pandas中使用numpy

81.导入并查看pandas与numpy版本

import pandas as pd
import numpy as np
print(np.__version__)
print(pd.__version__)

82.从NumPy数组创建DataFrame

#随机数
temp_1 = np.random.randint(1,100,20)
df1 = pd.DataFrame(temp_1)
df1

83.从NumPy数组创建DataFrame

#固定步长数
temp_2 = np.arange(0,100,5)
df2 = pd.DataFrame(temp_2)
df2

84.从NumPy数组创建DataFrame

#指定分布（如标准正态分布）数
temp_3 = np.random.normal(0,1,20)
df3 = pd.DataFrame(temp_3)
df3

np.random.normal(loc=0.0, scale=1.0, size=None)生成高斯分布的概率密度随机数
loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape，默认为None，只输出一个值

85.将df1，df2，df3按照行合并为新DataFrame

data = pd.concat([df1,df2,df3],axis=0,ignore_index=True)
data

86.将df1，df2，df3按照列合并为新DataFrame

data = pd.concat([df1,df2,df3],axis=1,ignore_index=True)
data

pd.concat(ignore_index=True) 无视合并前的index,合并后生成新index

87.查看df所有数据的最小值、25%分位数、中位数、75%分位数、最大值

#data.describe() 按列出现分布数据，不符题意
print(np.percentile(data,q=[0,25,50,75,100]))

out:
[-2.05672901  0.49945704 20.5        61.25       99.        ]

np.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False)
a:array_like，计算分位数的对象，可以是多维数组
q:float，计算分位数值，计算多个分位树值时使用列表

https://numpy.org/doc/stable/reference/generated/numpy.percentile.html

88.修改列名为col1,col2,col3

data.columns=['col1','col2','col3']

89.提取第一列中不在第二列出现的数字

data