Python：Python数据分析基础教程/王斌会 第三章 Python编程分析基础

最新推荐文章于 2024-06-09 10:11:45 发布
最新推荐文章于 2024-06-09 10:11:45 发布
阅读量1.4k 收藏 4
点赞数 3
分类专栏： python：python数据分析基础教程_王斌会 文章标签： python python数据分析基础教程 王斌会 python基础 python入门
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47805483/article/details/107123824
版权

Python数据分析基础教程/王斌会

第三章 Python编程分析基础

在这里插入图片描述

- 3.1Python的数据类型

在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

- 3.2数值分析库numpy

3.2.1一维数组

在这里插入图片描述
其他有帮助的生成数：

np.random.randint(1,9)   #1~9随机数
np.random.rand(10)       #10个均匀随机数
np.random.randn(10)      #10个正态随机数

3.2.2二维数组

在这里插入图片描述
3.2.3其他数组 在这里插入图片描述
一点点补充

np.empty([3,3]) #空数组
np.zeros((3,3)) #零矩阵
np.ones((3,3))  #1矩阵
np.eye(3)       #单位阵

- 3.3数据分析库pandas

3.3.1序列Series*****

在这里插入图片描述在这里插入图片描述
说明：

#（3）序列合并
pd.concat([S2,S3],axis=0)    #按行并序列
pd.concat([S2,S3],axis=1)    #按列并序列

3.3.2数据框DateFrame*****

在这里插入图片描述
在这里插入图片描述

###3.3.2 数据框:DataFrame
#（1）生成数据框
pd.DataFrame()      #生成空数据框

#（2）根据列表创建数据框
pd.DataFrame(X)
pd.DataFrame(X,columns=['X'],index=range(5))
pd.DataFrame(weight,columns=['weight'],index=['A','B','C','D','E'])

#（3）根据字典创建数据框
'''通过字典列表生成数据框是Python较快捷的方式 '''
df1=pd.DataFrame({'S1':S1,'S2':S2,'S3':S3});df1
df2=pd.DataFrame({'sex':sex,'weight':weight},index=X);df2

#（4）增加数据框列
df2['weight2']=df2.weight**2; df2   # 生成新列

#（5）删除数据框列
del df2['weight2']; df2   #删除数据列

#（5）缺失值处理
df3=pd.DataFrame({'S2':S2,'S3':S3},index=S1);df3
df3.isnull()#是缺失值返回True，否则范围False
df3.isnull().sum()#返回每列包含的缺失值的个数
df3.dropna()   #直接删除含有缺失值的行，多变量谨慎使用
#df3.dropna(how = 'all')#只删除全是缺失值的行

#（7）数据框排序
df3.sort_index()         #按index排序
df3.sort_values(by='S3') #按列值排序

总结：pd.DataFrame()中的参数

文章参考

3.3.3数据的读写

在这里插入图片描述
在这里插入图片描述

总结：pd.read_excel()中的参数

Basic Python Knowledge You Need To Know：导入Excel之pd.read_excel参数小结

3.3.4数据的保存

在这里插入图片描述

3.3.5对数据框的操作

在这里插入图片描述
补充与汇总：

####3.3.4.1 基本信息

#（1）数据框显示
BSdata.info()            #数据框信息
BSdata.head()            #显示前5行
BSdata.tail()            #显示后5行

#（2）数据框列名（变量名）
BSdata.columns           #查看列名称

#（3）数据框行名（样品名）
BSdata.index             #数据框行名

#（4）数据框维度
BSdata.shape             #显示数据框的行数和列数
BSdata.shape[0]          #数据框行数
BSdata.shape[1]          #数据框列数

#（5）数据框值（数组）
BSdata.values            #数据框值数组

3.3.6选取变量

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
条件取样

BSdata.身高 # 取一列数据，BSdata['身高']
BSdata[['身高','体重']]  #取两列数据
BSdata.iloc[:,2] # 取1列
BSdata.iloc[:,2:4] # 取3 、4 列

BSdata.loc[3] #取1行
BSdata.loc[3:5] #取3-5行

BSdata.loc[:3,['身高','体重']]
BSdata.iloc[:3,:5] #0到2行和1:5列

BSdata[BSdata['身高']>180]
BSdata[(BSdata['身高']>180)&(BSdata['体重']<80)]

3.3.7数据框的运算

在这里插入图片描述

BSdata['体重指数']=BSdata['体重']/(BSdata['身高']/100)**2
round(BSdata[:5],2)

pd.concat([BSdata.身高, BSdata.体重],axis=0)
pd.concat([BSdata.身高, BSdata.体重],axis=1)

BSdata.iloc[:3,:5].T###转置*****

补充：round()函数的用法

附一个简单的例子

In [1]: round(1.5324)
Out[1]: 2.0

In [2]: round(1.5324, 2)
Out[2]: 1.53

- 3.4基础编程运算

在这里插入图片描述

- 附件：第三章代码汇总

#3 Python 编程分析基础
##3.1 Python 数据类型
###3.1.1Pyhton 对象
x=10.12   #创建对象x
del x   #删除对象x
###3.1.2 数据基本类型
#数值型
n=10       #整数
n
print("n=",n)
x=10.234   #实数
print(x)
print("x=%10.5f"%x)
#逻辑型
a=True;a
b=False;b
10>3
10<3
#字符型
s='IlovePython';s
s[7]
s[2:6]
s+s
s*2
float('nan')
###3.1.3 标准数据类型
#（1）List（列表）
list1=[] # 空列表
list1
list1=['Python',786,2.23,'R',70.2]
list1 # 输出完整列表
list1[0] # 输出列表的第一个元素
list1[1:3] # 输出第二个至第三个元素
list1[2:] # 输出从第三个开始至列表末尾的所有元素
list1*2 # 输出列表两次
list1+list1[2:4] # 打印组合的列表

X=[1,3,6,4,9];X
sex=[' 女',' 男',' 男',' 女',' 男']
sex
weight=[67,66,83,68,70];
weight
#（2）Tuple（元组）
#（3）Dictionary（字典）
{}            #空字典
dict1={'name':'john','code':6734,'dept':'sales'};dict1 #定义字典
dict1['code']  # 输出键为'code' 的值
dict1.keys()   # 输出所有键
dict1.values() # 输出所有值
dict2={'sex': sex,'weight':weight}; dict2 #根据列表构成字典

##3.2 数值分析库numpy
###3.2.1 一维数组(向量)
import numpy as np       #加载数组包
np.array([1,2,3,4,5])         #一维数组
np.array([1,2,3,np.nan,5])    #包含缺失值的数组

np.array(X)              #列表变数组
np.arange(9)             #数组序列
np.arange(1,9,0.5)       #等差数列
np.linspace(1,9,5)       #等距数列

np.random.randint(1,9)   #1~9随机数
np.random.rand(10)       #10个均匀随机数
np.random.randn(10)      #10个正态随机数

###3.2.2 二维数组(矩阵)
np.array([[1,2],[3,4],[5,6]]) #二维数组
A=np.arange(9).reshape((3,3));A # 形成3x3

###3.2.3 数组的操作
A.shape
np.empty([3,3]) #空数组
np.zeros((3,3)) #零矩阵
np.ones((3,3))  #1矩阵
np.eye(3)       #单位阵

##3.3 数据分析库pandas
import pandas as pd   #加载数据分析包

###3.3.1 序列:Seriers
#（1）创建序列（向量、一维数组）
pd.Series()           #生成空序列
#（2）根据列表构建序列
X=[1,3,6,4,9]
S1=pd.Series(X);S1
S2=pd.Series(weight);S2
S3=pd.Series(sex);S3
#（3）序列合并
pd.concat([S2,S3],axis=0)    #按行并序列
pd.concat([S2,S3],axis=1)    #按列并序列
#（4）序列切边
S1[2]
S3[1:4]

###3.3.2 数据框:DataFrame
#（1）生成数据框
pd.DataFrame()      #生成空数据框
#（2）根据列表创建数据框
pd.DataFrame(X)
pd.DataFrame(X,columns=['X'],index=range(5))
pd.DataFrame(weight,columns=['weight'],index=['A','B','C','D','E'])
#（3）根据字典创建数据框
'''通过字典列表生成数据框是Python较快捷的方式 '''
df1=pd.DataFrame({'S1':S1,'S2':S2,'S3':S3});df1
df2=pd.DataFrame({'sex':sex,'weight':weight},index=X);df2
#（4）增加数据框列
df2['weight2']=df2.weight**2; df2   # 生成新列
#（5）删除数据框列
del df2['weight2']; df2   #删除数据列
#（6）缺失值处理
df3=pd.DataFrame({'S2':S2,'S3':S3},index=S1);df3
df3.isnull()#是缺失值返回True，否则范围False
df3.isnull().sum()#返回每列包含的缺失值的个数
df3.dropna()   #直接删除含有缺失值的行，多变量谨慎使用
#df3.dropna(how = 'all')#只删除全是缺失值的行
#（7）数据框排序
df3.sort_index()         #按index排序
df3.sort_values(by='S3') #按列值排序

###3.3.3 数据框的读写
####3.3.3.1pandas读取数据集
#（1）从剪切板上读取
#BSdata=pd.read_clipboard();
BSdata[:5]  #从剪切板上复制数据
#（2）读取csv格式数据
#BSdata=pd.read_csv("BSdata.csv",encoding='utf-8') #注意中文格式
BSdata[6:9]
#（3）读取Excel格式数据
BSdata=pd.read_excel('DaPy_data.xlsx','BSdata');BSdata[-5:]

####3.3.3.2pandas数据集的保存
BSdata.to_csv('BSdata1.csv') #将数据框BSdata保存到BSdata.csv

###3.3.4 数据框的操作
####3.3.4.1 基本信息
#（1）数据框显示
BSdata.info()            #数据框信息
BSdata.head()            #显示前5行
BSdata.tail()            #显示后5行
#（2）数据框列名（变量名）
BSdata.columns           #查看列名称
#（3）数据框行名（样品名）
BSdata.index             #数据框行名
#（4）数据框维度
BSdata.shape             #显示数据框的行数和列数
BSdata.shape[0]          #数据框行数
BSdata.shape[1]          #数据框列数
#（5）数据框值（数组）
BSdata.values            #数据框值数组

####3.3.4.2 选取变量
BSdata.身高 # 取一列数据，BSdata['身高']
BSdata[['身高','体重']]  #取两列数据
BSdata.iloc[:,2] # 取1列
BSdata.iloc[:,2:4] # 取3 、4 列
####3.3.4.3 提取样品
BSdata.loc[3] #取1行
BSdata.loc[3:5] #取3-5行
####3.3.4.4 选取观测与变量
BSdata.loc[:3,['身高','体重']]
BSdata.iloc[:3,:5] #0到2行和1:5
####3.3.4.5 条件选取
BSdata[BSdata['身高']>180]
BSdata[(BSdata['身高']>180)&(BSdata['体重']<80)]
####3.3.4.6 数据框的运算
BSdata['体重指数']=BSdata['体重']/(BSdata['身高']/100)**2
round(BSdata[:5],2)

pd.concat([BSdata.身高, BSdata.体重],axis=0)
pd.concat([BSdata.身高, BSdata.体重],axis=1)

BSdata.iloc[:3,:5].T

#3.4 Python 编程运算
##3.4.1 基本运算
##3.4.2 控制语句
####3.4.2.1 循环语句for
for i in range(1,5):
    print(i)

fruits = ['banana', 'apple',  'mango']
for fruit in fruits:
   print('当前水果 :', fruit)

for var in BSdata.columns:
    print(var)

####3.4.2.2 条件语句if/else
a = -100
if a < 100:
    print("数值小于100")
else:
    print("数值大于100")

-a if a<0 else a

##3.4.3 函数定义

x=[1,3,6,4,9,7,5,8,2];x
def xbar(x):
    n=len(x)
    xm=sum(x)/n
    return(xm)
xbar(x)
np.mean(x)
HarryStudyPython_ing
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据分析基础：数据可视化+数据分析报告（Python实现）
weixin_67991858的博客
01-30 4960
数据展现用来直观高效地向他人展示数据分析结果，也称数据可视化。本文介绍通过Python如何快速调用第三方库实现数据可视化。
Python数据分析与可视化(基础知识)Python基础
wx1871428的博客
07-13 4786
Python基础 本文首先介绍一下做数据分析与可视化所必备的Python基础,涉及Python的组合数据类型、控制流以及常用的内置函数。 数据类型 我们将讨论数据处理常见的数据类型。 Python中的列表 Python中的字典 Python中的集合 Python中的列表 列表是Python中常用的数据类型。列表中的元素是有序的，可变的，并且允许重复。我们可以用[]来创建一个列表。 同时我们还可以对一个列表进行分割也就是进行切片。切片意味着提取列表的一部分。切片的时候，第一个数字包含在返回集中，最后一个数
python数据分析基础教程-可视化（第二版）第四章习题
11-13
对于数据可视化的第四章习题描述
Python：Python数据分析基础教程/王斌会 第五章 数据的可视化分析
qq_47805483的博客
07-19 997
图书学习打卡：Python数据分析基础教程/王斌会 第五章 数据的可视化分析 5.1 特殊统计图的绘制 #（1）初等函数 import math x=np.linspace(0,2*math.pi);x #[0,2*pi]序列 #fig,ax=plt.subplots(2,2,figsize=(15,12)) plt.plot(x,np.sin(x)) plt.plot(x,np.cos(x)) plt.plot(x,np.log(x)) plt.plot(x,np.exp(x)) #（2）极坐标图
15个Python数据分析实用技巧（非常详细）零基础入门到精通，收藏这一篇就够了
最新发布
Python_0011的博客
06-09 1181
练习技巧：选取一个实际数据集，从数据导入开始，逐步应用上述技巧，先做简单的数据清洗和描述性分析，然后尝试预测模型或可视化复杂关系。使用技巧：在处理大数据时，考虑使用Dask或Vaex代替Pandas，以提高效率。注意事项：数据隐私和安全永远是首位的，确保在合法合规的范围内处理数据。通过这些实战策略和技巧的运用，你的数据分析能力将得到显著提升。黑客&网络安全如何学习1.学习路线图攻击和防守要学的东西也不少，具体要学的东西我都写在了上面的路线图，如果你能学完它们，你去就业和接私活完全没有问题。
Python数据分析基础教程 数据可视化第2版王斌会课后习题答案解析
weixin_58833001的博客
03-29 422
我是一名即将毕业的大四学生，最近在学习数据分析方面遇到了一本非常好的教材——《Python数据分析基础教程——数据可视化（第2版）》。然而，学习数据分析并不是一件容易的事情，需要大量的练习和实践。在学习过程中，我遇到了一些困难，比如无法找到合适的学习资料、学习方法不够高效等。为了解决这些问题，我想向大家求助：你们有相关的学习资料、学习方法或学习经验可以分享吗？如果你曾学习过这本书，或者对Python数据分析有经验，欢迎你分享你的学习心得。你的帮助将让我和我的同学们受益匪浅。出版社： 电子工业出版社。
bss段和data段的区别
modi000的博客
06-06 1812
转载：https://blog.csdn.net/weixin_41565755/article/details/90481710 一、bss与data 一般情况下，一个程序本质上都是由bss段、data段、text段三个组成的——本概念是当前的计算机程序设计中是很重要的一个基本概念。而且在嵌入式系统的设计中也非常重要，牵涉到嵌入式系统运行时的内存大小分配，存储单元占用空间大小的问题。 在采用段式内存管理的架构中（比如intel的80x86系统），bss段（Block...
Python入门基础（下）之Python数据分析实战
爱玩的容久久的博客
09-21 472
Python入门基础（下）之Python数据分析实战 一.学习内容概括 学习地址：https://tianchi.aliyun.com/s/58327c15d1faee512c008128d3bb9e32 今天主要学习的内容有：Python数据分析实战 二.具体学习内容 口袋妖怪数据集探索 数据集下载 !wget -O pokemon_data.csv https://pai-public-data.oss-cn-beijing.aliyuncs.com/pokemon/pokemon.cs
Python数据分析基础教程第3章-Python编程分析基础.pptx
06-12
总的来说，Python数据分析基础涉及的知识点广泛且深入，从基本的数据类型和对象理解，到高级的数值分析库使用，每一步都是构建数据分析能力的重要基石。学习并熟练掌握这些内容，能让你在处理和分析数据时更加...
Python工具链的数据分析基础教程及实战案例分析
05-16
Python工具链的数据分析基础教程及实战案例分析Python工具链的数据分析基础教程及实战案例分析Python工具链的数据分析基础教程及实战案例分析Python工具链的数据分析基础教程及实战案例分析Python工具链的数据分析...
Python数据分析基础教程：NumPy学习指南(第2版)PPT模板.pptx
06-12
献辞 Python数据分析基础教程：NumPy学习指南(第2版)PPT模板全文共169页，当前为第3页。 关于审稿人 02 Python数据分析基础教程：NumPy学习指南(第2版)PPT模板全文共169页，当前为第4页。 关于审稿人 Python数据...
bsdata:BattleScribe数据文件托管平台
05-13
BSData项目 BattleScribeDataWeb是一个Web应用程序，用于提供GitHub上各种数据存储库中的BattleScribe数据文件。 这是一个Java 8网络应用程序，旨在在Google App Engine上运行。 它是使用Maven 3.5构建和部署的。 它由一个Angular（JavaScript）前端和一个RESTful（Jersey / JAX-RS）后端组成。 本指南是从运行Windows的Netbeans IDE用户的角度编写的，但是您可以使用任何支持Maven的IDE或工具集。 假定您具有在Windows上进行开发的经验，或者可以将以下内容转换为所选的操作系统。 您还应该具有使用Java进行软件开发/编程的一些知识（或愿意学习！）。 内容 在你开始之前 确保您拥有Google帐户。 确保您拥有GitHub帐户并且是BSData组织（ ）的成员。
Warhammer40k-BSdata
04-21
数据 该文件包含我所有的《 Battlesribe》游戏系统
《Python数据分析基础教程》课件—数据的决策分析.pdf
06-22
《Python数据分析基础教程》课件—数据的决策分析.pdf《Python数据分析基础教程》课件—数据的决策分析.pdf《Python数据分析基础教程》课件—数据的决策分析.pdf《Python数据分析基础教程》课件—数据的决策分析.pdf...
Python数据分析与可视化第二版答案
gk12336的博客
02-18 903
PyEcharts说明文档，学习的时候可以参考Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理适合练手的python项目。当数据分析遇上数据可视化时，pyecharts 诞生了。在各行各业比较先进的工具都会优先支持python，可以通过python实现类似的效果。
Python数据可视化_课后习题及答案
weixin_45688123的博客
07-25 1万+
Python数据可视化_课后习题及答案
R语言，多元统计分析第四版，第五版，王斌会教授的自编函数及资源。
kang_yqdhhd的博客
06-07 3191
最近在学习，王斌会教授的多元统计分析这本书，但是遗憾的是，王斌会教授自编的一些函数和一些资源没有，自己也是费尽力气找到了这些，这也多亏了这位博主给的网站，才能让我有机会告诉你们，直接引用这位博主的地址吧，正好也可以关注一下她，看得出来是一个很优秀的人呢，地址是：https://blog.csdn.net/lucky_shi/article/details/105191404 为了大家方便查找，我也将简化的网址找到 第四版：https://gitee.com/Py-R/mvstats4 第五版：https:/
bss、data和rodata区别与联系
热门推荐
laiqun_ai的专栏
01-22 3万+
有人可能会说，全局内存就是全局变量嘛，有必要专门一章来介绍吗？这么简单的东西，还能玩出花来？我从来没有深究它，不一样写程序吗？关于全局内存这个主题虽然玩不出花来，但确实有些重要，了解这些知识，对于优化程序的时间和空间很有帮助。因为有好几次这样经历，我才决定花一章篇幅来介绍它。 正如大家所知道的，全局变量是放在全局内存中的，但反过来却未必成立。用static修饰的局部变量就是放在放全局内存的，
Python：Python数据分析基础教程/王斌会 第四章 数据的探索性分析
qq_47805483的博客
07-05 1122
Python数据分析基础教程/王斌会 第四章 数据的探索性分析 - 4.1数据的表述分析 4.1.1基本描述统计量 4.1.2计数数据的汇总分析 4.1.3计量数据的汇总分析 #（1）均数（算术平均数） BSdata.身高.mean() #（2）中位数 BSdata.身高.median() #（3）极差 BSdata.身高.max()-BSdata.身高.min() #（4）方差 BSdata.身高.var() #（5）标准差 BSdata.身高.std() #（6）四分位数间距 BSdata.身高
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值