python linspace函数_8个高效Python数据分析的技巧(附完整代码)

↑

关注 + 星标 ，每天学Python新技能

后台回复【

大礼包

】送你Python自学大礼包

这篇文章介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率，还能够使代码更加“优美”。

1

一行代码定义List

定义某种列表时，写For 循环过于麻烦，幸运的是，Python有一种内置的方法可以在一行代码中解决这个问题。下面是使用For循环创建列表和用一行代码创建列表的对比。

x = [1,2,3,4]out = []foritem inx: out.append(item**2)print(out)[1,4,9,16]# vs.x = [1,2,3,4]out = [item**2foritem inx]print(out)[1,4,9,16]

2

Lambda表达式

厌倦了定义用不了几次的函数？Lambda表达式是你的救星！Lambda表达式用于在Python中创建小型，一次性和匿名函数对象， 它能替你创建一个函数。

lambda表达式的基本语法是：

lambdaarguments: expression

注意！只要有一个lambda表达式，就可以完成常规函数可以执行的任何操作。

你可以从下面的例子中，感受lambda表达式的强大功能：

double = lambdax: x * 2print(double(5))10

3

Map和Filter

一旦掌握了lambda表达式，学习将它们与Map和Filter函数配合使用，可以实现更为强大的功能。具体来说，map通过对列表中每个元素执行某种操作并将其转换为新列表。

在本例中，它遍历每个元素并乘以2，构成新列表。 (注意！list()函数只是将输出转换为列表类型)

# Mapseq = [1,2,3,4,5]result = list(map(lambdavar: var*2,seq))print(result)[2,4,6,8,10]

Filter函数接受一个列表和一条规则，就像map一样，但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。

# Filterseq = [1,2,3,4,5]result = list(filter(lambdax: x > 2,seq))print(result)[3,4,5]

4

Arange和Linspace

Arange返回给定步长的等差列表。它的三个参数start、stop、step分别表示起始值，结束值和步长，请注意！stop点是一个“截止”值，因此它不会包含在数组输出中。

# np.arange(start, stop, step)np.arange(3,7,2)array([3,5])

Linspace和Arrange非常相似，但略有不同。Linspace以指定数目均匀分割区间，所以给定区间start和end，以及等分分割点数目num，linspace将返回一个NumPy数组。

这对绘图时数据可视化和声明坐标轴特别有用。

# np.linspace(start, stop, num)np.linspace(2.0,3.0,num=5)array([ 2.0,2.25,2.5,2.75,3.0]

5

Axis代表什么？

在Pandas中，删除一列或在NumPy矩阵中求和值时，可能会遇到Axis。我们用删除一列(行)的例子：

df.drop('Column A',axis=1)df.drop('Row A',axis=0)

如果你想处理列，将Axis设置为1，如果你想要处理行，将其设置为0。但为什么呢？回想一下Pandas中的shape。

df.shape(# of Rows, # of Columns)

从Pandas DataFrame中调用shape属性返回一个元组，第一个值代表行数，第二个值代表列数。

如果你想在Python中对其进行索引，则行数下标为0，列数下标为1，这很像我们如何声明轴值。

6

Concat，Merge和Join

如果您熟悉SQL，那么这些概念对你来说可能会更容易。无论如何，这些函数本质上就是以特定方式组合DataFrame的方式。在哪个时间跟踪哪一个最适合使用可能很困难，所以让我们回顾一下。

Concat允许用户在表格下面或旁边追加一个或多个DataFrame(取决于您如何定义轴)。

Merge将多个DataFrame合并指定主键(Key)相同的行。

Join，和Merge一样，合并了两个DataFrame。但它不按某个指定的主键合并，而是根据相同的列名或行名合并。

7

Pandas Apply

Apply是为Pandas Series而设计的。如果你不太熟悉Series，可以将它想成类似Numpy的数组。

Apply将一个函数应用于指定轴上的每一个元素。使用Apply，可以将DataFrame列(是一个Series)的值进行格式设置和操作，不用循环，非常有用！

df = pd.DataFrame([[4,9],] * 3,columns=['A','B']) df A B0  4  91  4  92  4  9df.apply(np.sqrt) A B0  2.0  3.01  2.0  3.02  2.0  3.0df.apply(np.sum,axis=0)A 12B 27df.apply(np.sum,axis=1)0    131    132    13

8

Pivot Tables

如果您熟悉Microsoft Excel，那么你也许听说过数据透视表。

Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。

下面是几个例子：

非常智能地将数据按照“Manager”分了组：

pd.pivot_table(df,index=["Manager","Rep"])

或者也可以筛选属性值

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])

希望上面的这些描述能够让你发现Python一些好用的函数和概念。

文章转载自爱数据原统计网。

推荐阅读

扫码回复「大礼包」后获取大礼

新人福利送大家一份Python学习大礼包，从Python基础，爬虫，数据分析Web开发等全套资料，吃透资料，

这些资料都是视频，新人学起来非常友好。

扫码加微信后备注「Python新手」方便我给你发送资料