Numpy
![0f54df11b62477975cd8c5d120406990.png](https://i-blog.csdnimg.cn/blog_migrate/b5a08e062290cb7c2a0f33f094e431b9.jpeg)
#导入numpy包
import numpy as np
##from numpy import *
#定义数组
#一维数组
a=np.array([1,2,3,4])
#二维数组
b=np.array([(1,2,3),(4,5,6)])
#定义数组类型
c=np.array([(1,2),(3,4)],dtype=complex)
#array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
#数组的维数
a.shape #(4,)
#数组轴的个数
a.ndim #1
#数组的元素类型
a.dtype #dtype('int32')
#数组的元素类型的名称
a.dtype.name #'int32'
#数组中每个元素的字节大小
#一个元素类型为float64的数组itemsiz属性值为8(=64/8)
#一个元素类型为complex32的数组item属性为4(=32/8).
a.itemsize #4
#数组中元素个数
a.size #4
#全零数组
np.zeros((2,2))
#全1数组
np.ones((2,3,4))
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.]]])
#内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。
empty((2,2))
#创建数列,并变为三行五列。
np.arange(15).reshape(3,5)
#基本运算
a=array([1,2,3])
b=array([4,5,6])
c=b-a #array([3,3,3])
a**2 #array([1,4,9])
a<3 #array([True,True,False],dtype=bool)
## * dot(a,b)(矩阵乘法)
## *= +=被用来更改已存在数组而不创建一个新的数组
## a.sum() a.sum(axis=0) 计算每一列的总和 a.max() a.min() a.min(axis=1) 计算每一行的最小值
#一维数组
#索引
a[2]
#切片
a[2:4] a[:8:2] a[::-1]#翻转a
#迭代
for i in a:
#多维数组
#索引
a[2,3]
#切片
a[2:4,1] #第三行和第四行的第二个元素
a[:,1] #每一行的第二个元素
a[1:3,:] #第二行和第三行的所有元素
a[-1] #最后一行的元素
#迭代
for row in a:
#对每个数组中元素进行运算
for element in a.flat:
print (element,end=",")
Pandas
一维数据结构:Series
# Series 是带有标签的一维数组,可以保存任何数据类型(整数,字符串,浮点数,Python对象等),轴标签统称为索引
# Ser