Python数据分析
文章平均质量分 82
JackkwiN
这个作者很懒,什么都没留下…
展开
-
【Python数据分析之pandas01】两个常用的数据结构
Series - series可以看做是一个定长的有序字典,与一维数组形式相同,区别是series的索引可以是任意数据类型。 - series本身拥有一个name属性,它的index也有自己的name属性(这条性质为下文中series传入DataFrame提供基础)。 - 传入:可以传入一维数组或字典。传入时,可以修改其索引。#导入数组a = np.array([1,2,3,4...原创 2018-03-15 08:48:53 · 262 阅读 · 0 评论 -
【Python数据分析之pandas02】数据结构的基本功能--1
重新索引 Series和DataFrame在创建时可以对其index属性进行修改(DataFrame中index修改行属性)。创建后需要对index修改需要用到reindex方法。s1 = pd.Series([1,2,3],index=['c','a','b'])s1.reindex(['a','b','c'])'''结果:a 2b 3c 1dtype: ...原创 2018-03-15 19:30:46 · 225 阅读 · 1 评论 -
【Python数据分析之pandas03】数据结构的基本功能--2
算数运算和数据对齐 pandas一个强大的功能是,它可以对不同索引的对象进行算数运算。s1 = pd.Series([1,2,3,4],index=['a','b','c','d'])s1'''a 1b 2c 3d 4dtype: int64'''s2 = pd.Series([4,78,32,89,61],index=['a','b','e',...原创 2018-03-16 18:04:50 · 230 阅读 · 0 评论 -
【Python数据分析之pandas04】数学方法
统计与汇总 pandas对象的统计基本与numpy的数学方法差不多,不过pandas数组都是基于没有缺失数据的情况下构建的,即当对象中存在NAN值的时候,NaN值将会被自动排除,除非整个切片或对象都是NaN。 pandas对象的sum方法:data = pd.DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]])...原创 2018-03-17 14:55:17 · 401 阅读 · 0 评论 -
【Python数据分析之Numpy02】利用数据进行数据处理
矢量化计算 概念是:用数组表达式代替循环。 例:计算点(x,y)到原点的长度。首先介绍一个函数,np.meshgrid(*x,*y)。这个函数接收两个数组*x,*y,对于这两个数组上的所有元素,进行一一对应,生成两个矩阵,两个矩阵相同位置上的元素就是点的x和y坐标。points = np.arange(-5,5,0.01,dtype=np.float64)xs,ys = np.mes...原创 2018-03-11 18:12:08 · 204 阅读 · 0 评论 -
【Python数据分析之pandas05】处理缺失化数据
首先,Python用.isnull的方法判断对象元素是否为NaN(缺失值)。s1 = pd.Series(['one','two',np.nan,'three'])s1.isnull()'''0 False1 False2 True3 Falsedtype: bool''' 之前提到了一种填充缺失值的方法是重新索引时修改其method属性,这...原创 2018-03-18 13:38:34 · 285 阅读 · 0 评论 -
【Python数据分析之Numpy03】线性代数
线性代数相关函数 一下所列的函数都包含在numpy.linalg函数里 diag:返回对角线元素或将一维数组转化为方阵。np.diag([1,2,3,4,5])'''array([[1, 0, 0, 0, 0], [0, 2, 0, 0, 0], [0, 0, 3, 0, 0], [0, 0, 0, 4, 0], [0, 0,...原创 2018-03-12 19:02:10 · 154 阅读 · 0 评论 -
【Python数据分析之pandas06】层次化索引
层次化索引 Pandas层次化索引将对象的索引分层,以便调用。s1 = pd.Series(range(1,11),index=[['a','a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])s1'''a 1 1 2 2 3 3b 1 4 2 5 ...原创 2018-03-19 17:20:48 · 544 阅读 · 0 评论