python numpy pandas 题目_python综合学习四之Numpy和Pandas(下)

这一节继续学习Numpy和Pandas。

一、numpy基础运算二

通过上一节的学习，我们可以了解到一部分矩阵中元素的计算和查找操作。然而在日常使用中，对应元素的索引也是非常重要的。依然，让我们先从一个脚本开始 ：

# -*- coding:utf-8 -*-

"""

@author: Corwien

@file: np_yunsuan.py

@time: 18/8/26 23:37

"""

import numpy as np

A = np.arange(2, 14).reshape(3, 4)

# array([[ 2, 3, 4, 5]

# [ 6, 7, 8, 9]

# [10,11,12,13]])

print(np.argmin(A)) # 0

print(np.argmax(A)) # 11

常用方法

其中的 argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。相应的，在矩阵的12个元素中，最小值即2，对应索引0，最大值为13，对应索引为11。

如果需要计算统计中的均值，可以利用下面的方式，将整个矩阵的均值求出来：

print(np.mean(A)) # 7.5

print(np.average(A)) # 7.5

仿照着前一节中dot() 的使用法则，mean()函数还有另外一种写法：

print(A.mean()) # 7.5

同样的，我们可以写出求解中位数的函数：

print(A.median()) # 7.5

另外，和matlab中的cumsum()累加函数类似，Numpy中也具有cumsum()函数，其用法如下：

print(np.cumsum(A))

# [2 5 9 14 20 27 35 44 54 65 77 90]

在cumsum()函数中：生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和。比如元素9，在cumsum()生成的矩阵中序号为3，即原矩阵中2，3，4三个元素的和。

下面我们介绍一下nonzero()函数：

print(np.nonzero(A))

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

这个函数将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵。

索引

一维索引

在元素列表或者数组中，我们可以用如同a[2]一样的表示方法，同样的，在Numpy中也有相对应的表示方法：

# -*- coding:utf-8 -*-

"""

@author: Corwien

@file: np_index.py

@time: 18/8/28 00:49

"""

import numpy as np

A = np.arange(3, 11)

print(A) # [3 4 5 6 7 8 9 10]

print(A[3]) # 6

让我们将矩阵转换为二维的，此时进行同样的操作：

A = np.arange(3, 1