Python 小抄

已于 2024-05-15 20:46:04 修改
阅读量1k 收藏 34
点赞数 5
分类专栏： 开源 文章标签： python c# 开发语言
于 2024-05-15 19:15:30 首次发布
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/weixin_38781498/article/details/138920133
版权

Python 备忘单

目录

1.语法和空格
2.注释
3.数字和运算
4.字符串处理
5.列表、元组和字典
6.JSON
7.循环
8.文件处理
9.函数
10.处理日期时间
11.NumPy
12.Pandas

要运行单元格，请按 Shift+Enter 或单击页面顶部的 Run（运行）。

1.语法和空格

Python 使用缩进空格来指示语句的级别。下面的单元格是一个示例，其中 ‘if’ 和 ‘else’ 处于同一级别，而 ‘print’ 由空格分隔到不同级别。相同级别的项目的间距应相同。

student_number = input("Enter your student number:")
if student_number != 0:
    print("Welcome student {}".format(student_number))
else:
    print("Try again!")

Enter your student number: 1


Welcome student 1

2.注释

在 Python 中，注释以井号 ‘# ’ 开头并延伸至该行的末尾。’# ’ 可以在行的开头或代码之后。

# 这是打印“hello world!”的代码

print("Hello world!") # 打印 hello world 语句
print("# 在本例中不是注释")

Hello world!
# 在本例中不是注释

3.数字和运算

与其他编程语言一样，有四种类型的数字：

  • 由 int 表示的整数（例如 1、20、45、1000）
  • 由 float 表示的浮点数（例如 1.25、20.35、1000.00）
  • 长整数
  • 复数（例如 x+2y，其中 x 是已知的）
运算结果
x+yx 与 y 的和
x - yx 与 y 的差
x * yx 与 y 的乘积
x / yx 和 y 的商
x // yx 和 y 的商（取整）
x % yx / y 的余数
abs(x)x 的绝对值
int(x)将 x 转换为整数
long(x)将 x 转换为长整数
float(x)将 x 转换为浮点
pow(x, y)x 的 y 次方
x ** yx 的 y 次方
# 数字示例
a = 5 + 8
print("Sum of int numbers: {} and number format is {}".format(a, type(a)))

b = 5 + 2.3
print ("Sum of int and {} and number format is {}".format(b, type(b)))

Sum of int numbers: 13 and number format is <class 'int'>
Sum of int and 7.3 and number format is <class 'float'>

4.字符串处理

与其他编程语言一样，Python 具有丰富的字符串处理功能。

# 将字符串存储在变量中
test_word = "hello world to everyone"

# 打印 test_word 值
print(test_word)

# 使用 [] 访问字符串的字符。第一个字符由 '0' 表示。
print(test_word[0])

# 使用 len() 函数查找字符串的长度
print(len(test_word))

# 在字符串中查找的一些示例
print(test_word.count('l')) # 计算 l 在字符串中重复出现的次数
print(test_word.find("o")) # 在字符串中查找字母 'o'。返回第一个匹配项的位置。
print(test_word.count(' ')) # 计算字符串中的空格数
print(test_word.upper()) # 将字符串更改为大写
print(test_word.lower()) # 将字符串更改为小写
print(test_word.replace("everyone","you")) # 将单词“everyone”替换为“you”
print(test_word.title()) # 将字符串更改为标题格式
print(test_word + "!!!") # 连结字符串
print(":".join(test_word)) # 在每个字符之间添加“:”
print("".join(reversed(test_word))) # 将字符串进行反转 

hello world to everyone
h
23
3
4
3
HELLO WORLD TO EVERYONE
hello world to everyone
hello world to you
Hello World To Everyone
hello world to everyone!!!
h:e:l:l:o: :w:o:r:l:d: :t:o: :e:v:e:r:y:o:n:e
enoyreve ot dlrow olleh

5.列表、元组和字典

Python 支持数据类型列表、元组、字典和数组。

列表

通过将所有项目（元素）放在方括号 [ ] 内并以逗号分隔来创建列表。列表可以具有任意数量的项目，并且它们可以具有不同的类型（整数、浮点数、字符串等）。

# Python 列表类似于数组。您也可以创建空列表。

my_list = []

first_list = [3, 5, 7, 10]
second_list = [1, 'python', 3]

# 嵌套多个列表
nested_list = [first_list, second_list]
nested_list

[[3, 5, 7, 10], [1, 'python', 3]]

# 合并多个列表
combined_list = first_list + second_list
combined_list

[3, 5, 7, 10, 1, 'python', 3]

# 您可以像分割字符串一样分割列表
combined_list[0:3]

[3, 5, 7]

# 将新条目追加到列表
combined_list.append(600)
combined_list

[3, 5, 7, 10, 1, 'python', 3, 600]

# 从列表中删除最后一个条目
combined_list.pop()

600

# 迭代列表
for item in combined_list:
    print(item)    

3
5
7
10
1
python
3

元组

元组类似于列表，但是您可以将其与括号 ( ) 一起使用，而不是与方括号一起使用。主要区别在于元组不可变，而列表可变。

my_tuple = (1, 2, 3, 4, 5)
my_tuple[1:4]

(2, 3, 4)

字典

字典也称为关联数组。字典由键值对的集合组成。每个键值对将键映射到其关联值。

desk_location = {'jack': 123, 'joe': 234, 'hary': 543}
desk_location['jack']

123

6.JSON

JSON 是用 JavaScript 对象表示法编写的文本。Python 有一个名为 json 的内置程序包，可用于处理 JSON 数据。

import json

# 示例 JSON 数据
x = '{"first_name":"Jane", "last_name":"Doe", "age":25, "city":"Chicago"}'

# 读取 JSON 数据
y = json.loads(x)

# 打印输出结果，类似于字典
print("Employee name is "+ y["first_name"] + " " + y["last_name"])

Employee name is Jane Doe

7.循环

If, Else, ElIf 循环：和其他任何编程语言一样，Python 支持条件语句。Python 依靠缩进（行的开头是空格）来定义代码范围。

a = 22
b = 33
c = 100

# if ... else 示例
if a > b:
    print("a is greater than b")
else:
    print("b is greater than a")
    
    
# if .. else .. elif 示例

if a > b:
    print("a is greater than b")
elif b > c:
    print("b is greater than c")
else:
    print("b is greater than a and c is greater than b")

b is greater than a
b is greater than a and c is greater than b

While 循环：只要条件为 true，就执行一组语句

# while 示例
i = 1
while i < 10:
    print("count is " + str(i))
    i += 1

print("="*10)

# 如果 x 为 2，则继续进行下一个迭代。最后，条件为 false 时打印消息。

x = 0
while x < 5:
    x += 1
    if x == 2:
        continue
    print(x)
else:
    print("x is no longer less than 5")

count is 1
count is 2
count is 3
count is 4
count is 5
count is 6
count is 7
count is 8
count is 9
==========
1
3
4
5
x is no longer less than 5

For 循环： For 循环更像 Python 中的迭代器。For 循环用于遍历序列（列表、元组、字典、集合、字符串或范围）。

# 循环示例
fruits = ["orange", "banana", "apple", "grape", "cherry"]
for fruit in fruits:
    print(fruit)

print("\n")
print("="*10)
print("\n")

# 迭代范围
for x in range(1, 10, 2):
    print(x)
else:
    print("task complete")

print("\n")
print("="*10)
print("\n")

# 迭代多个列表
traffic_lights = ["red", "yellow", "green"]
action = ["stop", "slow down", "go"]

for light in traffic_lights:
    for task in action:
        print(light, task)

orange
banana
apple
grape
cherry

​

==========

​

1
3
5
7
9
task complete

​

==========

​

red stop
red slow down
red go
yellow stop
yellow slow down
yellow go
green stop
green slow down
green go

8.文件处理

在 Python 中处理文件的主要函数是 open() 函数。open() 函数使用两个参数：filename 和 mode。

打开文件有四种不同的方法（模式）：

  • “r” - 读取
  • “a” - 追加
  • “w” - 写入
  • “x” - 创建

此外，您还可以指定是以二进制还是文本模式处理文件。

  • “t” - 文本
  • “b” - 二进制
# 我们来创建一个测试文本文件
!echo "This is a test file with text in it.This is the first line." > test.txt
!echo "This is the second line." >> test.txt
!echo "This is the third line." >> test.txt

# 读取文件
file = open('test.txt', 'r')
print(file.read())
file.close()

print("\n")
print("="*10)
print("\n")

# 读取文件的前 10 个字符
file = open('test.txt', 'r')
print(file.read(10))
file.close()

print("\n")
print("="*10)
print("\n")

# 从文件中读取行

file = open('test.txt', 'r')
print(file.readline())
file.close()

This is a test file with text in it.This is the first line.
This is the second line.
This is the third line.

​
​

==========

​

This is a

​

==========

​

This is a test file with text in it.This is the first line.

# 创建新文件

file = open('test2.txt', 'w')
file.write("This is content in the new test2 file.")
file.close()

# 读取新文件的内容
file = open('test2.txt', 'r')
print(file.read())
file.close()

This is content in the new test2 file.

# 更新文件
file = open('test2.txt', 'a')
file.write("\nThis is additional content in the new file.")
file.close()

# 读取新文件的内容
file = open('test2.txt', 'r')
print(file.read())
file.close()

This is content in the new test2 file.
This is additional content in the new file.

# 删除文件
import os
file_names = ["test.txt", "test2.txt"]
for item in file_names:
    if os.path.exists(item):
        os.remove(item)
        print(f"File {item} removed successfully!")
    else:
        print(f"{item} file does not exist.")

File test.txt removed successfully!
File test2.txt removed successfully!

9.函数

函数是在调用时运行的代码块。您可以将数据或 参数 传递到函数中。在 Python 中，函数是由 def 定义的。

# 定义函数
def new_funct():
    print("A simple function")

# 调用函数
new_funct()

A simple function

# 带有参数的示例函数

def param_funct(first_name):
    print(f"Employee name is {first_name}.")

param_funct("Harry")
param_funct("Larry")
param_funct("Shally")

Employee name is Harry.
Employee name is Larry.
Employee name is Shally.

匿名函数 (lambda)：lambda 是一个小的匿名函数。Lambda 函数可以使用任意数量的参数，但只有一个表达式。

# lambda 示例
x = lambda y: y + 100
print(x(15))

print("\n")
print("="*10)
print("\n")

x = lambda a, b: a*b/100
print(x(2,4))

115

​

==========

​

0.08

10.处理日期时间

Python 中的 datetime 模块可用于处理日期对象。

import datetime

x = datetime.datetime.now()

print(x)
print(x.year)
print(x.strftime("%A"))
print(x.strftime("%B"))
print(x.strftime("%d"))
print(x.strftime("%H:%M:%S %p"))

2024-05-15 12:42:35.994638
2024
Wednesday
May
15
12:42:35 PM

11.NumPy

NumPy 是使用 Python 进行科学计算的基本软件包。以下是它包含的一部分内容：

  • 强大的 N 维数组对象
  • 复杂的（广播）函数
  • 集成 C/C++ 和 Fortran 代码的工具
  • 有用的线性代数、傅立叶变换和随机数功能
# 使用 pip 安装 NumPy
!pip install numpy

Requirement already satisfied: numpy in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (1.22.4)

# 导入 NumPy 模块
import numpy as np

检查您的数组

# 创建数组
a = np.arange(15).reshape(3, 5) # 在 3 x 5 维中创建范围为 0-14 的数组
b = np.zeros((3,5)) # 使用 0 创建数组
c = np.ones( (2,3,4), dtype=np.int16 ) # 使用 1 创建数组并定义数据类型
d = np.ones((3,5))

a.shape # 数组维度

(3, 5)

len(b)# 数组长度

3

c.ndim # 数组维度的数量

3

a.size # 数组元素的数量

15

b.dtype # 数组元素的数据类型

dtype('float64')

c.dtype.name # 数据类型的名称

'int16'

c.astype(float) # 将数组类型转换为其他类型

array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]])

基本数学运算

# 创建数组
a = np.arange(15).reshape(3, 5) # 在 3 x 5 维中创建范围为 0-14 的数组
b = np.zeros((3,5)) # 使用 0 创建数组
c = np.ones( (2,3,4), dtype=np.int16 ) # 使用 1 创建数组并定义数据类型
d = np.ones((3,5))

np.add(a,b) # 加法

array([[ 0.,  1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.,  9.],
       [10., 11., 12., 13., 14.]])

np.subtract(a,b) # 减法

array([[ 0.,  1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.,  9.],
       [10., 11., 12., 13., 14.]])

np.divide(a,d) # 除法

array([[ 0.,  1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.,  9.],
       [10., 11., 12., 13., 14.]])

np.multiply(a,d) # 乘法

array([[ 0.,  1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.,  9.],
       [10., 11., 12., 13., 14.]])

np.array_equal(a,b) # 对比 - 数组方式

False

聚合函数

# 创建数组
a = np.arange(15).reshape(3, 5) # 在 3 x 5 维中创建范围为 0-14 的数组
b = np.zeros((3,5)) # 使用 0 创建数组
c = np.ones( (2,3,4), dtype=np.int16 ) # 使用 1 创建数组并定义数据类型
d = np.ones((3,5))

a.sum() # 按数组求和

105

a.min() # 数组最小值

0

a.mean() # 数组平均值

7.0

a.max(axis=0) # 数组行的最大值

array([10, 11, 12, 13, 14])

np.std(a) # 标准差

4.320493798938574

子集、切片和索引

# 创建数组
a = np.arange(15).reshape(3, 5) # 在 3 x 5 维中创建范围为 0-14 的数组
b = np.zeros((3,5)) # 使用 0 创建数组
c = np.ones( (2,3,4), dtype=np.int16 ) # 使用 1 创建数组并定义数据类型
d = np.ones((3,5))

a[1,2] # 选择第 1 行、第 2 列的元素

7

a[0:2] # 选择索引 0 和 1 上的项目

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

a[:1] # 选择第 0 行的所有项目

array([[0, 1, 2, 3, 4]])

a[-1:] # 选择最后一行的所有项目

array([[10, 11, 12, 13, 14]])

a[a<2] # 从 'a' 中选择小于 2 的元素

array([0, 1])

数组处理

# 创建数组
a = np.arange(15).reshape(3, 5) # 在 3 x 5 维中创建范围为 0-14 的数组
b = np.zeros((3,5)) # 使用 0 创建数组
c = np.ones( (2,3,4), dtype=np.int16 ) # 使用 1 创建数组并定义数据类型
d = np.ones((3,5))

np.transpose(a) # 转置数组 'a'

array([[ 0,  5, 10],
       [ 1,  6, 11],
       [ 2,  7, 12],
       [ 3,  8, 13],
       [ 4,  9, 14]])

a.ravel() # 展平数组

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

a.reshape(5,-2) # 重整但不更改数据

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14]])

np.append(a,b) # 将项目追加到数组

array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12.,
       13., 14.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,
        0.,  0.,  0.,  0.])

np.concatenate((a,d), axis=0) # 连结数组

array([[ 0.,  1.,  2.,  3.,  4.],
       [ 5.,  6.,  7.,  8.,  9.],
       [10., 11., 12., 13., 14.],
       [ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.]])

np.vsplit(a,3) # 在第 3 个索引处垂直拆分数组

[array([[0, 1, 2, 3, 4]]),
 array([[5, 6, 7, 8, 9]]),
 array([[10, 11, 12, 13, 14]])]

np.hsplit(a,5) # 在第 5 个索引处水平拆分数组

[array([[ 0],
        [ 5],
        [10]]),
 array([[ 1],
        [ 6],
        [11]]),
 array([[ 2],
        [ 7],
        [12]]),
 array([[ 3],
        [ 8],
        [13]]),
 array([[ 4],
        [ 9],
        [14]])]

Pandas

Pandas 是 BSD 许可的开源代码库，为 Python 编程语言提供了高性能、易于使用的数据结构和数据分析工具。

Pandas DataFrame 是 Python 中复杂数据集合在内存中使用最广泛的表示形式。

# 使用 pip 安装 pandas、xlrd 和 openpyxl
!pip install pandas
!pip install xlrd openpyxl

Requirement already satisfied: pandas in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (2.2.1)
Requirement already satisfied: numpy<2,>=1.22.4 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from pandas) (1.22.4)
Requirement already satisfied: python-dateutil>=2.8.2 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from pandas) (2.9.0)
Requirement already satisfied: pytz>=2020.1 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from pandas) (2024.1)
Requirement already satisfied: tzdata>=2022.7 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from pandas) (2024.1)
Requirement already satisfied: six>=1.5 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from python-dateutil>=2.8.2->pandas) (1.16.0)
Collecting xlrd
  Downloading xlrd-2.0.1-py2.py3-none-any.whl.metadata (3.4 kB)
Requirement already satisfied: openpyxl in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (3.1.2)
Requirement already satisfied: et-xmlfile in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from openpyxl) (1.1.0)
Downloading xlrd-2.0.1-py2.py3-none-any.whl (96 kB)
[2K   [90m━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━[0m [32m96.5/96.5 kB[0m [31m11.2 MB/s[0m eta [36m0:00:00[0m
[?25hInstalling collected packages: xlrd
Successfully installed xlrd-2.0.1

# 导入 NumPy 和 Pandas 模块
import numpy as np
import pandas as pd

# 示例 dataframe df
df = pd.DataFrame({'num_legs': [2, 4, np.nan, 0],
                   'num_wings': [2, 0, 0, 0],
                   'num_specimen_seen': [10, np.nan, 1, 8]},
                   index=['falcon', 'dog', 'spider', 'fish'])
df # 显示 dataframe df
num_legsnum_wingsnum_specimen_seen
falcon2.0210.0
dog4.00NaN
spiderNaN01.0
fish0.008.0
# 另一个示例 dataframe df1 - 使用带有日期时间索引和标记列的 NumPy 数组
df1 = pd.date_range('20130101', periods=6)
df1 = pd.DataFrame(np.random.randn(6, 4), index=df1, columns=list('ABCD'))
df1 # 显示 dataframe df1
ABCD
2013-01-010.4550052.0472800.260058-1.068430
2013-01-02-1.9038300.5212490.9067782.358446
2013-01-030.0362780.237705-0.836402-0.142862
2013-01-041.3021992.130269-0.467286-0.739326
2013-01-050.9240340.4136901.122296-1.917679
2013-01-06-1.4280251.2772790.1646011.313498

查看数据

df1 = pd.date_range('20130101', periods=6)
df1 = pd.DataFrame(np.random.randn(6, 4), index=df1, columns=list('ABCD'))

df1.head(2) # 查看顶部数据
ABCD
2013-01-010.9101310.8570311.3243970.768240
2013-01-02-1.1937120.598527-0.654860-1.528201
df1.tail(2) # 查看底部数据
ABCD
2013-01-051.009387-0.695923-1.2542390.374314
2013-01-06-0.6226980.9595860.3512941.240811
df1.index # 显示索引列

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

df1.dtypes # 检查数据类型

A    float64
B    float64
C    float64
D    float64
dtype: object

df1.describe() # 显示数据的快速统计摘要
ABCD
count6.0000006.0000006.0000006.000000
mean-0.4321930.637821-0.1580000.080423
std1.1517990.7699160.9053030.973543
min-1.827255-0.695923-1.254239-1.528201
25%-1.1125370.500875-0.639878-0.299781
50%-0.7458560.727779-0.3572960.207468
75%0.5269240.9339480.2335540.669758
max1.0093871.6393821.3243971.240811

子集、切片和索引

df1 = pd.date_range('20130101', periods=6)
df1 = pd.DataFrame(np.random.randn(6, 4), index=df1, columns=list('ABCD'))

df1.T # 置换数据
2013-01-012013-01-022013-01-032013-01-042013-01-052013-01-06
A0.339706-0.033353-0.4699120.683896-0.119535-0.391874
B-1.2711341.1608610.594625-0.355716-1.718980-1.546150
C0.6312700.5258600.173641-1.885387-2.915834-0.781985
D0.674431-0.2748300.6303071.1326420.0216961.299410
df1.sort_index(axis=1, ascending=False) # 按轴排序
DCBA
2013-01-010.6744310.631270-1.2711340.339706
2013-01-02-0.2748300.5258601.160861-0.033353
2013-01-030.6303070.1736410.594625-0.469912
2013-01-041.132642-1.885387-0.3557160.683896
2013-01-050.021696-2.915834-1.718980-0.119535
2013-01-061.299410-0.781985-1.546150-0.391874
df1.sort_values(by='B') # 按值排序
ABCD
2013-01-05-0.119535-1.718980-2.9158340.021696
2013-01-06-0.391874-1.546150-0.7819851.299410
2013-01-010.339706-1.2711340.6312700.674431
2013-01-040.683896-0.355716-1.8853871.132642
2013-01-03-0.4699120.5946250.1736410.630307
2013-01-02-0.0333531.1608610.525860-0.274830
df1['A'] # 选择列 A

2013-01-01    0.339706
2013-01-02   -0.033353
2013-01-03   -0.469912
2013-01-04    0.683896
2013-01-05   -0.119535
2013-01-06   -0.391874
Freq: D, Name: A, dtype: float64

df1[0:3] # 选择索引 0 到 2
ABCD
2013-01-010.339706-1.2711340.6312700.674431
2013-01-02-0.0333531.1608610.525860-0.274830
2013-01-03-0.4699120.5946250.1736410.630307
df1['20130102':'20130104'] # 从匹配值的索引中选择
ABCD
2013-01-02-0.0333531.1608610.525860-0.274830
2013-01-03-0.4699120.5946250.1736410.630307
2013-01-040.683896-0.355716-1.8853871.132642
df1.loc[:, ['A', 'B']] # 通过标签在多轴上选择
AB
2013-01-010.339706-1.271134
2013-01-02-0.0333531.160861
2013-01-03-0.4699120.594625
2013-01-040.683896-0.355716
2013-01-05-0.119535-1.718980
2013-01-06-0.391874-1.546150
df1.iloc[3] # 通过传递的整数的位置进行选择

A    0.683896
B   -0.355716
C   -1.885387
D    1.132642
Name: 2013-01-04 00:00:00, dtype: float64

df1[df1 > 0] # 从满足布尔运算条件的 DataFrame 中选择值
ABCD
2013-01-010.339706NaN0.6312700.674431
2013-01-02NaN1.1608610.525860NaN
2013-01-03NaN0.5946250.1736410.630307
2013-01-040.683896NaNNaN1.132642
2013-01-05NaNNaNNaN0.021696
2013-01-06NaNNaNNaN1.299410
df2 = df1.copy() # 将 df1 数据集复制到 df2
df2['E'] = ['one', 'one', 'two', 'three', 'four', 'three'] # 添加带有值的 E 列
df2[df2['E'].isin(['two', 'four'])] # 使用 isin 方法进行筛选
ABCDE
2013-01-03-0.4699120.5946250.1736410.630307two
2013-01-05-0.119535-1.718980-2.9158340.021696four

数据缺失

Pandas 主要使用值 np.nan 来表示缺失数据。默认情况下，它不包括在计算中。

df = pd.DataFrame({'num_legs': [2, 4, np.nan, 0],
                   'num_wings': [2, 0, 0, 0],
                   'num_specimen_seen': [10, np.nan, 1, 8]},
                   index=['falcon', 'dog', 'spider', 'fish'])

df.dropna(how='any') # 删除所有缺失数据的行
num_legsnum_wingsnum_specimen_seen
falcon2.0210.0
fish0.008.0
df.dropna(how='any', axis=1) # 删除所有缺失数据的列
num_wings
falcon2
dog0
spider0
fish0
df.fillna(value=5) # 用值 5 填充缺失的数据
num_legsnum_wingsnum_specimen_seen
falcon2.0210.0
dog4.005.0
spider5.001.0
fish0.008.0
pd.isna(df) # 在缺失数据的位置获取布尔掩码
num_legsnum_wingsnum_specimen_seen
falconFalseFalseFalse
dogFalseFalseTrue
spiderTrueFalseFalse
fishFalseFalseFalse

文件处理

df = pd.DataFrame({'num_legs': [2, 4, np.nan, 0],
                   'num_wings': [2, 0, 0, 0],
                   'num_specimen_seen': [10, np.nan, 1, 8]},
                   index=['falcon', 'dog', 'spider', 'fish'])

df.to_csv('foo.csv') # 写入 CSV 文件

pd.read_csv('foo.csv') # 从 CSV 文件中读取
Unnamed: 0num_legsnum_wingsnum_specimen_seen
0falcon2.0210.0
1dog4.00NaN
2spiderNaN01.0
3fish0.008.0
df.to_excel('foo.xlsx', sheet_name='Sheet1') # 写入 Microsoft Excel 文件

pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values=['NA']) # 从 Microsoft Excel 文件中读取
Unnamed: 0num_legsnum_wingsnum_specimen_seen
0falcon2.0210.0
1dog4.00NaN
2spiderNaN01.0
3fish0.008.0

绘图

# 使用 pip 安装 Matplotlib
!pip install matplotlib

Requirement already satisfied: matplotlib in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (3.8.3)
Requirement already satisfied: contourpy>=1.0.1 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (1.2.0)
Requirement already satisfied: cycler>=0.10 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (4.50.0)
Requirement already satisfied: kiwisolver>=1.3.1 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (1.4.5)
Requirement already satisfied: numpy<2,>=1.21 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (1.22.4)
Requirement already satisfied: packaging>=20.0 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (21.3)
Requirement already satisfied: pillow>=8 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (10.2.0)
Requirement already satisfied: pyparsing>=2.3.1 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (3.1.2)
Requirement already satisfied: python-dateutil>=2.7 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from matplotlib) (2.9.0)
Requirement already satisfied: six>=1.5 in /home/ec2-user/anaconda3/envs/python3/lib/python3.10/site-packages (from python-dateutil>=2.7->matplotlib) (1.16.0)

from matplotlib import pyplot as plt # 导入 Matplotlib 模块

# 生成随机时间序列数据
ts = pd.Series(np.random.randn(1000),index=pd.date_range('1/1/2000', periods=1000)) 
ts.head()

2000-01-01    0.273730
2000-01-02    0.934832
2000-01-03   -0.142245
2000-01-04   -0.499136
2000-01-05    0.169899
Freq: D, dtype: float64

ts = ts.cumsum()
ts.plot() # 绘制图表
plt.show()

​
请添加图片描述

​

# 在 DataFrame 上，plot() 方法可以方便绘制带有标签的所有列
df4 = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,columns=['A', 'B', 'C', 'D'])
df4 = df4.cumsum()
df4.head()
ABCD
2000-01-01-0.8477551.239531-0.7608560.668182
2000-01-02-1.1910671.930612-2.5876670.075473
2000-01-03-1.3537041.815771-1.788468-2.039681
2000-01-04-2.3381591.734058-2.269514-0.756332
2000-01-05-2.8355702.067088-3.3963661.352672
df4.plot()
plt.show()

​
请添加图片描述

​

AWS加油站
关注
  • 5
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python基础小抄表
12-30
Python基础小抄表，Python基础，是由个个小单元组成，针对没有基础的小白们非常好的指导。
Python新手小抄秘籍翻译
05-18
**Python新手小抄秘籍翻译** 在编程世界中，Python是一种广泛使用的高级编程语言，以其简洁、易读的语法和强大的功能而闻名。对于初学者来说，Python是理想的入门选择，因为它能让学习者快速理解编程的基本概念。这...
最全Python数据科学小抄，赶紧收藏吧！
最新发布
Python栈_基的博客
03-30 925
随着大数据的发展，数据驱动被更多人谈起，数据分析和挖掘越来越受企业界的重视。可以说，在21世纪每个人都应该掌握编程和数据分析能力，才能更好地在大数据时代生存。Python做数据分析有着得天独厚的优势。首先Python是一门高级编程语言，语法简单，可以编写复杂的分析代码；等等。有了这些库，python才在数据科学领域独领风骚。
有了这份Python小抄，再也不用死记硬背语法了!
bigzql的博客
01-29 745
对于刚刚学习或者不经常用Python的人来说，对编程语言的细节有时会不记得或和其他语言混淆。有了这份Python语法的小抄，这些都不是问题。另外在文末附上2021年所有的速查表与思维导图希...
python 无敌小抄大全 cheatsheet
12-18 1607
python 无敌小抄 cheatsheet。 1、Jupyter Notebook界面介绍：    2、Importing  Data  各式文件数据的读取、导入：    3、Python Basics :    4、Pandas Basics:    5、Pandas:    6、NumPy Basics:    7、Matplotlib:   8、Seabo...
这份 python 在线小抄，要多全有多全！
bigzql的博客
01-17 1562
今天给大家分享老曾制作的Pythoncheat sheet，直接看图⬇️小抄资料获取关注左侧【python自留地】回复20002对于刚刚学习或者不经常用Python的人来说，对编程语言...
【Python】简约而不简单的Numpy小抄表（含主要语法、代码）
Eric_data的博客
01-13 256
Numpy是一个用python实现的科学计算的扩展程序库，包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算...
Python 3 Cheat Sheet （Python小抄）
04-10
Python 3 基础知识要点，方便复习、查询。适合打印2张A4纸，放在手边随学随查。 python 3 cheat sheet include lots of command quick look.
知识点总是记不住？超实用的Python小抄送你了
04-23
对于技术小白来说，初学数据挖掘技术...我们通过总结 Eric Matthes 在 GitHub 主页搜集的小抄（cheatsheet），将Python的知识点总结起来，方便大家在平时的学习过程中查阅。 代码之外的注释全部汉化，简直不能再贴心。
python-cheatsheet，一款很全的Python小抄库
热门推荐
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
07-30 2万+
这篇文章竟然在草稿箱，存了快一年
机器学习超级无敌小抄表——pyhton 库函数集锦
dengheCSDN的博客
01-29 1835
此文全部图片来源于：www.DateCamp.com 1、Jupyter Notebook 2、Importing Data 3、NumPy Basics 4、Pandas Basics 5、Pandas 6、Matplotlib 7、Python Basics 8、
[Python] 小抄
cdlka的博客
12-14 452
下划线_, __, __sth__ – [伯乐在线] 详解python中的下划线 – [Python docs] Importing * From a Package 装饰器 – [伯乐在线] 简单 12 步理解 Python 装饰器 –[Bruce Eckel] Decorators I: Introduction to Python Decorators –[Bruce Eckel]
python 小抄
技术改变人生
11-29 148
install easy_install sudo apt-get install python-dev python-setuptools (ubuntu) install an egg by calling: easy_install somepackage.egg You can also give a URL to an egg and use easy_inst...
【Python基础】Matplotlib官方小抄手册公开（配套可视化代码）！
fengdu78的博客
07-17 325
出品：Python数据科学作者：东哥起飞Matplotlib作为强大的数据可视化工具，一直备受Python数据爱好者们追捧。网络上虽有零零散散的教程，但并不是非常的系统和直观，往往我们遇...
小白学数据 | 28张小抄表大放送：Python,R,大数据,机器学习
weixin_33943347的博客
05-22 176
1. Python的数据科学快速入门指南 如果你刚入门Python,那么这张小抄表非常适合你。查看这份小抄表，你将获得循序渐进学习Python的指导。它提供了Python学习的必备包和一些有用的学习技巧等资源。 2. Python基础小抄表 这张由Datacamp制作的小抄表覆盖了所有Python数据科学需要的基础知识。如果你刚开始用Py...
Python的6种数据类型操作总结
尤尔小屋
09-01 1157
公众号：尤而小屋作者：Peter编辑：Peter 大家好，我是Peter~ Python的6种数据类型操作总结 本文对Python中常见6种数据类型的操作进行了汇总： Numbers（数字） String（字符串） List（列表） Tuple（元组） Dictionary（字典） Set（集合） 一、数字Numbers 数字很常见，比如：1，2，100，999等，两个常见的数据类型转化函数：int和float。数值型数据的常见操作： 1.1算术运算 算术运算返回的是具体的数值： 加：+ 减：-.
python小抄第二弹，这些方法十有八九你没用过
python爬虫人工智能大数据
09-20 373
python小抄第二弹，这些方法十有八九你没用过 1、合并字典，update方法 a = {“name”:“zs”,“age”:18} b = {“city”:“深圳”} 合并为 {“name”:“zs”,“age”:18,“city”:“深圳”} 2、dict函数,将键/值对序列，映射为字典 元组：a = [(“name”,“zs”),(“age”,18)] 转成字典：b = {“name...
leecode算法小抄
06-25
### 回答1： Leetcode算法小抄是一份权威的算法手册，包含了Leetcode上常见的算法题目的解法和详细讲解。这个小抄对于想要提升自己算法能力的程序员来说非常有用。该小抄包括以下内容： 1.基础数据结构：包括数组、链表、栈、队列、树、哈希表等。 2.算法基础：包括排序算法、搜索算法、贪心算法、动态规划等。 3.高级算法：包括图论、字符串匹配、线性代数、计算几何等。 每个算法题目都附有详细的解析和代码实现，方便程序员进行学习和练习。此外，该小抄还提供了优秀的算法实现其他程序员的思路和解答，这对于新手来说尤为重要。 总之，Leetcode算法小抄是一份非常实用的算法手册，如果你想成为一名出色的程序员，学习和掌握其中的内容必不可少。 ### 回答2： LeetCode算法小抄是一份非常实用的算法指南，它包含了大量的算法问题和解答，而且所有的算法问题都是以LeetCode网站上的题目为蓝本的。这个小抄主要面向准备参加Google、Facebook、 Apple等知名科技公司的笔试或者面试的程序员，也适用于想要提高自己算法能力的人。这份小抄的编制者是Steven Halim和Felix Halim，也就是ACM竞赛的著名选手和教练。他们将自己多年的ACM竞赛经验倾囊相授，帮助大家提高算法能力。小抄中包含了高频出现的数据结构和算法，如树、图、排序、数组、动态规划等，每个算法都有详细的解释和代码实现。此外，小抄还包含了一些实用技巧，如测试用例设计、代码调试、复杂度分析等。总之，LeetCode算法小抄是一份非常实用、全面的算法指南，如果你想要提高自己的算法能力，相信它一定能为你带来帮助。 ### 回答3： LeetCode算法小抄是一个常用的算法学习工具，它主要是为了帮助程序员更加高效地学习和掌握LeetCode算法。LeetCode算法小抄中收录了大量经典的算法题目，并提供了详细的题解和代码示例，涵盖了各种数据结构、算法和编程技术。 LeetCode算法小抄的优点在于它的简便性和针对性。其内容结构清晰，难度逐渐增加，让读者能够逐步学习并掌握更加复杂的数据结构和算法。同时，小抄中提供了大量的代码示例和优化方法，可以帮助读者更加深入地理解和掌握算法。 另外，LeetCode算法小抄还提供了各种算法题目的分类、标签和解法推荐，让读者能够更加容易地找到自己需要的题目和解法。同时，小抄中还提供了一些常见的面试题目和解题思路，可以帮助读者更好地应对工作中和面试中的挑战。 总之，LeetCode算法小抄是一本非常实用的算法学习工具，它可以帮助程序员更加高效地学习和掌握算法知识。
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