Python常见面试题（二）——numpy和pandas

一、NumPy和Pandas间的区别与练习

• 功能定位

NumPy主要用于数值计算，提供了多维数组对象ndarray，支持数组操作、线性代数、随机数生成等功能。
 Pandas则建立在NumPy之上，提供了更高级的数据结构，主要用于数据分析，尤其是处理表格化数据。

• 数据结构

NumPy的核心是多维数组对象ndarray，它可以表示任意维度的数组。
Pandas提供了两种主要的数据结构：Series（一维标记数组）和DataFrame（二维带标签的数据表）。

• 索引方式

NumPy的数组只能使用整数索引访问元素。
Pandas的Series和DataFrame可以使用标签索引（如列名或行名）来访问数据，也可以通过整数位置索引访问。

• 擅长领域

NumPy特别擅长处理矩阵运算、数值计算等任务。
Pandas适合处理结构化的数据，如数据清洗、数据选择、数据转换等操作。

• 对缺失数据的处理

NumPy的数组不支持缺失数据，通常会用特殊值（如NaN）表示。

Pandas中的Series和DataFrame提供了更便捷的方法来处理缺失数据，如填充缺失值、删除缺失值等。

• 其他区别

NumPy 比 Pandas 更快且内存效率更高。

NumPy 主要用于数值计算，而 Pandas 用于更广泛的用途，例如数据分析和可视化。

NumPy 支持使用矩阵和数组数据格式，其中 Pandas 可以与表数据、Excel 文件、CSV 文件等一起使用。

NumPy 使用数组作为其主要对象，并且默认情况下也不索引。Pandas 使用系列和数据框作为其主要对象，并默认提供索引。

联系：

DataFrame 的列是 Series 对象，可以通过列索引对列进行访问和操作。

二、numpy

【介绍】

NumPy 是 Python 中的科学计算包/库。它提供了一个多维的数组对象以及多个派生对象，例如屏蔽数组和矩阵。NumPy 包的核心是ndarray 。它负责封装同质数据类型的 n 维数组，提供优化的代码编译，使其性能非常好。它从根本上用于执行数学和逻辑运算、实现基本线性代数、操作数组形状、排序和选择、I/O、执行离散傅立叶变换等。

【使用numpy的原因及其优势】

快：虽然 Python 列表也是数组，但这些列表的处理时间比 NumPy 数组慢 50 倍，使其