>array([[0.,0.,0.,0.,0.,0.,0.,0.],
[0.,0.,0.,0.,0.,0.,0.,0.],
[0.,0.,0.,0.,0.,0.,0.,0.],
[0.,0.,0.,0.,0.,0.,0.,0.]])
注意：输出的每个元素都是浮点类型，是因为没有设置输出类型，默认为浮点类型，若是设置输出类型为整型，输出的每个元素都是整型
>>>one = np.ones([4,8],dtype='i')
>array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]], dtype=int32)
3.7 从现有数组中生成
data1 = np.array(data)
data2 = np.asarray(data)
np.array和np.asarray的区别
通过一个实例来解释
>>>a = np.array([[1,2,3],[4,5,6]])
>array([[1, 2, 3],
[4, 5, 6]])
>>>a1 = np.array(a)
>>>a2 = np.asarray(a)
>>>a[0][0] = 100
>a1:array([[1,2,3],
[4,5,6]])
a2:array([[100,2,3],
[4,5,6]])
类似于深拷贝与浅拷贝，可以看到数组a1使用array进行复制，将a的原始数据拷贝过来，对于数组a中的元素改变，对数组a1的元素没有影响，数组a2使用asarray进行复制，对于数组a中的元素改变，数组a2的元素也跟着数组a中的元素改变而改变。
3.8 生成固定范围内的数组
np.linspace
np.linspace(start, stop, num, endpoint)
创建等差数组，指定数量（步长自动计算）
start:序列的起始值
stop：序列的结束值
num:要生成的等间隔样例数量，默认为50
endpoint：序列中是否包含stop值，默认为true
np.arange
np.arange(start,stop,step,dtype)
创建等差数组，指定步长（数量自动计算）
step:步长，默认为1
np.logspace
np.logspace(start,stop,num)
创建等比数组，生成以10的N次幂的数据
num:要生成的等比数组数量，默认为50
3.9生成随机数组
np.random模块
导入库
import random
正态分布
第一种：np.random.randn
np.random.randn(d0,d1,d2,……,dn)
功能：从标准正态分布中返回一个或多个样本值
第二种：np.random.normal
np.random.normal(loc = 0.0,scale = 1.0,size = None)
loc:float 此概率分布的均值（对应整个分布的中心）
scale:float 此概率分布的标准差（对应于分布的宽度，scale值越大越矮胖，scale值越小越瘦高）
size:int or tuple of ints 输出的shape，默认为None，只输出一个值
第三种：np.random.standard_normal
np.random.standard_normal(size = None)
返回指定形状的标准正态分布的数组
均匀分布
第一种：np.random.rand
np.random.rand(d0,d1,d2,……,dn)
返回[0.0,1.0)内的一组均匀分布的数
第二种：np.random.uniform
np.random.uniform(low = 0.0,high = 1.0,size = None)
从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high
low:采样下界，float类型，默认值为0
high:采样上界，float类型，默认值为1
size:输出样本数目，为int或tuple类型，缺少时输出1个值。例如：size=(m,n,k)则输出mnk个样本
返回值：ndarray类型，其形状和参数与size中定义的一致
第三种：np.random.randint
np.random.randint(low, high = None,size = None,dtype = 'i')
从一个均匀分布中随机采样，生成一个整数或N维整数数组
取数范围：若high不为None时，取(low,high)之间的随机整数，否则取值[0,low)之间随机整数
3.10 数组索引，切片
通过索引将数组进行切片,其切片方式与列表相似
data[a:b,c:d]
注意：这里的数组切片遵循的规律是先行后列
3.11 形状修改
ndarray.reshape
ndarray.reshape(shape, order)
产生一个新的对象
返回一个具有相同数据域，但shape(维度)不一样的视图
行列不进行互换
可以使用data.reshape([-1,x])进行排序，但x必须被整除，否则会报错
下面用一个例子来帮助理解
>>>data = np.array([[1,2,3],[4,5,6]])
>array([[1, 2, 3],
[4, 5, 6]])
>>>data1 = data.reshape(3,2)
>array([[1, 2],
[3, 4],
[5, 6]])
>>>data2 = data.reshape(-1,6)
>array([[1, 2, 3, 4, 5, 6]])
>>>data3 = data.reshape(-1,5) #这样会报错
>ValueError:cannot reshape array of size 6 into shape (5)
ndarray.resize
ndarray.resize(new_shape)
修改数组本身的形状（需要保持元素个数前后相同）
行列不进行互换
看上去和ndarray.reshape没什么不一样的，这两个方法作用相似但用法不同
下面用一个例子来帮助区别和理解
>>>data = np.array([[1,2,3],[4,5,6]])
>array([[1, 2, 3],
[4, 5, 6]])
>>>data1 = data.reshape(3,2)
>data1:array([[1, 2],
[3, 4],
[5, 6]])
data:array([[1, 2, 3],
[4, 5, 6]])
>>>data2 = data.resize([3,2])
>data2:null
data:array([[1, 2],
[3, 4],
[5, 6]])
resize是对于自身数组进行改变，对于新的数组不做任何变化
reshape是产生一个新的对象对自身不做变化
ndarray.T
对数组进行转置，将数组的行列进行互换
>>>data = np.array([[1,2,3],[4,5,6]])
>array([[1, 2, 3],
[4, 5, 6]])
>>>data1 = data.T
>array([[1, 3, 5],
[2, 4, 6]])
3.12 类型修改
ndarray.astype
ndarray.astype(type)
返回修改类型之后的数组
ndarray.tostring和ndarray.tobytes
ndarray.tostring([order])
ndarray.tobytes([order])
构造包含数组中原始数据字节的python字节
3.13 数组的去重
np.unique()
下面用一个例子来帮助理解
>>>data = np.array([[1,2,2],[4,5,6]])
>>>data1 = np.unique(data)
>array([1, 2, 4, 5, 6])
3.14 ndarray运算
逻辑运算
np.logical_and
np.logical_and(condition1,condition2)
condition:条件
当两个条件同时满足时返回Ture
np.logical_or
np.logical_or(condition1,condition2)
当其中一个条件满足时返回Ture
np.all
np.all()
所有条件都满足要求返回True，有任一个不满足返回False
np.any
np.any()
任一个条件满足要求返回True
np.where(三元运算符)
满足条件返回前一块内容，不满足返回后一块内容
np.where(condition,1,0)
满足条件返回1，不满足返回0
注意：复合逻辑需要结合np.logical_and和np.logical_or使用
3.15 布尔赋值
直接通过一个例子来辅助理解
>>>score = np.random.randint(40,100,(10,5))
>array([[75, 89, 86, 41, 96],
[72, 41, 69, 55, 94],
[45, 52, 96, 56, 84],
[63, 54, 62, 99, 46],
[97, 69, 54, 54, 58],
[63, 89, 88, 71, 77],
[42, 51, 71, 67, 83],
[82, 99, 52, 42, 59],
[54, 97, 83, 98, 89],
[41, 96, 46, 99, 77]])
>>>test_score = score[1:3,3:5]
>array([[55, 94],
[56, 84]])
>>>test_score > 60
>array([[False, True],
[False, True]])
>>>test_score[test_score > 60] = 1
>array([[55, 1],
[56, 1]])
注意：
1.使用random函数时记得导入库
2.使用索引进行切片时是先行后列
3.test_score > 60这里是进行运算，返回为bool值
4.test_score[test_score > 60] = 1这里是bool赋值，将满足条件的设置为特定的值——布尔索引
3.16 统计指标
| 方法 | 作用 |
|---|---|
| np.min(ndarray,axis) | 查询所有行或所有列的最小值 |
| np.max(ndarray,axis) | 查询所有行或所有列的最大值 |
| np.median(ndarray,axis) | 查询所有行或所有列的中位数 |
| np.mean(ndarray,axis) | 查询所有行或所有列的平均值 |
| np.std(ndarray,axis,dtype) | 查询所有行或所有列的标准差 |
| np.var(ndarray,axis,dtype) | 查询所有行或所有列的方差 |
| np.ardmax(ndarray) | 查询最大值的位置 |
| np.ardmin(ndarray) | 查询最小值的位置 |
注意：axis轴的取值并不一定，Numpy中不同的API轴的值都不一样
3.17 数组间的运算
数组与数
ndarray +1:数组里每个元素 +1
ndarray /2:数组里每个元素 /2
ndarray *2:数组里每个元素 *2
下面用一个例子来帮助理解
>>>data = np.array([[1,2,3],[4,5,6]])
>>>data + 1
>array([[2, 3, 4],
[5, 6, 7]])
>>>data * 2
>array([[ 2, 4, 6],
[ 8, 10, 12]])
注意：python列表运算,是将整个列表复制，不是将每个元素的值运算
>>>a = [1,2,3]
>>>a * 3
>[1, 2, 3, 1, 2, 3, 1, 2, 3]
数组与数组
维度相等才可以运算
或者满足广播机制
广播机制（满足如下的条件之一即可运算）
1.数组的某一维度等长
2.其中一个数组的某一维度为1
下面用一个例子来帮助理解
>>>a1 = np.array([[1,2,3],[4,5,6]])
>>>a2 = np.array([[1],[2]])
>>>a = a1 + a2
>array([[2, 3, 4],
[6, 7, 8]])
矩阵乘法
| 方法 | 作用 |
|---|---|
| np.matmul | 矩阵与矩阵相乘（禁止出现矩阵与标量相乘） |
| np.dot | 矩阵与矩阵和标量相乘皆可 |
注意：在矩阵与矩阵相乘时，二者没有区别
4.Pandas工具
4.1pandas安装
打开cmd,输入以下代码
pip install pandas
安装完成后，再次输入以下代码检查是否安装成功
pip list
4.2 导入库
import pandas as pd
4.3 三种主要的数据结构
| 数据结构 | 描述 |
|---|---|
| Series | 一维数据结构 |
| DataFrame | 二维数据结构 |
| MultiIndex | 三维数据结构 |
| Panel | 三维数据结构（MultiIndex老版本） |
4.4 Series（了解即可）
注意：后面的series均代指一维的对象名称（可以是series,也可以代指dataframe中的某一列或一行）
pd.Series(data = None,index = None,dtype = None)
data:传入的数据，可以是ndarray,list等
index：索引，必须是唯一的，且与数据的长度相等，如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引
dtype：数据的类型
可以通过字典键值对来实现
| 属性 | 作用 |
|---|---|
| series.index | 获取索引 |
| series.values | 获取值 |
4.5 DataFrame
注意：后面的dataframe均代指二维的对象名称
pd.DataFrame(data = None,index = None,columns = None)
index:行标签，如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引
columns:列标签，如果没有传入索引参数，则默认会自动创建一个从0-N的整数索引
下面用一个例子来帮助理解
>>>a = [1,2,3,4]
>>>b = [5,6,7,8]
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a,columns = b)
>
5 6 7 8
1 23 28 85 59
2 52 81 45 7
3 70 54 71 15
4 70 35 27 89
| 属性 | 作用 |
|---|---|
| dataframe.shape | 获取维度 |
| dataframe.index | 获取行索引表 |
| dataframe.columns | 获取列索引表 |
| dataframe.values | 获取其中array的值 |
| dataframe.T | 行列互换（转置） |
| dataframe.head() | 默认获取前5行，其他行数自行添加 |
| dataframe.tail() | 默认获取后5行，其他行数自行添加 |
| dataframe.info | 获取每一列的非空元素个数 |
DataFrame索引设置
修改行列索引值
data.index = new_index
data.columns = new_columns
注意：修改索引值不能单个修改，必须整体修改
重设索引
dataframe.reset_index(drop = False)
设置新的下标索引
drop:默认为False，不删除原来索引，如果为True，删除原来索引值
以某列值设置为新的索引
dataframe.set_index(keys,drop = True)
keys:列索引命或者列索引名称的列表
drop:bool值默认为True，当做新的索引，删除原来的列
注意：行索引的修改与重设类似列索引
4.6 Multilndex（了解即可）
可以在Series、DataFrame对象上拥有2个及2个以上的索引
pd.MultiIndex(levels,labels,names)
levels:索引的名称
labels:索引在默认索引中的位置
name:索引的头名
下面用一个例子来帮助理解
>>>arrays = [[2012,2014,2013,2014],[1,4,7,10]]
>>>data = pd.MultiIndex.from_arrays(arrays, names = ['year','month'])
>MultiIndex(levels = [[2012, 2013, 2014], [1, 4, 7, 10]],
labels = [[0, 2, 1, 2], [0, 1, 2, 3]],
names = ['year', 'month'])
> untitled
year month
2012 1 null
2014 4 null
2013 7 null
2014 10 null
注意：
1.year的索引是2012，2014，2013，2014，分别对应levels中的第一个，第三个，第二个，第三个，即labels中的[0, 2, 1, 2]
2.未填写具体的值与索引所以会显示untitled和null
4.7 Panel（了解即可）
class pandas.Panel(data = None,items = None,major_axis = None,min_axis = None)
作用：存储3维数组的panel结构
data:ndarray或dataframe
items:索引或类似数组的对象，axis=0
major_axis:索引或类似数组的对象，axis=1
minor_axis:索引或类似数组的对象，axis=2
注意：通过索引查看
4.8 基本数据操作
索引操作
Numpy当中我们已经讲过使用索引选取序列和切片选择，pandas也支持 类似的操作。也可以直接使用列名、行名称，甚至组合使用。
直接使用行列索引(先列后行)
>>>a = [1,2,3,4]
>>>b = [5,6,7,8]
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
5 6 7 8
1 23 28 85 59
2 52 81 45 7
3 70 54 71 15
4 70 35 27 89
>>>c[5][3]
>70
>>>c[:1,:2] #这样会报错
>TypeError: unhashable type: 'slice'
结合loc或者iloc使用索引
使用loc：只能指定行列索引的名字（先行后列）
使用iloc：可以通过索引的下标去获取
使用ix组合索引：下标和名称组合做引（版本较老）
可以使用以下两种方式来代替ix组合索引
1.dataframe.loc[dataframe.index[ a: b],[‘c’,‘d’]]
2.dataframe.iloc[ : ,dataframe.columns.get_indexer([‘c’,‘d’])]
下面用一个例子来帮助理解
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
a1 b1 c1 d1
a 89 79 12 74
b 52 20 84 49
c 43 56 25 3
d 69 78 58 6
>>>c.loc[ : ,'a1']
>a 89
b 52
c 43
d 69
Name: a1, dtype: int32
>>>c.iloc[:,0]
>a 89
b 52
c 43
d 69
Name: a1, dtype: int32
>>>c.loc[c.index,['a1']]
>
a1
a 89
b 52
c 43
d 69
>>>c.iloc[:,c.columns.get_indexer(['a1'])]
>
a1
a 89
b 52
c 43
d 69
赋值操作
dataframe['a'] = b
dataframe.a = b
注意：
1.a代表某一列或者某一行的名称
2.b代表某个值
下面用一个例子来帮助理解
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
a1 b1 c1 d1
a 46 89 26 76
b 28 85 18 22
c 74 81 71 27
d 39 88 44 83
>>>c['b1'] = 1
>
a1 b1 c1 d1
a 46 1 26 76
b 28 1 18 22
c 74 1 71 27
d 39 1 44 83
>>>c.d1 = 2
>
a1 b1 c1 d1
a 46 1 26 2
b 28 1 18 2
c 74 1 71 2
d 39 1 44 2
4.9 排序
DataFrame排序
dataframe.sort_values(by = ,ascending =)
单个或多个键排序
by:指定排序参考的键
ascending:默认升序
ascending = False 降序
ascending = True 升序
Series排序
进行值排序
dataframe.sort_values(ascending = True)
进行索引排序
series.sort_index()
4.10 DataFrame运算
基本运算
元素相加，维度相等时找不到元素默认用fill_value
dataframe.add(dataframe2, fill_value = None, axis = 1)
元素相减，维度相等时找不到元素默认用fill_value
dataframe.sub(dataframe2, fill_value = None, axis = 1)
元素相除，维度相等时找不到元素默认用fill_value
dataframe.div(dataframe2, fill_value = None, axis = 1)
元素相乘，维度相等时找不到元素默认用fill_value
dataframe.mul(dataframe2, fill_value = None, axis = 1)
查看日期，输入具体日期
直接通过一个例子来辅助理解
>>>data = np.array(['2023-3-12','2023-3-13','2023-3-14'])
>>>data1 = pd.to_datetime(data)
>>>data1.week
>Int64Index([10, 11, 11], dtype = 'int64')
>>>data1.weekday
>Int64Index([6, 0, 1], dtype = 'int64')
>>>data1.day
>Int64Index([12, 13, 14], dtype = 'int64')
逻辑运算
直接通过一个例子辅助理解（这部分在Numpy中有提到过，现在拿出来重提是为了与下面的逻辑运算函数进行对比）
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
a1 b1 c1 d1
a 22 14 93 36
b 86 77 41 5
c 96 84 37 84
d 89 94 54 97
>>>c[(c['d1']>50) & (c['d1']<90)].head()
>
a1 b1 c1 d1
c 96 84 37 84
逻辑运算函数
query(expr)
expr:查询字符串
通过逻辑运算函数可以使上面的过程更加方便简单
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
a1 b1 c1 d1
a 22 14 93 36
b 86 77 41 5
c 96 84 37 84
d 89 94 54 97
>>>c.query("d1>50 & d1<90")
>
a1 b1 c1 d1
c 96 84 37 84
isin(values)
判断是否有这个值
下面用一个例子来帮助理解
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a, columns = b)
>
a1 b1 c1 d1
a 24 99 77 39
b 25 61 41 70
c 29 8 83 95
d 26 4 42 21
>>>c.isin([24,80])
>
a1 b1 c1 d1
a True False False False
b False False False False
c False False False False
d False False False False
统计运算
dataframe.describe()
综合统计包括平均值，最大值，最小值等等
统计函数
| 函数 | 作用 |
|---|---|
| sum | 获取总和 |
| mean | 获取平均值 |
| median | 获取中位数 |
| min | 获取最小值 |
| max | 获取最大值 |
| mode | 获取众数 |
| abs | 获取绝对值 |
| prod | 获取累积 |
| std | 获取标准差 |
| var | 获取方差 |
| idxmax | 获取最大值索引 |
| idxmin | 获取最小值索引 |
累计统计函数
| 函数 | 作用 |
|---|---|
| cumsum | 计算1/2/3/……/n个数的和 |
| cummax | 计算1/2/3/……/n个数的最大值 |
| cummin | 计算1/2/3/……/n个数的最小值 |
| cumprod | 计算1/2/3/……/n个数的积 |
自定义运算
apply(func,axis=0)
func:自定义运算
axis=0默认是列，axis=1为行进行运算
4.11 Pandas画图
dataframe.plot(kind='line')
kind:str,需要绘制图形的种类
图形种类
| 种类 | 描述 |
|---|---|
| line | 折线图 |
| bar | 条形图（竖直条状） |
| bath | 条形图（水平条状） |
| hist | 直方图 |
| pie | 饼图 |
| scatter | 散点图 |
注意：
1.条形图中可以添加是否堆积dataframe.plot(kind=‘bar’,stacked=True)
2.stacked为True时堆积，为False时不堆积
具体过程跟matplotlib中类似，这里主要介绍利用pandas创造的二维对象dataframe，使用plot可以直接将dataframe转换成数据图类型
下面通过一个例子来辅助理解
>>>a = ['a','b','c','d']
>>>b = ['a1','b1','c1','d1']
>>>c = pd.DataFrame(np.random.randint(0,100,(len(a),len(b))),index = a,columns = b)
>>>plt.figure(figsize = (20,8),dpi = 100)
>>>c.plot(kind='bar',stacked=True)
>>>plt.savefig(r"D:\data\python\exercise\test1\8.png")
>>>plt.show()
4.12 文件读取与文件存储
| 类 | 数据类型 | 读取文件 | 存储文件 |
|---|---|---|---|
| text | CSV | read_csv | to_csv |
| text | JSON | read_json | to_json |
| text | HTML | read_html | to_json |
| text | Local clipboard | read_clipboard | to_clipboard |
| binary | MS Excel | read_excel | to_excel |
| binary | HDF5 Format | read_hdf | to_hdf |
| binary | Feather Format | read_feather | to_feather |
| binary | Parquet Format | read_parquet | to_parquet |
| binary | Msgpack | read_msgpack | to_msgpack |
| binary | Stata | read_stata | to_stata |
| binary | SAS | read_sas | – |
| binary | Python Pickle Format | read_pickle | to_pickle |
| SQL | SQL | read_sql | to_sql |
| SQL | Google Big Query | read_gbp | to_gbp |
CSV
read_csv
pd.read_csv(filepath_or_buffer,sep = ',',usecols = None)
filepath_or_buffer:文件路径
sep:分隔符，默认用’,'隔开
usecols:指定读取的列名，列表形式
to_csv
dataframe.to_csv(path_or_buffer=None,sep = ',',columns = None,header = True,index = True,mode = 'w',encoding = None)
path_or_buf:文件路径
sep:分隔符，默认用’,'隔开
columns:选择需要的列索引
header:是否写进列索引值
index:是否写进行索引值
mode:‘w’:重写，‘a’:追加
HDF5
需要安装tables模块以避免不能读取hdf文件
安装tables模块，打开cmd，输入以下代码：
pip install tables
read_hdf
pd.read_hdf(path_or_buffer,key = None,**kwargs)
path_or_buffer:文件路径
可以：读取的键
to_hdf
dataframe.to_hdf(path_or_buffer,key = None,**kwargs)
注意：
1.优先HDF5文件进行存储
2.HDF5在存储的时候支持压缩，使用的方式是blosc,这个是速度最快的也是pandas默认支持的
3.使用压缩可以提高磁盘利用率，节省空间
4.HDF5还是跨平台的，可以轻松迁移到Hadoop上面
JSON
read_json
pd.read_json(path_or_buffer = None,orient = None,typ = 'frame',lines = False)
将JSON格式准换成默认的Pandas DataFrame格式
orient:String，指示预期的JSON字符串格式。
orient
| 类型 | 输出形式 | 描述 |
|---|---|---|
| ‘split’ | dict like {index -> [index],columns -> [columns], data -> [values]} | split 将索引总结到索引，列名到列名，数据到数据，将三部分都分开了 |
| ‘records’ | list like [{column -> value}, … , {column -> value}] | records以columns: values 的形式输出 |
| ‘index’ | dict like {index -> {column -> value}} | index以index: {columns: values}… 的形式输出 |
| ‘columns’ | dict like {column -> {index -> value}},默认该格式 | columns 以columns:{index:values} 的形式输出 |
| ‘values’ | – | values 直接输出值 |
lines:按照每行读取json对象
typ:指定转换成的对象类型series或dataframe
to_json
dataframe.to_json(path_or_buffer = None,orient = None,lines = False)
path_or_buffer=None:文件地址
orient：存储json的形式（‘split’,‘reconds’,‘index’,‘columns’,‘values’）
lines:一个对象存储为一行
5.高级数据处理
5.1 缺失值处理
首先需要获取缺失值的标记方式（NAN或者其他标记方式，一般来说都是NAN）
判断数据中是否包含NAN
| 方法 | 描述 |
|---|---|
| pd.isnull(dataframe) 或dataframe.isnull() | 有缺失值返回True,没有缺失值返回False |
| pd.notnull(dataframe)或dataframe.isnull() | 没有缺失值返回True,有缺失值返回False |
下面举个例子来辅助理解：
>>>data = pd.read_csv(r"D:\data\python\taitanic\train.csv")
>
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
0 1 0 3 Braund, Mr. Owen Harris ` male 22.0 1 0 A/5 21171 7.2500 NaN S
1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 0 PC 17599 71.2833 C85 C
2 3 1 3 Heikkinen, Miss. Laina female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S
3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 0 113803 53.1000 C123 S
4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S
>>>pd.isnull(data).head()
>
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
0 False False False False False False False False False False True False
1 False False False False False False False False False False False False
2 False False False False False False False False False False True False
3 False False False False False False False False False False False False
4 False False False False False False False False False False True False
>>>data.notnull().head()
>
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
0 True True True True True True True True True True False True
1 True True True True True True True True True True True True
2 True True True True True True True True True True False True
3 True True True True True True True True True True True True
4 True True True True True True True True True True False True
删除存在缺失值的对象
dataframe.dropna(axis = 0)
默认删除缺失值所在行，可以通过设置axis=1删除所在列
注意：这里不会修改原数据，需要接收返回值
替换缺失值
dataframe.fillna(value, inplace = True)
value：替换成的值
inplace：True则会修改原数据，False则不替换修改原数据，生成新的对象
缺失值没有使用NAN标记
通过如下代码将其他标记（比如’？‘）替换为NAN,再使用上面的方法处理
dataframe.replace(to_replace = '?',value = np.nan)
5.2 数据离散化
为什么要离散化
连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
什么是数据的离散化
连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。
注意：数据离散化要分组和one-hot搭配使用
离散化有很多种方法，这使用一种最简单的方式去操作
人的身高数据: 165,174,160,180,159,163,192,184
最设按照身高分几个区间段: 150-165, 165-180,180-195
这样我们将数据分到了三个区间段，我可以对应的标记为矮、中、高三个类别，最终要处理成一个“哑变量”矩阵
分组
默认分组
pd.qcut(data, q)
注意：这里的分组是自动分成差不多数量的类别
对数据列进行分组，一般会与value_counts()（统计分组个数）搭配使用，返回分好组的数据
data：待分组的数据
q：分成多少组
统计分组次数
series.values_counts()
自定义分组
pd.cut(data,bins)
data：待分组的数据
bins：指定分组类型，可以是整型，或列表类型（表中数据间隔则为分组范围）
One-hot编码（哑变量）
把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为热编码。
把下图中左边的表格转化为使用右边形式进行表示
sample prize sample prize_5 prize_10 prize_20
1 10 1 0 1 0
2 20 2 0 0 1
3 10 => 3 0 1 0
4 5 4 1 0 0
5 10 5 0 1 0
pandas.get_dummies(data, prefix = None)
data:array-like, Series, or DataFrame
prefix:分组名字
5.3 合并
pd.concat
pd.concat([data1, data2], axis = 1)
按照行或列进行合并，axis=0为扩展行，axis=1为扩展列
pd.merge
pd.merge(left, right, how = 'inner', on = None)
可以指定按照两组数据的共同键值对合并或者左右各自
left : dataframe
right :另一个dataframe
on :指定的共同键
how:按照什么方式连接
how的方式
| 方式 | 作用 | 描述 |
|---|---|---|
| left | 左连接 | 左边加左右交集的部分 |
| right | 右连接 | 右边加左右交集的部分 |
| outer | 外连接 | 并集部分 |
| inner | 内连接 | 交集部分 |
5.4 交叉表与透视表
交叉表
交叉表用于计算一列数据对于另外一列数据的分组个数(用于统计分组频率的特殊透视表)
pd.crosstab(value1, value2)
透视表
透视表是将原有的DataFrame的列分别作为行索引和列索引，然后对指定的列应用聚集函数
data.pivot .table()
DataFrame.pivot_table([],index = [])
5.5 分组与聚合
分组
DataFrame.groupby(key, as_index = True)
key：分组的列数据，可以多个
as_index：若为True则不保留原来的索引，若为False则保留原来的索引
聚合
一般是指对分组中的数据执行某些操作，比如求平均值、最大值等，并且会得到一个结果集。
总结
以上就是机器学习入门的基本使用工具，以后还会不断更新新的知识点。
如果你觉得这篇文章对你有用，建议点赞收藏。
欢迎各位读者指正错误，请在评论区留言。或者发表自己的看法，小编不胜感激。
8729
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
