1. 数据科学领域中常用的python库
Numpy库:数据运算的基础库,运行效率高(底层C语言,高效index)
Scipy库:实现了常用的科学计算方法(线性代数,傅里叶变换,信号和图像处理)
Pandas库:分析数据的利器,高级数据结构(Series,DataFrame)
Matplotlib库:绘图功能(散点,曲线,柱形)
2. Anaconda的使用说明
介绍:著名的python数据科学平台,开源,跨平台。包含有流行的python和R的包。
下载地址:https://www.anaconda.com/download/
Jupyter notebook基本使用:
新建一个文件:new
执行代码:Shift+Enter
模式切换:code 和 markdown
查看函数帮助信息: shift+tab
以%开头的为魔法函数:%matplotlib inline
Jupyter notebook基本使用
3. Numpy库介绍
3.1 预备知识
数组与矩阵:数组可以是N维的,而矩阵是二维的数组。
向量:1 * N 或 N * 1 的矩阵
标量:1 * 1 的矩阵
3.2 定义数组
importnumpy as np
list_1= [1,2,3,4,5]
array_1=np.array(list_1)print(array_1)
定义一维数组
importnumpy as np
list_1= [1, 2, 3, 4]
list_2= [5, 6, 7, 8]
array_2=np.array([list_1, list_2])print(array_2)
定义二维数组
#arange函数类似于python的range函数
importnumpy as np
array_3= np.arange(1, 10, 2)print(array_3)
通过arange函数定义数组
importnumpy as np
array_4_1= np.zeros(5) #定义一维全零数组
print(array_4_1)
array_4_2= np.zeros([2,3]) #定义二维全零数组,两行三列
print(array_4_2)
定义全零数组
importnumpy as np
array_5= np.eye(5) #定义单位数组: 5*5
print(array_5)
定义单位数组
importnumpy as np
array_6= np.random.randn(10)print(array_6)
通过randn定义数组
importnumpy as np
array_7_1= np.random.randint(10, size=10) #一维数组: 每个元素都是0-9中的一个数,size表示1行10列
print(array_7_1)
array_7_2= np.random.randint(10, size=(2,3)) #二维数组: 每个元素都是0-9中的一个数,size表示2行3列
print(array_7_2)
array_7_3= np.random.randint(10, size=20).reshape(4,5) #二维数组,每个元素都是0-9中的一个数,size表示1行20列,通过reshape函数进行再次切分
print(array_7_3)
通过randint定义数组
3.3 操作数组
importnumpy as np
array_1= np.random.randint(10, size=20).reshape(4,5)#数组的属性
print(array_1.shape) #数组行列信息:(4, 5)
print(array_1.size) #数组总数量:20
print(array_1.dtype) #元素数据类型, 如果存在多种类型,则取精度最高的那个
#数组的访问--操作与切片类似
print(array_1)print(array_1[0][1]) #行选0,列选1
print(array_1[0,1]) #行选0,列选1
print(array_1[:2,1:3]) #行选0和1,列选1和2
#数组的常用函数
print(np.unique(array_1))print(np.sum(array_1)) #返回所有数组元素的和
print(np.sum(array_1[0])) #返回某一行的和
print(np.sum(array_1[:,0])) #返回某一列的和
print(array_1.max()) #返回元素中的最大值
print(array_1[0].max()) #返回某一行中的最大值
print(array_1[:,0].min()) #返回某一列中的最小值
数组操作
3.4 矩阵相关
importnumpy as np
m= np.mat([[1,2,3, 4],[5,6,7,8]])print(m)
通过列表定义矩阵
importnumpy as np
a= np.random.randint(10, size=20).reshape(4,5) #定义一个二维数组
m =np.mat(a)print(m)
通过二维数组定义矩阵
importnumpy as np
A= np.mat(np.random.randint(10, size=20).reshape(4,5))
B= np.mat(np.random.randint(10, size=20).reshape(5,4))print(A * B) #注意:A*B 其中[A矩阵的行]和[B矩阵的列]需要一样,否则会报错
矩阵的乘积运算
4. Pandas库介绍
pandas库主要功能是进行数据的分析和处理,它有两个重要的数据结构:Series 和 DataFrame
4.1 关于数据处理过程中的NaN数据
1. np.nan 其数据类型为float2. 特点:任何数据跟NaN进行运算,都是NaN3. 删除带有NaN的行或列
s.dropna()
df.dropna(axis=1),其中how参数:any(有nan就删)还是all(全是nan才删),thresh参数:可以设置nan的阈值4. 其他与nan有关的函数
s.isnull(),s.notnull(),df.isnull(),df.notnull()
df.fillna(value=1) #nan值全部填充为1
df.fillna(value=(0:0,1:1)) #0列nan填充0,1列nan填充1
关于NaN的一些知识点
4.2 数据结构Series
Series 类似于 Numpy 中的 array
4.2.1 定义Series
importnumpy as npimportpandas as pd#通过list
s1 = pd.Series([1,2,3,4,5], index=['a','b','c','d','e'])print(s1)#通过array
s2 = pd.Series(np.arange(10))print(s2)#通过dict, 其中dict的key为index
s3 = pd.Series({"a":1,"b":2,"c":3,})print(s3)
创建Series:3种方式
s.index
s.name
s.index.name
s.values
Series一些常见属性
4.2.2 Series基本操作
importpandas as pd
s2= pd.Series([1,2,3,4,5], index=['a','b','c','d','e'])print(s2["b"]) #访问元素:根据索引
print(s2[s2<3]) #访问元素:给定值范围
print(s2.to_dict()) #将 Series 转为 dict
index_new= ["A","B","C","D","E","F"]
s3= pd.Series(s2, index=index_new) #改变Series的索引
s2.drop('a') #删除一个元素
#Series的排序
s2.sort_index() #Series依据index排序
s2.sort_values() #Series依据values排序
Series基本操作
4.3 数据结构DataFrame
4.3.1 DataFrame基本知识
DataFrame对象中的某一列,返回的是一个Series对象
importnumpy as npimportpandas as pdfrom pandas importSeries, DataFrame#方式1:csv --> DataFrame
df1 = pd.read_csv("filePath_csv")#方式2:Series --> DataFrame
df2 = DataFrame([s1, s2], index=["a","b"])#方式3:dict --> DataFrame
df3 = DataFrame({})
创建DataFrame
df.shape #查看df的行数和列数
df.columns #查看df的列名
df.head() #查看df的某几行数据
df[['列名1','列名2']] #查看df的某些列数据, 也可以用 df.列名 的方法
df.T #对df进行转置
DataFrame的基本操作
### 过滤功能#对原有的DataFrame过滤掉某些列,得到一个新的DataFrame 相当于删除某些列
df_new = DataFrame(df, columns=['第一列', '第三列']) #如果columns中填写的列在df中不存在,那么该列的value均为NaN#表示行取10-19,列取0-1
df.iloc[10:20,0:2]#表示行取10-11,列取从第一个到列名为[列名1]的列
df.loc[10:11,:'列名1']### 修改value#给column中一整列全部value重新赋值
df_new['第N列'] = list | numpy |pandas#给column中某一个或几个元素赋值
df_new['第十八列'] = pd.Series([100, 200], index=[1, 2])### 删除操作#删除指定一行
df.drop('A',axis=0)#删除指定一列
df.drop('c1',axis=1)### 添加操作#方式1:直接新增一列
df["GDP"] = Series([111,222,333]) #注意此方式有缺点,如果df的index不是默认值,新增时也需要指定#方式2:直接新增一列
df["GDP"] = df["城市"].map(gdp_map_dict) #使用map的优点,不需要关注index的情况
DataFrame的数据处理
4.3.2 DataFrame相关高级操作
4.3.2.1 运用到DataFrame中的高级函数
#apply可以对一列或一行数据进行处理#apply可以传入一个函数,这个函数对某一行或某一列进行操作#apply也可以实现将一列分成多列
apply函数
#通过去重进行数据清洗
df.drop_duplicates(['Seqno'], keep='last')
思路:先看某一列不重复的数据有多少:len(df[''].unique()),再通过duplicated判断元素是否重复
drop_duplicates函数
#已知一个[按天采样]的Series,求其[按月采样]或[按时采样]
t_range = pd.date_range('2016-01-01', '2016-12-31')
s_day= Series(np.random.randn(len(t_range)), index=t_range)#按月采样
s_month = s_day.resample('M').mean()#按时采样
s_hour = s_day.resample('H').ffill()
resample函数
#数据分箱技术binning
score_list = np.random.randint(25, 100, size=20)
bins= [0, 59, 70, 80, 100] #定义区间范围点
score_cat = pd.cut(score_list, bins) #对score_list做分箱操作
pd.value_counts(score_cat) #做统计呈现
df=DataFrame()
df['score'] =score_list
df['student'] = [pd.util.testing.rands(3) for i in range(20)]#给df添加区间
df['categories'] = pd.cut(df['score'], bins, labels=['r1','r2','r3','r4'])#注意labels的数量应该等于bins的数量减1
print(df)
cut函数
#数据聚合技术Aggregation
基本使用:df.agg("func_name")
其中func_name可以是内置的函数,也可以是自定义函数
内置的如:
mean,min,max,describe
自定义的如:def func1(attr): return attr.max() -attr.min()
df.agg("func1")
agg函数
df = DataFrame([[1,2,3],[1,3,9],[7,3,9]], columns=["A","B","C"])
dfgb_one= df.groupby(df['A'])#按A列分组,求其他列的平均值
dfgb_one.mean()#按A列分组,求B列的平均值
dfgb_one['B'].mean()
groupby
4.3.2.2 DataFrame的排序
df = DataFrame(np.arange(40).reshape(8,5))#以A列进行排序,降序方式
df.sort_values('A',ascending=False)#以index进行排序
df.sort_index()
DataFrame的排序
4.3.2.3 重命名DataFrame的index
df.index = df.index.map(str.lower) #map函数可以自己定义,也可以使用python的内置函数
df.rename(index=str.lower, columns=str.lower)
df.rename(index={'A':'a'}, columns={'BJ':'bj'}) #传入字典,字典中内容为修改的内容
重命名DataFrame的index
4.3.2.4 DataFrame的merge操作
合并两个df:pd.merge
合并规则:找列名相同,value值相同
on参数默认为None,用来指定用哪一列进行merge
how参数默认为inner,用来指定merge策略。可选取值:left, right, inner,outer
DataFrame的merge操作
4.3.2.4 DataFrame的多级index
1. 创建1个二级index的Series2. 如何访问具有二级index的Series3. 多级index的Series与DataFrame的相互转换4. 创建1个具有多级index和多级columns的DataFrame
DataFrame的多级index
5. Pandas库中Series和DataFrame的关系
1. DataFrame 的每一列为一个 Series
DataFrame的每一行为一个 tuple。df.iterrows() 返回一个generator,遍历generator,每个元素为一个tuple,每个tuple有两个元素:index, Series。
2. Series是一维数据结构。index 创建series时可以指定,values array类型。
DataFrame是二维数据结构。包含有index,columns,values。
3. Series转为字典:{k1:v1,k2:v2}
DataFrame转为字典:{k1:{k11:v11,k12:v12}}
6. 使用pandas过程中的问题记录
1. 当用read_csv读取文件时,若某一列原本有整数和NaN数据,那么读取内容后此列中所有的整数都会变为浮点数。因为NaN数据属于浮点数。
2. 查看某一列中有多少个NaN的方法:.isnull().sum()
3. 统计某列或者某行数据元素的个数.value_counts()
4. 去除df中所有包含NaN的行:df.dropna()
5. 按条件删除某些行:df.drop(df[(df.score < 50) & (df.score > 20)].index)
其中可以使用操作符: | 只需其中一个成立,& 同时成立,~ 表示取反
6. 对列中每个元素做统一操作:df['column_name'].map(len)。其中len也可以是自定义函数
7. 针对某一列取值的唯一性,定义一些必要的映射关系:dict{ zip(df.column_name.unique(), {"a1", "a2", "a3"}) }