自学笔记（numpy和pandas）

自学笔记（numpy和pandas）个人笔记不喜勿喷

一、numpy

1、使用numpy读取txt文件
data=numpy.genformtxt(“文件路径”,delimiter=",",dtype=str)即表示元素之间是以逗号作为分隔符，字符类型是string类型
2、使用numpy创建数组
vector=numpy.array([5,6,3])#创建一个一维向量
matrix=numpy.array([[4,8,8],[1,5,9],[7,6,9]])#创建一个矩阵
我们可以发现维数越高嵌套的[]越多，即一维一个[]，二维两个[]，三维三个[]（[[[],[],[]],[[],[],[]],[[],[],[]]]）

3、使用numpy产生-1到1的随机值
np.random.random((m,n))产生m行n列的随机数矩阵
linspace是取平均间隔作为步进递增。python中实现深拷贝： a=b.copy()这样就用不同的内存存放两个变量了

4、将一个矩阵拉成一个向量
a=np.random.random((3,4))
b=a.ravel()这样b就被拉成了一个向量
5、numpy的拼接与拆分
按列拼接(要求行数要相同)：np.hstack((a,b))
按行拼接(要求列数要相同)：np.vstack((a,b))
按行拆分：np.hsplit((a,3))#将a切分成三个单独的array，每一个array形状上都相同
np.hsplit(a,(3,4))#表示在第三列和第四列作为切分的点切分
按列拆分：np.vsplit(a,3)
6、行列扩展操作
a=np.arange(0,40,10)
b=np.tile(a,(4,3))表示将a数组的行变为原来的四倍，列变为原来的三倍（数都相同）

二、Pandas

1、读取csv文件
在该方式读取中，绝对路径不能含有中文，否则会出错。
data=pandas.read_csv(“文件路径”)该函数默认用逗号作为分隔符，当然也可以指定为其他类型。用pandas读取的额数据基本类型是DataFrame类型，需要说明的是它把string认为的object类型。它有行和列，里面保存的是属性名以及属性对应的数据类型（int、float等）（可以认为是一种矩阵结构）
data.head(n)表示显示前n条数据，data.tail(n)显示后n条数据，print(data.columns)读取每一列的属性名字（列名）,print(data.shape)打印出数据的行列（行对应数据条数，列对应数据属性（或特征））
2、按行取数据
data.loc[n]表示取出csv文件中的第n+1行数据。也可以进行切片操作data.loc[m:n],data.loc[m,n,k]取出m+1，n+1，k+1三行数据
按列取数据：data[“某一列列名”]，取多列column=[“目标列名1”,“目标列名2”,“目标列名3”]，然后data[column]，即可以以列表的方式传参数
3、按照列名结尾字符读取
col_names=data.columns.tolist()#将csv文件的列以列表的方式全部读取出来
object_columns=[]
for c in clo_names:
if c.endswith("(g)"):
object_columns.append©
这样就取出了以g结尾的列名。对某一列的所有值进行加减乘除操作：data[“目标列列名”]/n，对原文件数据增加一列:
new_col=data[“某一列列名”]/n
data[“new_column”]=new_col
4、缺失值判断及处理
age=Data[“Age”]#读取Data中的Age这一列（这是一个DataFrame）
age_is_null=pd.isnull(age)#调用isnull()函数判断缺失值（Nan）该函数返回bool类型，然后可以用age_is_null作为索引值，找出所有缺失值（对应的序号）
good_age=Data[“Age”][age_is_null==False]#取出Age中所有不为Nan的值，
mean_age=sum(good_ages)/len(good_ages)#求平均值
5、pivot_table()函数
Data.pivot_table(index=“Pclass”,values=“survival”,aggfunc=np.mean),该函数实现了以Pclass为索引，man为值的均值求解。Pclass和survival的关系，参数aggfunc不填默认为求和，values可以是一个列表，即可以传多个列，求一个列于多个列直接的关系。
即找到以Pclass（Pclass为1，2，3）每一种不同的元素值对应的survival列的平均值（即：住一等舱的存活的平均人数，住二等舱的存活的平均人数，住三等舱的存活的平均人数）
6、丢掉指定列的缺失值(会丢掉缺失的哪一行)
drop_Data=Data.droppna(axis=0,sunset[“Age”,“Sex”])
7、实现自定义功能（类似c++的回调函数）
def myfunction(参数列表):
#执行语句
Data.apply(myfunction)
这样便可以实现自己想要的功能
例如：将Data中的人按成年、未成年（缺失值按unknow处理）划分
def age_lable(row):
age=row[“Age”]
if pd.isnull(age):
return “unknow”
else age<18:
return “minor”
else age>18:
return “adult”
Data.apply(age_lable,axis=1)
在DataFrame中的一行或者一列就称为一个Series结构
对于用pandas读取的数据，若要拆分就必须使用data.iloc[]函数

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。¹

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. 注脚的解释 ↩︎