数据分析三剑客

最新推荐文章于 2023-10-27 14:49:50 发布
最新推荐文章于 2023-10-27 14:49:50 发布
阅读量367 收藏
点赞数
文章标签： python 数据结构与算法
原文链接：http://www.cnblogs.com/haitaoli/p/10617088.html
版权

目录

一.Numpy

1.使用np.array()创建数组

import numpy as np

np.array([1, 2, 3, 4, 5]) # 创建一个一维数组
np.array([[1,2,3,4], [5,6,7,8]]) # 创建一个二维数组

# 注意:
(1)numpy默认ndarray的所有元素的类型是相同的
(2)如果传进来的列表中包含不同的类型, 则统一为同一类型, 优先级: str > float > int

2.使用np的函数创建数组

import numpy as np


# np.ones(shape, dtype=None, order='C')
np.ones(shape=(5, 6), dtype=int) # 创建一个元素数值为1, 形状为5行5列的二维数组

# np.zeros(shape, dtype=None, order='C')
np.zeros((5, 5)) # 创建一个元素数值为0, 形状为5行5列的二维数组

# np.full(shape, fill_value, dtype=None, order='C')
np.full((5,5),fill_value=999) # 创建一个元素数值为999, 形状为五行五列的二维数组

# np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
np.linspace(1,100,num=50) # 创建一个元素数值范围在1到100, 元素个数为50的一维数组

# np.arange([start, ]stop, [step, ]dtype=None)
np.arange(0, 100, 2) #创建一个 元素数值范围为0到100,元素数值步长为2 的一维数组

# np.random.randint(low, high=None, size=None, dtype='l')
np.random.seed(1) # 使用random.seed()方法固定随机性
np.random.randint(0, 100, size=(5, 6)) # 生成一个5行6列的二维数组, 每一个元素的值是0到100的随机数

# np.random.randn(d0, d1, ..., dn)
np.random.seed(1) # 固定随机性
np.random.randn(4, 5, 6) # 标准正太分布

# np.random.random(size=None)
np.random.seed(1) # 固定随机性
np.random.random(size=(3, 3)) # 生成0到1的随机数, 左闭右开

3.ndarray的属性

  • 4个必须记住的参数:
    • ndim: 维度
    • shape: 形状(各维度的长度)
    • size: 总长度
    • dtype: 元素类型
# 使用matplotlib.pyplot获取一个numpy数组,数据来源于一张图片
import matplotlib.pyplot as plt
img_arr = plt.imread('./wnh.jpg') # 读取图片数据,返回一个三维数组
plt.imshow(img_arr) # 显示该图片


img_arr.shape   # 数组的形状
img_arr.size    # 数组的总长度
img_arr.dtype   # 数组元素的类型
img_arr.ndim    # 数组的维度(几维数组)

4.ndarray的基本操作

首先创建一个数组, 如下所示:

import numpy as np

np.random.seed(1)
arr = np.random.randint(0, 100, size=(5, 5)) # 创建一个元素范围是0到100,形状是5行5列的随机数组
arr
##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87]])

(1)索引

# 根据索引查看元素. 注意:索引从0开始计数.
arr[0][0]


##执行结果如下:
37
# 根据索引修改元素数值
arr[0][0] = 666
arr


##执行结果如下:
array([[666,  12,  72,   9,  75],
       [  5,  79,  64,  16,   1],
       [ 76,  71,   6,  25,  50],
       [ 20,  18,  84,  11,  28],
       [ 29,  14,  50,  68,  87]])

(2)切片

# 查看当前数组
arr


##执行结果如下:
array([[666,  12,  72,   9,  75],
       [  5,  79,  64,  16,   1],
       [ 76,  71,   6,  25,  50],
       [ 20,  18,  84,  11,  28],
       [ 29,  14,  50,  68,  87]])
# 获取二维数组前两行
arr[0:2]


##执行结果如下:
array([[666,  12,  72,   9,  75],
       [  5,  79,  64,  16,   1]])
# 获取二位数组前两列
arr[:,0:2]


##执行结果如下:
array([[666,  12],
       [  5,  79],
       [ 76,  71],
       [ 20,  18],
       [ 29,  14]])

注意: 逗号左边是行切片, 右边是列切片

# 获取二维数组前两行和前两列的数据
arr[0:2, 0:2]


##执行结果如下:
array([[666,  12],
       [  5,  79]])
# 将数组的行 倒序排列
arr[::-1,::]


##执行结果如下:
array([[ 29,  14,  50,  68,  87],
       [ 20,  18,  84,  11,  28],
       [ 76,  71,   6,  25,  50],
       [  5,  79,  64,  16,   1],
       [666,  12,  72,   9,  75]])
# 将数组的列 倒序排列
arr[::, ::-1]


##执行结果如下:
array([[ 75,   9,  72,  12, 666],
       [  1,  16,  64,  79,   5],
       [ 50,  25,   6,  71,  76],
       [ 28,  11,  84,  18,  20],
       [ 87,  68,  50,  14,  29]])
# 将数组的行和列 都进行倒序排列
arr[::-1, ::-1]


##执行结果如下:
array([[87, 68, 50, 14, 29],
       [28, 11, 84, 18, 20],
       [50, 25,  6, 71, 76],
       [ 1, 16, 64, 79,  5],
       [75,  9, 72, 12, 37]])

(3)变形

  • 将一维数组变形成多维数组
import numpy as np
arr_1 = np.arange(0, 100, 4) # 创建一个元素范围为0到100,元素步长为4的一维数组

arr_1.reshape((-1, 5)) # 将一维数组变形成多维数组
##执行结果如下:
array([[ 0,  4,  8, 12, 16],
       [20, 24, 28, 32, 36],
       [40, 44, 48, 52, 56],
       [60, 64, 68, 72, 76],
       [80, 84, 88, 92, 96]])
  • 将多维数组变形成一维数组
import numpy as np
np.random.seed(1) # 固定随机性
arr_2 = np.random.randint(0, 100, size=(5, 5)) # 创建一个5行5列的随机数组

arr_2 = arr_2.reshape((25,)) # 将多维数组变形成一维数组
arr_2
##执行结果如下:
array([37, 12, 72,  9, 75,  5, 79, 64, 16,  1, 76, 71,  6, 25, 50, 20, 18, 84, 11, 28, 29, 14, 50, 68, 87])

(4)级联

语法: np.concatenate((arr1, arr2), axis=1)

参数:

  • arr1, arr2表示要级联的数组
  • axis=1表示横向级联, axis=0表示纵向级联
横向级联
import numpy as np
np.random.seed(1) # 固定随机性
arr = np.random.randint(0, 100, size=(5, 5)) # 创建一个5行5列的随机数组
arr


##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87]])
np.concatenate((arr, arr), axis=1) # 将数组arr进行横向级联


##执行结果如下:
array([[37, 12, 72,  9, 75, 37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1,  5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50, 76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28, 20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87, 29, 14, 50, 68, 87]])
纵向级联
np.random.seed(6) # 固定随机性
arr1 = np.random.randint(0, 100, size=(4, 5)) # 创建一个4行5列的随机数组
arr1


##执行结果如下:
array([[10, 73, 99, 84, 79],
       [80, 62, 25,  1, 75],
       [77, 57, 26, 33, 68],
       [33,  8,  2, 76, 84]])
np.concatenate((arr, arr1), axis=0) # 将数组arr和arr1进行纵向级联


##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87],
       [10, 73, 99, 84, 79],
       [80, 62, 25,  1, 75],
       [77, 57, 26, 33, 68],
       [33,  8,  2, 76, 84]])
  • 级联需要注意的点:
    • 级联的参数是列表: 一定要加中括号或小括号
    • 维度必须相同
    • 形状相符: 在维度保持一致的前提下, 如果进行横向(axis=1)级联, 必须保证进行级联的数组的行数保持一致. 如果进行纵向(axis=0)级联, 必须保证进行级联的数组的列数保持一致
    • 可以通过axis参数改变级联的方向

(5)切分

  • 与级联类似, 三个函数完成切分工作:
    • np.split(arr, 行/列号, 轴)
      • 注意: 参数2是一个列表类型
    • np.vsplit()
    • np.hsplit()

1464512-20190328191730045-1542637248.png

1464512-20190328191741780-65973697.png

(6)副本

import numpy as np
np.random.seed(1) # 固定随机性
arr = np.random.randint(0, 100, size=(5, 5)) # 创建一个5行5列的随机数组
arr


##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87]])
a = arr.copy() # 可以使用copy()函数创建副本,这样做不会对原数据造成影响
a[2][2] = 666 # 修改副本的数据不会对原数据造成影响
arr


##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87]])
a


##执行结果如下:
array([[ 37,  12,  72,   9,  75],
       [  5,  79,  64,  16,   1],
       [ 76,  71, 666,  25,  50],
       [ 20,  18,  84,  11,  28],
       [ 29,  14,  50,  68,  87]])

5.ndarray的聚合操作

(1)求和np.sum()

import numpy as np
np.random.seed(1) # 固定随机性
arr = np.random.randint(0, 100, size=(5, 5)) # 创建一个5行5列的随机数组
arr


##执行结果如下:
array([[37, 12, 72,  9, 75],
       [ 5, 79, 64, 16,  1],
       [76, 71,  6, 25, 50],
       [20, 18, 84, 11, 28],
       [29, 14, 50, 68, 87]])
  • axis=1 对所有行求和
arr.sum(axis=1) # axis=1 对所有行求和


##执行结果如下:
array([205, 186, 228, 161, 248])
  • axis=0 对所有列求和
arr.sum(axis=0) # axis=0 对所有列求和


##执行结果如下:
array([167, 215, 276, 129, 241])

(2)最大最小值: np.max()和np.min()

arr.max(axis=1) # 求每一行的最大值

arr.max(axis=0) # 求每一列的最大值

arr.min(axis=1) # 求每一行的最小值

arr.min(axis=0) # 求每一列的最小值

(3)平均值: np.mean()

arr.mean(axis=1) # 求每一行的平均值

arr.mean(axis=0) # 求每一列的平均值

(4)其他聚合操作

Function NameNaN-safe VersionDescription
np.sumnp.nansumCompute sum of elements
np.prodnp.nanprodCompute product of elements
np.meannp.nanmeanCompute mean of elements
np.stdnp.nanstdCompute standard deviation
np.varnp.nanvarCompute variance
np.minnp.nanminFind minimum value
np.maxnp.nanmaxFind maximum value
np.argminnp.nanargminFind index of minimum value
np.argmaxnp.nanargmaxFind index of maximum value
np.mediannp.nanmedianCompute median of elements
np.percentilenp.nanpercentileCompute rank-based statistics of elements
np.anyN/AEvaluate whether any elements are true
np.allN/AEvaluate whether all elements are true
np.power幂运算

6.ndarray的排序

快速排序

np.sort()与ndarray.sort()都可以, 但有区别:

  • np.sort()不改变输入
  • ndarray.sort()本地处理, 不占用空间, 但改变输入
np.sort(arr, axis=1) # 对每一行进行升序排序

np.sort(arr, axis=0) # 对每一列进行升序排序

二.Pandas

1.Series

Series是一种类似于一维数组的对象, 由下面两个部分组成:

  • values: 一组数据(ndarray类型)
  • index: 相关的数据索引标签

(1)Series的创建

a.由列表或numpy数组创建
# 导入pandas三剑客:
from pandas import Series, DataFrame
import pandas as pd
import numpy as np
# 使用列表创建Series
s = Series(data=[1, 2, 3], index=['a', 'b', 'c'])
s


##执行结果:
a    1
b    2
c    3
dtype: int64
# 使用numpy创建Series
s1 = Series(data=np.random.randint(0, 100, size=(3,)))
s1


##执行结果:
0    32
1    25
2    30
dtype: int32
s.index # 查看索引
s.values # 查看值
b. 由字典创建: 不能使用index, 但是依然存在默认索引
# 使用字典创建Series
dic = {
    'name': '王力宏',
    'gender': '男',
}
s2 = Series(dic)
s2


##执行结果:
gender      男
name      王力宏
dtype: object

小练习: 使用多种方法创建以下Series，命名为s1

语文 150
数学 150
英语 150
理综 300

dic = {
    '语文': 150,
    '数学': 150,
    '英语': 150,
    '理综': 300,
}

s1 = Series(dic)
s1

##执行结果:
数学    150
理综    300
英语    150
语文    150
dtype: int64
s2 = Series(data=[150, 150, 150, 300], index=['语文', '数学', '英语', '理综'])
s2


##执行结果:
语文    150
数学    150
英语    150
理综    300
dtype: int64

(2)Series的索引和切片

显示索引:

  • 使用index中的元素作为索引值
  • 使用s.loc[] (推荐)
    • 注意: loc中括号里面放置的一定是显示索引
    • 注意: 此时是闭区间
s2['语文']

##执行结果:
150
s2.loc['理综']

##执行结果:
300

隐式索引:

  • 使用整数作为索引值
  • 使用.iloc (推荐)
    • 注意: iloc的中括号里面必须放置隐式索引
    • 注意: 此时是半开区间
s2[1]

##执行结果:
150
s2.iloc[1]

##执行结果:
150

索引切片:

dic = {
    'math':100,
    'English':88
}
s3 = Series(data=dic)
s3

##执行结果:
English     88
math       100
dtype: int64
s3.iloc[0:1]

##执行结果:
English    88
dtype: int64

(3)Series的基本概念

  • 可以把Series看成是一个定长的有序字典
  • 向Series增加一行: 相当于给字典增加一组键值对
dic = {
    'math':100,
    'English':88
}
s3 = Series(data=dic)
s3['Chinese'] = 100
s3


##执行结果:
English     88
math       100
Chinese    100
dtype: int64
  • 可以通过shape, size, index, values等得到series的属性
s3.shape

##执行结果:
(3,)
s3.size

##执行结果:
3
s3.index

##执行结果:
Index(['English', 'math', 'Chinese'], dtype='object')
s3.values

##执行结果:
array([ 88, 100, 100], dtype=int64)
  • 可以使用s.head(), s.tail()分别查看前n个和后n个值
s3.head(2) # 查看前2个值

##执行结果:
English     88
math       100
dtype: int64
s3.tail(2) # 查看后2个值

##执行结果:
math       100
Chinese    100
dtype: int64
  • 对Series元素进行去重: unique()
s = Series([1,1,2,2,3,3,3,3,3,4,5,6,5,5,3,5,1])
s.unique()


##执行结果:
array([1, 2, 3, 4, 5, 6], dtype=int64)
  • 使得两个Series进行相加
s1 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'D', 'E'])
s2 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'D', 'E'])
s = s1 + s2
s

##执行结果:
A     2
B     4
C     6
D     8
E    10
dtype: int64
  • 当索引没有对应的值时, 可能出现缺失数据显示NaN(not a number)的情况
s1 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'D', 'E'])
s2 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'F', 'E'])
s = s1 + s2
s

##执行结果:
A     2.0
B     4.0
C     6.0
D     NaN
E    10.0
F     NaN
dtype: float64
  • 可以使用pd.isnull(), pd.notnull(), 或s.isnull(), s.notnull()函数检测缺失的数据
s.notnull()

##执行结果:
A     True
B     True
C     True
D    False
E     True
F    False
dtype: bool
s[['A', 'B', 'C']] # 显示索引查看值

##执行结果:
A    2.0
B    4.0
C    6.0
dtype: float64
s[[0, 1]] # 隐式索引查看值

##执行结果:
A    2.0
B    4.0
dtype: float64
s[[True, False, True, True, True, False]] # True表示显示该值,False表示不显示

##执行结果:
A     2.0
C     6.0
D     NaN
E    10.0
dtype: float64
s[s.notnull()] # 这个语法表示: 显示s中所有非空的值

##执行结果:
s[s.notnull()] # 这个语法表示: 显示s中所有非空的值
s[s.notnull()] # 这个语法表示: 显示s中所有非空的值
A     2.0
B     4.0
C     6.0
E    10.0
dtype: float64

(4)Series的运算

  1. +, -, *, /

略

  1. add(), sub(), mul(), div()
  • add()的语法是这样的:
    • s1.add(s2, fill_value=0)
s1 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'D', 'E'])
s2 = Series(data=[1, 2, 3, 4, 5], index=['A', 'B', 'C', 'F', 'E'])

s1.add(s2)

##执行结果:
A     2.0
B     4.0
C     6.0
D     NaN
E    10.0
F     NaN
dtype: float64
  1. Series之间的运算
  • 在运算中自动对齐不同索引的数据
  • 如果索引不对应, 则自动补NaN

2.DataFrame

DataFrame是一个表格型的数据结构. DataFrame由按照一定顺序排列的多列数据组成. 设计初衷是将Series的使用场景从一维拓展到多维. DataFrame既有行索引, 也有列索引.

  • 行索引: index
  • 列索引: columns
  • 值: values

(1)DataFrame的创建

最常用的方法是传递一个字典来创建. DataFrame以字典的键作为每一列的名称, 以字典的值(一个数组)作为每一列.

此外, DataFrame会自动加上每一行的索引.

使用字典创建DataFrame后, 则columns参数将不可被使用.

同Series一样, 若传入的列与字典的键不匹配, 则相应的值为NaN.

  • 使用ndarray创建DataFrame
df = DataFrame(data=np.random.randint(60, 120, size=(5, 5)), index=['a', 'b', 'c', 'd', 'e'])
df

1464512-20190328191818665-130186314.png

  • DataFrame属性: values, columns, index, shape
df.values

1464512-20190328191834137-413534864.png

df.columns

1464512-20190328191844153-258993795.png

df.index

1464512-20190328191854304-1855336984.png

df.shape

1464512-20190328191907553-602677468.png

  • 小练习:

1464512-20190328191919282-1258579070.png

dic = {
    '张三': [130, 130, 130, 230],
    '李四': [140, 140, 140, 240],
    '王五': [150, 150, 150, 250],
}
df = DataFrame(data=dic, index=['语文', '数学', '英语', '理综'])
df

1464512-20190328191930298-324057449.png

(2)DataFrame的索引

1.对列进行索引

  • 通过类似字典的方式: df['q']
  • 通过属性的方式: df.q

可以将DataFrame的列获取为一个Series. 返回的Series拥有原DataFrame相同的索引, 且name属性也已经设置好了, 就是相应的列名.

1464512-20190328191939884-312557807.png

1464512-20190328191949186-1142535526.png

1464512-20190328191958433-1853127593.png

2.对行进行索引

  • 使用 .loc[] 加index来进行 行索引
  • 使用 .iloc[] 加整数来进行 行索引

同样返回一个Series, index为原来的columns

1464512-20190328192009442-1995923240.png

3.对元素索引的方法

  • 使用列索引
  • 使用行索引(iloc[3, 1] or loc['C', 'q'])
    • 注意: 行索引在前, 列索引在后

1464512-20190328192019526-18915947.png

4.切片

  • 注意: 使用中括号时
    • 索引表示的是列索引
    • 切片表示的是行切片

1464512-20190328192029347-606000633.png

1464512-20190328192041883-961714878.png

(3)DataFrame的运算

(1)DataFrame之间的运算

同Series一样:

  • 在运算中自动对齐不同索引的数据
  • 如果索引不对应, 则不NaN

1464512-20190328192053463-373108453.png

略

转载于:https://www.cnblogs.com/haitaoli/p/10617088.html

weixin_30908941
关注
数据分析三剑客：Numpy、Pandas、Matplotlib（你想看的这里都有，超详细版本）
Yuka_bro
10-30 895
写在前面的话：一直以来，笔者都非常想尝试将所学的知识体系化从而搭建出一名数据分析师应该具备的知识框架与数据处理能力，三剑客将是这条路的起点，本文为笔者原创，耗费近一周左右的私人时间，原创不易，希望读者盆友们多多指正，时间有限，文中出现的错误也希望大家指正，最后，本文的源码跟数据集笔者已放至微信公众：天玄小屋，有需要的盆友可自便。
【数据分析“三剑客”】—— NumPy
最新发布
dao_cao_renshuai的博客
06-29 1303
介绍数据分析三剑客中的numpy
Python数据分析三剑客-主流数据分析库精讲
06-16
"Python数据分析三剑客"通常指的是Pandas、NumPy和Matplotlib这三个主流的数据分析库。这些库为数据清洗、处理、可视化提供了高效且易用的解决方案。下面将详细阐述这三个库的功能和应用场景。 1. **NumPy**：NumPy...
Python数据分析三剑客入门教程
02-05
"Python数据分析三剑客入门教程" 本教程旨在为初学者提供 Python 数据分析三剑客入门的指南，涵盖 NumPy、Matplotlib 和 Pandas 三个库的基础知识。 NumPy NumPy（ Numerical Python 的缩写）是 Python 中的...
Python数据分析三剑客源码大全【Numpy+Pandas+Matplotlib】
04-07
Python数据分析三剑客，即Numpy、Pandas和Matplotlib，是进行数据处理和可视化的三大核心库。这些库在Python编程中具有举足轻重的地位，尤其在科学研究、金融分析、机器学习等领域广泛使用。 1. Numpy（Numerical ...
数据分析 | 三剑客浅尝一下~
Ouroboroszzs的博客
02-13 1075
python数据分析numpy，pandas，matplotlib基本介绍
大数据处理之荷兰三剑客
千山独行
04-25 436
大数据现在是业内炙手可热的话题，随着技术的发展，大数据存储技术已经不再是难点，但是对大数据如何做好存储后的下一步处理将是未来竞争的焦点，目前比较受欢迎的Storm, Spark, Hadoop三个大数据处理工具都是JVM上的语言写成的。 Spark由Scala写成，是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map red...
数据分析三剑客-numpy
weixin_45966880的博客
05-02 507
数据分析三大件 numpy(提供数据源) 使用array()创建一维数组(已有数组) array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) tip:数组与列表的区别 数组中的元素都是统一的数据类型 列表中的元素可以是不同类型 使用array()创建多维数组 封装numpy多维数组（图片） 对封装的numpy数组（图片）展示 对numpy数组处理映射到图片中去 创建数组的其他方式 创建数组 对应代
python数据分析 | 重新认识数据分析中的三剑客？
WANGJUNAIJIAO的博客
05-24 1276
对数据分析三剑客有一个简单的认识，后续将逐步在编程实例中引入pandas,numpy,matplotlib的使用。读者福利：知道你对Python感兴趣，便准备了这套python学习资料如果你是零基础小白，想快速入门Python是可以考虑的。一方面是学习时间相对较短，学习内容更全面更集中。二方面是可以找到适合自己的学习方案包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、机器学习等习教程。带你从零基础系统性的学好Python！
Python数据分析 三剑客篇（一）NumPy
qq_42171569的博客
07-26 2697
Python数据分析（一）Numpy NumPy，Pandas和 Matplotlib “工欲善其事，必先利其器。” Numpy ，pandas 和 Matplotlib 被称为Python数据分析的三剑客模块。首先我们来讲讲安装问题，推荐直接傻瓜式安装Anaconda，里面封装了大量的第三方库，其中就包括了我们的三剑客模块。推荐到清华大学开源镜像站下载。 NumPy是一个科学计算库，提供了...
python数据分析（EDA）三剑客（1）之numpy
ji_meng的博客
04-03 2734
首先介绍的是数据分析中的“大哥”：numpy
Python数据分析三剑客：Pandas、Matplotlib与Seaborn
m0_59236602的博客
10-27 322
库有强大的数据可视化功能，对各个区域的销售数计数，导入matplotlib包，传入销售数据列，并对具体的图表参数进行设置，可得出华南区域的销售数占比最大为36.3%，西南区域的销售数占比最小为3.1%。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。info函数可以看各个字段的信息，包括非空值计数，数据类型，比如，这里的日期为日期型数据，区域为字符型数据，客户年龄为数值型数据。
数据分析三剑客之Matplotlib
weixin_34205076的博客
02-20 605
Matplotlib绘图和可视化 简介 我的前面两篇文章介绍了 Nimpy，Pandas。今天来介绍一下Matplotlib。 简单来说，Matplotlib 是 Python 的一个绘图库。它包含了大量的工具，你可以使用这些工具创建各种图形，包括简单的散点图，正弦曲线，甚至是三维图形。Python 科学计算社区经常使用它完成数据可视化的工作。 你可以在他们的网站上了解到更多 Matp...
数据分析三剑客之数据处理（六）
jaffe507的博客
03-25 512
符号数组 sign函数可以把样本数组的变成对应的符号数组，正数变为1，负数变为-1，0则变为0。 ary = np.sign(源数组) 净额成交量（OBV） 成交量可以反映市场对某支股票的人气，而成交量是一只股票上涨的能量。一支股票的上涨往往需要较大的成交量。而下跌时则不然。 若相比上一天的收盘价上涨，则为正成交量；若相比上一天的收盘价下跌，则为负成交量。 绘制OBV柱状图 dates, clo...
Python数据分析三剑客
09-03
Python数据分析三剑客指的是pandas、numpy和matplotlib。其中，pandas是用于数据提炼和处理的库，numpy提供强大的科学计算功能，而matplotlib则负责数据可视化的操作。这三个库在Python数据分析领域扮演着重要的角色...
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