Python 基础库整理和函数概述表——方便查看

pandas库

pandas库是Python中一个强大的数据处理和分析工具。它提供了高性能、易用的数据结构，如DataFrame和Series，用于处理和操作结构化数据。pandas库有以下主要功能：

1. 数据读取和写入：pandas可以读取和写入各种格式的数据，包括CSV、Excel、SQL数据库、JSON、HTML等。read_csv()、read_excel()、read_sql()、to_csv()、to_excel()等。

2. 数据清洗和预处理：pandas提供了一系列功能，用于处理缺失值、重复数据、异常值等。它还支持数据转换、重塑、合并、拆分等操作。dropna()、fillna()、replace()、duplicated()、merge()、groupby()、pivot_table()等。

3. 数据选择和过滤：pandas允许根据条件选择、过滤和切片数据。你可以使用布尔索引、标签索引、位置索引等来获取所需的数据子集。loc[]、iloc[]、head()、tail()、query()、isin()、where()、mask()等。

4. 数据计算和统计：pandas提供了丰富的函数和方法，可进行数值计算、聚合操作、描述统计分析等。它还支持自定义函数的应用。mean()、sum()、max()、min()、count()、describe()、quantile()、corr()等。

5. 时间序列处理：pandas对时间序列数据提供了专门的支持，包括日期范围生成、频率转换、滑动窗口操作、移动平均等。date_range()、to_datetime()、resample()、shift()、rolling()、diff()、pct_change()等。

6. 数据可视化：pandas可以与Matplotlib等绘图库结合，方便地进行数据可视化和图表绘制。plot()、hist()、scatter()、bar()、pie()、boxplot()等。

7. 字符串处理函数：

   1. 字符串的拆分和连接函数：split()、rsplit()、join()。

   2. 字符串的替换和删除函数：replace()、strip()、rstrip()、lstrip()、translate()、get_dummies()。

   3. 字符串的匹配函数：match()、contains()、startswith()、endswith()。

   4. 字符串的提取函数：slice()、get()、extract()、findall()、match()。

   5. 字符串的格式化函数：format()、pad()、center()、zfill()。

8. pandas提供了丰富的分组聚合函数，可以对数据进行分组并对每个组进行聚合操作。以下是一些常见的分组聚合函数：

   1. groupby(): 根据指定的列或条件对数据进行分组。

   2. agg(): 对分组后的数据进行聚合操作，如求和(sum)、均值(mean)、最大值(max)、最小值(min)等。

   3. count(): 统计每个组中非缺失值的数量。

   4. size(): 统计每个组的大小（包括缺失值）。

   5. mean(): 计算每个组的平均值。

   6. sum(): 计算每个组的总和。

   7. min(): 计算每个组的最小值。

   8. max(): 计算每个组的最大值。

   9. median(): 计算每个组的中位数。

   10. std(): 计算每个组的标准差。

   11. var(): 计算每个组的方差。

   12. describe(): 对每个组的数据进行描述性统计，包括计数、均值、标准差、最小值、25%分位数、中位数、75%分位数、最大值等。

9. pandas的透视表函数主要包括以下几个：

   1. pivot_table(): 根据指定的行、列和值，创建一个透视表。

   2. crosstab(): 用于计算两个或多个因素之间的频率表。

10. pandas库的合并函数主要包括以下几个：

    1. merge(): 根据指定的键将两个数据集合并成一个数据集。

    2. join(): 根据索引将两个数据集合并成一个数据集。

    3. concat(): 将多个数据集按照指定的轴进行拼接。

    4. append(): 将一个数据集追加到另一个数据集的末尾。merge()函数是最常用的合并函数之一，它可以根据指定的键将两个数据集合并成一个数据集。merge()函数的常用参数有left、right、on、how、suffixes等，通过这些参数可以控制合并方式、合并键和重复列的处理方式等。join()函数与merge()函数类似，但是它是基于索引进行合并的。join()函数的常用参数有other、on、how、lsuffix、rsuffix等。concat()函数用于将多个数据集沿着指定的轴进行拼接，可以在行方向或列方向上进行拼接。concat()函数的常用参数有axis、join、keys、ignore_index等。append()函数是concat()函数的简化版本，用于将一个数据集追加到另一个数据集的末尾。append()函数的常用参数有other、ignore_index、verify_integrity等。这些合并函数可以帮助我们更方便地进行数据的组合和整合，以满足不同的分析需求。例如，可以使用merge()函数将两个数据集按照共同的键进行合并，然后进行数据分析和可视化

numpy库

NumPy是Python的一个开源数值计算库，提供了高效的多维数组（ndarray）对象和一系列对这些数组进行操作的函数。它是科学计算和数据分析领域的基础工具之一。

NumPy的主要功能包括：

1. 多维数组：NumPy提供了高效的多维数组对象ndarray，可以存储同类型的元素，并对其进行快速的数值计算。numpy.array(), numpy.zeros(), numpy.ones(), numpy.empty(), numpy.arange(), numpy.linspace()等。
2. 数组操作：NumPy提供了丰富的数组操作函数，包括索引、切片、重塑、排序、聚合等，方便对数组进行各种操作和运算。可以使用整数、切片、布尔类型（掩码）等方式对数组进行索引和切片。numpy.reshape(), numpy.resize(), numpy.ravel(), numpy.transpose(), numpy.concatenate()等。
3. 数学运算：NumPy支持基本的数学运算，如加减乘除、指数、对数、三角函数等，以及向量化操作，可以对整个数组进行快速的数学运算。numpy.sum(), numpy.mean(), numpy.std(), numpy.var(), numpy.min(), numpy.max()等。numpy.sort(), numpy.argsort(), numpy.searchsorted()等。
4. 线性代数：NumPy提供了线性代数运算的函数，如矩阵乘法、求逆、特征值分解等，方便进行线性代数计算。numpy.dot(), numpy.linalg.det(), numpy.linalg.inv(), numpy.linalg.eig()等。
5. 随机数生成：NumPy提供了随机数生成的函数，可以生成各种概率分布的随机数，如均匀分布、正态分布等。numpy.random.rand(), numpy.random.randn(), numpy.random.randint()等。
6. 文件读写：NumPy可以方便地读写数组数据到磁盘，支持多种文件格式。numpy.save(), numpy.load(), numpy.savetxt(), numpy.loadtxt()等。

Matplotlib库

Matplotlib是Python的一个绘图库，用于创建各种静态、动态和交互式的数据可视化。它提供了广泛的绘图工具和函数，可以生成高质量的图表、图形和视觉效果。

Matplotlib的主要功能包括：

1. 绘制图形：Matplotlib可以绘制各种类型的图形，如线图、散点图、柱状图、饼图、等高线图、3D图等。

2. 自定义绘图样式：Matplotlib提供了丰富的选项和方法来自定义图形的样式，包括线型、颜色、标记符号、标题、坐标轴刻度等。

3. 多图形绘制：Matplotlib可以在同一张图中绘制多个子图，方便进行比较和展示多个数据集。

4. 标注和注释：Matplotlib支持在图形中添加标签、箭头和注释，以增强图形的可读性和解释性。

5. 图形保存和导出：Matplotlib可以将生成的图形保存为常见的图片格式（如PNG、JPEG、SVG等），方便在其他应用程序中使用。

6. 动态和交互式绘图：Matplotlib可以与其他库（如NumPy和Pandas）结合使用，实现动态和交互式绘图，以展示随时间变化的数据或响应用户交互的可视化。

7. 科学绘图和数据分析：Matplotlib是许多科学计算和数据分析库的基础，如NumPy、Pandas和SciPy，可以用于创建可视化的数据分析结果。以下是一些常用的 Matplotlib 函数：

   1. plot(x, y)：绘制折线图。
   2. scatter(x, y)：绘制散点图。
   3. bar(x, y)：绘制柱状图。
   4. hist(x, bins)：绘制直方图。
   5. pie(x, labels)：绘制饼图。
   6. imshow(data)：绘制图像。
   7. subplot(rows, cols, index)：创建子图。
   8. xlabel(text)：设置 x 轴标签。
   9. ylabel(text)：设置 y 轴标签。
   10. title(text)：设置图表标题。
   11. legend(labels)：显示图例。
   12. xlim(xmin, xmax)：设置 x 轴范围。
   13. ylim(ymin, ymax)：设置 y 轴范围。
   14. xticks(ticks, labels)：设置 x 轴刻度。
   15. yticks(ticks, labels)：设置 y 轴刻度。
   16. grid()：显示网格线。

import matplotlib.pyplot as plt

# 绘制图形
plt.plot(x, y)

# 添加标签
plt.text(x_pos, y_pos, 'Label', fontsize=12, color='red')

# 添加箭头和注释
plt.annotate('Annotation', xy=(x_arrow, y_arrow), xytext=(x_text, y_text),
             arrowprops=dict(arrowstyle='->', linewidth=1.5), fontsize=12)

# 显示图形
plt.show()


#在上述示例中，text() 函数用于添加标签，它的参数包括标签的位置 (x_pos, y_pos)，文本内容 'Label'，字体大小 fontsize 和颜色 color。

#annotate() 函数用于添加箭头和注释，它的参数包括箭头的位置 xy，注释文本的位置 xytext，箭头样式 arrowprops（这里使用了箭头样式 '->' 和线宽 linewidth），以及字体大小 fontsize。

#你可以根据需要调整标签和注释的位置、文本内容、字体大小等属性。在绘制完标签和注释后，使用 show() 函数显示图形。