Pandas实践_预备知识

---

一、Python基础

1. 列表推导式与条件赋值：

L = []
def my_func(x):
    return 2*x
for i in range(5):
    L.append(my_func(i))
L
# [0, 2, 4, 6, 8]

事实上可以利用列表推导式进行写法上的简化：[* for i in ]。其中，第一个为映射函数，其输入为后面i指代的内容，第二个*表示迭代的对象。

[my_func(i) for i in range(5)]
# [0, 2, 4, 6, 8]

列表表达式还支持多层嵌套，如下面的例子中第一个for为外层循环，第二个为内层循环：

[m+'_'+n for m in ['a', 'b'] for n in ['c', 'd']]
# ['a_c', 'a_d', 'b_c', 'b_d']

除了列表推导式，另一个实用的语法糖是带有if选择的条件赋值，其形式为value = a if condition else b：

value = 'cat' if 2>1 else 'dog'
value
# 'cat'

下面举一个例子，截断列表中超过5的元素，即超过5的用5代替，小于5的保留原来的值：

L = [1, 2, 3, 4, 5, 6, 7]
[i if i <= 5 else 5 for i in L]
# [1, 2, 3, 4, 5, 5, 5]

2.匿名函数与map方法

有一些函数的定义具有清晰简单的映射关系，例如上面的my_func函数，这时候可以用匿名函数的方法简洁地表示：

my_func = lambda x: 2*x
my_func(3)
# 6


multi_para_func = lambda a, b: a + b
multi_para_func(1, 2) 
# 3

但上面的用法其实违背了“匿名”的含义，事实上它往往在无需多处调用的场合进行使用，例如上面列表推导式中的例子，用户不关心函数的名字，只关心这种映射的关系：

[(lambda x: 2*x)(i) for i in range(5)]
# [0, 2, 4, 6, 8]

对于上述的这种列表推导式的匿名函数映射，Python中提供了map函数来完成，它返回的是一个map对象，需要通过list转为列表：

list(map(lambda x: 2*x, range(5)))
# [0, 2, 4, 6, 8]

对于多个输入值的函数映射，可以通过追加迭代对象实现

list(map(lambda x, y: str(x)+'_'+y, range(5), list('abcde')))
# ['0_a', '1_b', '2_c', '3_d', '4_e']

3.zip对象与enumerate方法

zip函数能够把多个可迭代对象打包成一个元组构成的可迭代对象，它返回了一个zip对象，通过tuple, list可以得到相应的打包结果：

L1, L2, L3 = list('abc'), list('def'), list('hij')
list(zip(L1, L2, L3))
# [('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]


tuple(zip(L1, L2, L3))
# (('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j'))

往往会在循环迭代的时候使用到zip函数：

for i, j, k in zip(L1, L2, L3):
     print(i, j, k)
# a d h

# b e i

# c f j

enumerate是一种特殊的打包，它可以在迭代时绑定迭代元素的遍历序号：

L = list('abcd')
for index, value in enumerate(L):
     print(index, value)
# 0 a

# 1 b

# 2 c

# 3 d

用zip对象也能够简单地实现这个功能：

for index, value in zip(range(len(L)), L):
     print(index, value)
# 0 a

# 1 b

# 2 c

# 3 d

当需要对两个列表建立字典映射时，可以利用zip对象：

dict(zip(L1, L2))
# {'a': 'd', 'b': 'e', 'c': 'f'}

既然有了压缩函数，那么Python也提供了*操作符和zip联合使用来进行解压操作：

zipped = list(zip(L1, L2, L3))
zipped
# [('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]


list(zip(*zipped)) # 三个元组分别对应原来的列表
# [('a', 'b', 'c'), ('d', 'e', 'f'), ('h', 'i', 'j')]

二、Numpy基础

1.np数组的构造

最一般的方法是通过array来构造

import numpy as np
np.array([1,2,3])
# array([1, 2, 3])

下面讨论一些特殊数组的生成方式：

【a】等差序列：np.linspace, np.arange

np.linspace(1,5,11) # 起始、终止（包含）、样本个数
# array([1. , 1.4, 1.8, 2.2, 2.6, 3. , 3.4, 3.8, 4.2, 4.6, 5. ])


np.arange(1,5,2) # 起始、终止（不包含）、步长
# array([1, 3])

【b】特殊矩阵：zeros, eye, full

np.zeros((2,3)) # 传入元组表示各维度大小
#array([[0., 0., 0.],
#,       [0., 0., 0.]])


np.eye(3) # 3*3的单位矩阵
#array([[1., 0., 0.],
#,       [0., 1., 0.],
#,       [0., 0., 1.]])


np.eye(3, k=1) # 偏移主对角线1个单位的伪单位矩阵
#array([[0., 1., 0.],
#,       [0., 0., 1.],
#,       [0., 0., 0.]])


np.full((2,3), 10) # 元组传入大小，10表示填充数值
#array([[10, 10, 10],
#,       [10, 10, 10]])


np.full((2,3), [1,2,3]) # 每行填入相同的列表
#array([[1, 2, 3],
#,       [1, 2, 3]])

【c】随机矩阵：np.random

最常用的随机生成函数为rand, randn, randint, choice，它们分别表示0-1均匀分布的随机数组、标准正态的随机数组、随机整数组和随机列表抽样：

np.random.rand(3) # 生成服从0-1均匀分布的三个随机数
# array([0.92340835, 0.20019461, 0.40755472])


np.random.rand(3, 3) # 注意这里传入的不是元组，每个维度大小分开输入
# array([[0.27406232, 0.15754534, 0.20274407],
# ,       [0.70255975, 0.71797703, 0.29850324],
# ,       [0.03186549, 0.54798699, 0.93826835]])

对于服从区间a到b上的均匀分布可以如下生成：

a, b = 5, 15
(b - a) * np.random.rand(3) + a
# array([6.59370831, 8.03865138, 9.19172546])

一般的，可以选择已有的库函数：

np.random.uniform(5, 15, 3)
# array([11.26499636, 13.12311185,  6.00774156])

randn生成了N(0,I)的标准正态分布：

np.random.randn(3)
# array([ 1.87000209,  1.19885561, -0.58802943])


np.random.randn(2, 2)
# array([[-1.3642839 , -0.31497567],
# ,       [-1.9452492 , -3.17272882]])

randint可以指定生成随机整数的最小值最大值（不包含）和维度大小

low, high, size = 5, 15, (2,2) # 生成5到14的随机整数
np.random.randint(low, high, size)
# array([[ 5, 12],
# ,       [14,  9]])

choice可以从给定的列表中，以一定概率和方式抽取结果，当不指定概率时为均匀采样，默认抽取方式为有放回抽样：

my_list = ['a', 'b', 'c', 'd']
np.random.choice(my_list, 2, replace=False, p=[0.1, 0.7, 0.1 ,0.1])
# array(['b', 'a'], dtype='<U1')


np.random.choice(my_list, (3,3))
# array([['c', 'b', 'd'],
# ,       ['d', 'a', 'd'],
# ,       ['a', 'c', 'd']], dtype='<U1')

当返回的元素个数与原列表相同时，不放回抽样等价于使用permutation函数，即打散原列表：

np.random.permutation(my_list)
# array(['c', 'a', 'd', 'b'], dtype='<U1')

最后，需要提到的是随机种子，它能够固定随机数的输出结果：

np.random.seed(0)
np.random.rand()
# 0.5488135039273248


np.random.seed(0)
np.random.rand()
# 0.5488135039273248

2.np数组的变形与合并

【a】转置：T

np.zeros((2,3)).T
# array([[0., 0.],
# ,       [0., 0.],
# ,       [0., 0.]])

【b】合并操作：r_, c_

对于二维数组而言，r_和c_分别表示上下合并和左右合并：

np.r_[np.zeros((2,3)),np.zeros((2,3))]
# array([[0., 0., 0.],
# ,       [0., 0., 0.],
# ,       [0., 0., 0.],
# ,       [0., 0., 0.]])


np.c_[np.zeros((2,3)),np.zeros((2,3))]
# array([[0., 0., 0., 0., 0., 0.],
# ,       [0., 0., 0., 0., 0., 0.]])

一维数组和二维数组进行合并时，应当把其视作列向量，在长度匹配的情况下只能够使用左右合并的c_操作：

np.r_[np.array([0,0]),np.zeros(2)]
# array([0., 0., 0., 0.])


np.c_[np.array([0,0]),np.zeros((2,3))]
# array([[0., 0., 0., 0.],
# ,       [0., 0., 0., 0.]])

【c】维度变换：reshape

reshape能够帮助用户把原数组按照新的维度重新排列。在使用时有两种模式，分别为C模式和F模式，分别以逐行和逐列的顺序进行填充读取。

target = np.arange(8).reshape(2,4)
target
# array([[0, 1, 2, 3],
# ,       [4, 5, 6, 7]])

特别地，由于被调用数组的大小是确定的，reshape允许有一个维度存在空缺，此时只需填充-1即可：

target.reshape((4,-1))
# array([[0, 1],
# ,       [2, 3],
# ,       [4, 5],
# ,       [6, 7]])

下面将n*1大小的数组转为1维数组的操作是经常使用的：

target = np.ones((3,1))
target
# array([[1.],
# ,       [1.],
# ,       [1.]])


target.reshape(-1)
# array([1., 1., 1.])

3.np数组的切片与索引

数组的切片模式支持使用slice类型的start🔚step切片，还可以直接传入列表指定某个维度的索引进行切片：

target = np.arange(9).reshape(3,3)
target
# array([[0, 1, 2],
# ,       [3, 4, 5],
# ,       [6, 7, 8]])


target[:-1, [0,2]]
# array([[0, 2],
# ,       [3, 5]])

此外，还可以利用np.ix_在对应的维度上使用布尔索引，但此时不能使用slice切片：

target[np.ix_([True, False, True], [True, False, True])]
# array([[0, 2],
# ,       [6, 8]])


target[np.ix_([1,2], [True, False, True])]
# array([[3, 5],
# ,       [6, 8]])

当数组维度为1维时，可以直接进行布尔索引，而无需np.ix_：

new = target.reshape(-1)
new[new%2==0]
# array([0, 2, 4, 6, 8])

4.常用函数

【a】where

where是一种条件函数，可以指定满足条件与不满足条件位置对应的填充值：

a = np.array([-1,1,-1,0])
np.where(a>0, a, 5) # 对应位置为True时填充a对应元素，否则填充5
# array([5, 1, 5, 5])

【b】nonzero, argmax, argmin

这三个函数返回的都是索引，nonzero返回非零数的索引，argmax, argmin分别返回最大和最小数的索引：

a = np.array([-2,-5,0,1,3,-1])
np.nonzero(a)
# (array([0, 1, 3, 4, 5], dtype=int64),)


a.argmax()
# 4


a.argmin()
# 1

【c】any, all

any指当序列至少 存在一个 True或非零元素时返回True，否则返回False

all指当序列元素 全为 True或非零元素时返回True，否则返回False

a = np.array([0,1])
a.any()
# True


a.all()
# False

【d】cumprod, cumsum, diff

cumprod, cumsum分别表示累乘和累加函数，返回同长度的数组，diff表示和前一个元素做差，由于第一个元素为缺失值，因此在默认参数情况下，返回长度是原数组减1

a = np.array([1,2,3])
a.cumprod()
# array([1, 2, 6], dtype=int32)


a.cumsum()
# array([1, 3, 6], dtype=int32)


np.diff(a)
# array([1, 1])

【e】 统计函数

常用的统计函数包括max, min, mean, median, std, var, sum, quantile，其中分位数计算是全局方法，因此不能通过array.quantile的方法调用：

target = np.arange(5)
target
# array([0, 1, 2, 3, 4])


target.max()
# 4


np.quantile(target, 0.5) # 0.5分位数
# 2.0

但是对于含有缺失值的数组，它们返回的结果也是缺失值，如果需要略过缺失值，必须使用nan类型的函数，上述的几个统计函数都有对应的nan函数。

target = np.array([1, 2, np.nan])
target
# array([ 1.,  2., nan])


target.max()
# nan


np.nanmax(target)
# 2.0


np.nanquantile(target, 0.5)
# 1.5

对于协方差和相关系数分别可以利用cov, corrcoef如下计算

target1 = np.array([1,3,5,9])
target2 = np.array([1,5,3,-9])
np.cov(target1, target2)
# array([[ 11.66666667, -16.66666667],
# ,       [-16.66666667,  38.66666667]])


np.corrcoef(target1, target2)
# array([[ 1.        , -0.78470603],
# ,       [-0.78470603,  1.        ]])

最后，需要说明二维Numpy数组中统计函数的axis参数，它能够进行某一个维度下的统计特征计算，当axis=0时结果为列的统计指标，当axis=1时结果为行的统计指标：

target = np.arange(1,10).reshape(3,-1)
target
# array([[1, 2, 3],
# ,       [4, 5, 6],
# ,       [7, 8, 9]])


target.sum(0)
# array([12, 15, 18])


target.sum(1)
# array([ 6, 15, 24])

5.广播机制

广播机制用于处理两个不同维度数组之间的操作，这里只讨论不超过两维的数组广播机制。

【a】标量和数组的操作

res = 3 * np.ones((2,2)) + 1
res
# array([[4., 4.],
# ,       [4., 4.]])


res = 1 / res
res
# array([[0.25, 0.25],
# ,       [0.25, 0.25]])

【b】二维数组之间的操作

res = np.ones((3,2))
res
# array([[1., 1.],
# ,       [1., 1.],
# ,       [1., 1.]])



res * np.array([[2,3]]) # 第二个数组扩充第一维度为3
# array([[2., 3.],
# ,       [2., 3.],
# ,       [2., 3.]])




res * np.array([[2],[3],[4]]) # 第二个数组扩充第二维度为2
# array([[2., 2.],
# ,       [3., 3.],
# ,       [4., 4.]])




res * np.array([[2]]) # 等价于两次扩充，第二个数组两个维度分别扩充为3和2
# rray([[2., 2.],
# ,       [2., 2.],
# ,       [2., 2.]])

【c】一维数组与二维数组的操作

np.ones(3) + np.ones((2,3))
# array([[2., 2., 2.],
# ,       [2., 2., 2.]])


np.ones(3) + np.ones((2,1))
# array([[2., 2., 2.],
# ,       [2., 2., 2.]])


np.ones(1) + np.ones((2,3))
# array([[2., 2., 2.],
# ,       [2., 2., 2.]])

6.向量与矩阵的计算

【a】向量内积：dot

a = np.array([1,2,3])
b = np.array([1,3,5])
a.dot(b)
# 22

【b】矩阵乘法：@

a = np.arange(4).reshape(-1,2)
a
# array([[0, 1],
# ,       [2, 3]])


b = np.arange(-4,0).reshape(-1,2)
b
# array([[-4, -3],
# ,       [-2, -1]])


a@b
# array([[ -2,  -1],
# ,       [-14,  -9]])

---

参考：阿里云天池