python数据分析(numpy)

最新推荐文章于 2024-08-16 23:47:46 发布
最新推荐文章于 2024-08-16 23:47:46 发布
阅读量1.5k 收藏 12
点赞数 2
分类专栏： 笔记 文章标签： python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_62859191/article/details/126725621
版权

目录

1. numpy详解

        1.1 array函数使用

        1.2 arange函数的使用

        1.3 linspace函数使用

        1.4 logspace函数使用

        1.5 数组元素的属性

        1.6 数组的切片和索引

        1.7 numpy函数

        1.8 numpy文件操作

        1.9 numpy随机数

        2.0 其它函数

1. numpy详解

        1.1 array函数使用

        numpy.array(object，dtype=none，copy=True，order=none，subok=False，ndmin=0)

        参数说明：

  • 1.object：表示一个数据序列
  • 2.dtype：可以修改数据类型
  • 3.copy：数组能否被复制
  • 4.ndmin：指定数据维度
  • 5.subok：默认使用object内部数据类型

        在使用numpy内部模块时，都需要导入模块：

import numpy as np
  •  array在传入数据序列时，可以是列表，元组或者是迭代器，如：
# 放入列表
a = np.array([1, 2, 3, 4, 5])
print(type(a))  # 转变成numpy数组类型
# 放入元组
b = np.array((1, 2, 3, 4, 5))
print(type(b))  # 转变成numpy数组类型
# 放入迭代器
c = np.array(range(10))  # 把迭代器的数据保存为一个数组
print(c)
  • 在传入的数据序列中如果有一个元素是浮点型，所有的元素都会被转变为数组的浮点型，可以使用dtype参数强制转换为int类型，如果是浮点类型转换为整形会向下取整：
# 浮点型
e = np.array([1, 2, 3.14, 4, 5])  # 有一个为浮点型都会转换成浮点型
print(e)
e = np.array([1, 2, 3.14, 4, 5], dtype='int')  # 使用dtype强制转换为int类型
  • 当object参数传入两个元素相同的序列时，会变成一个二维数据，使用 数组名.ndim可以查看数组的维度，使用 数组名.shape 可以查看数组的行列情况： 
    # 嵌套数组
f = np.array([[1, 2, 3, 4, 5], ('a', 'b', 'c', 'd', 'e')])  # 两个序列的数据数量一样才可以转换成二维的
print(f.ndim)  # 查看维度
print(f.shape)  # 查看行列情况
print(f)
  •  array在复制中，使用 arr2 = np.array(arr1) 这样的复制类型，是一种深拷贝，拷贝出来的地址是不一样的，使用 arr2 = arr1 这样的复制类型，是一种浅拷贝，只要有一个元素改变，另一个也会改变： 
    # 复制操作
arr1 = np.array([1, 2, 3, 4, 5])
深拷贝
arr2 = np.array(arr1)
# 在这里的复制是深拷贝，而列表中的复制是浅拷贝
print('arr1:', id(arr1), 'arr2:', id(arr2))  # id 可以输出变量的地址
# 浅拷贝
arr3 = arr1  # 这种拷贝修改任何一个另一个都会跟着修改

        1.2 arange函数的使用

        numpy.arange(start,stop,step,dtype)

        参数说明：

  • 1.start：起始值，默认为0
  • 2.stop：终止值，不包含
  • 3.step：步长，默认为1
  • 4.dtype：返回数组类型

        使用该函数可以只传递stop参数，也可以指定参数名，如step=2，当数据过大时，输出结果会以省略号替代：

# 整形
num1 = np.arange(10)
print(num1)
# 浮点型
num2 = np.arange(10.0)
print(num2)
# 限定终值和步长
num3 = np.arange(2, 30, 2)
print(num3)
# 参数指定
num4 = np.arange(20, step=3)
print(num4)
# 数据太大会自动跳过
num5 = np.arange(10000)
print(num5)

        1.3 linspace函数使用

        numpy.linspace(start,stop,num,endpoint,retstop,dtype) 这是一个生成等差数列的函数

        参数说明：

  • 1.num：生成的元素个数
  • 2.endpoint：这是一个bool类型的参数，为True时会包含stop值
  • 3.retstop：这是一个bool类型的参数，为True时生成的数据会显示间距

        linspace返回的数组中元素都是浮点型，例子：

# 等步长生成
num1 = np.linspace(1, 10, 10)  # 输出浮点型
print(num1)
# 
num2 = np.linspace(0, 4, 9)
print(num2)
num3 = np.linspace(0, 4.1, 9)
print(num3)
# 设置endpoint参数
num4 = np.linspace(2.0, 3.0, num=5, endpoint=True)
print(num4)
# 设置显示retstep显示计算后的步长
num5 = np.linspace(2.0, 3.0, num=5, retstep=True)
print(num5)

        1.4 logspace函数使用

        numpy.logspace(start,stop,num,endpoint,base,dtype) 这是一个生成等比数列的函数

        参数说明：

  • 1.num：要生成的等步长的元素数量
  • 2.endpoint：这是一个bool类型的参数，为True时会包含stop值
  • 3.base：对数log的底数，默认为10

        该函数使用返回的结果都是浮点型，例子：

# base指定底数
num1 = np.logspace(0, 9, 10, base=2)  # 返回结果都是浮点型
print(num1)
# 使用前三个数均分为等份的数
num2 = np.logspace(1, 5, 3, base=2)
print(num2)

        1.5 数组元素的属性

  1. ndim：查看数组的维度
  2. shape：查看数组行列的情况
  3. size：查看数组元素的总个数
  4. dtype：数组的元素类型
  5. itemsize：数组中每个元素的大小

       上面属性的使用都在以下的代码段中，属性 reshape(元组)，可以改变数组的维度， resize(数组，元组)，这里会重新改变数组维度，并且会重复填写数组的元素，例子：

# shape：查看行列，ndim：查看维度，size：数组元素个数
# 一维数组
num1 = np.array([1, 2, 3, 4, 5])
print('num1的维度：', num1.ndim)
print('num1的数组元素个数：', num1.size)
print('一维数组：', num1.shape)
print('元素大小：', num1.itemsize)
# 二维数组
num2 = np.array([[1, 2, 3], [4, 5, 6]])
print('num2的维度：', num2.ndim)
print('num2的数组元素个数：', num2.size)
print('二维数组：', num2.shape)
# 三维数组
num3 = np.array([[[1, 2, 3],
                  [4, 5, 6]],
                 [[1, 2, 4],
                  [4, 5, 6]]])
print('num3的维度：', num3.ndim)
print('num3的数组元素个数：', num3.size)
print('三维数组：', num3.shape)

# reshape 改变维度
a = np.arange(20).reshape((4, 5))
print(a)

# resize：如国新数组大于原始数组，新数组将填充a的重复副本
b = np.arange(20)
c = np.resize(b, (4, 6))
print(c)

        1.6 数组的切片和索引

        1.6.1 一维数组

                一维数组的切片和索引与列表的一样：

# 一维数组操作
# 数组切片索引和列表的一样
a = np.array([1, 2, 3, 4, 5])
print(a[2:4:2])
# 使用下标切成不重叠的两部分
print('a[:2]:', a[:2])
print('a[2:]:', a[2:])

        1.6.2 二维数组

               下面例子中，第五个是在二维数组中取出了第二第三行，变成一个两行四列的数组，再从中取出第二行数据，例子：

# 二维数组操作
num1 = np.array(range(20)).reshape(4, 5)
print(num1[2])  # 拿到一行数据
print(num1[2][2])  # 拿到一个数据
print(num1[2, 2])  # 第一个操作行，第二列操作列
print(num1[2:, 2:])  # 可以对数组行列各自操作
print(num1[2:][1])   # 第一个参数先取出行，第二个参数再取出行
print(num1[2:])  # 对行数进行切片

                以坐标当索引，例子：

# 用坐标当索引
num2 = np.array(range(12)).reshape(3, 4)
rest1 = num2[[0, 1, 2], [0, 0, 0]]  # 以坐标作为索引，第一列参数是行坐标，第二列参数为列坐标
rest2 = num2[:2, :2]  # 取出范围内的数据，按会以矩阵形式输出

        1.6.3 bool运算

               在使用bool类型数组进行数据取出时，True类型的数量必须要一致，例子：

# bool运算：可以使用算式拿到想要的数据
num3 = np.array(range(12)).reshape(3, 4)
print(num3[num3 > 6])  # 返回所有数值大于6的数字
print(num3[num3 % 2 == 1])  # 返回奇数
print(num3[(num3 > 4) & (num3 < 9)])  # &：和的意思
print(num3[(num3 < 4) | (num3 > 9)])  # |：或的意思
row1 = np.array([True, False, True])  # 作为一个数组作用到另一个数组上，行和列一一对应，当为True时，即拿到该行数据，否则不能
colum1 = np.array([True, False, True, False])
print(num3[row1, colum1])  # 合用时True数量要一致
print(num3[row1])
print(num3)
temp = num3[::2]  # 先拿出行
temp = temp[:, [0, 2, 3]]  # 再拿出列
print(temp)

        1.6.4 广播机制

                广播机制其实就是数组的运算，例子：

# 广播机制：不同的数组进行计算，数组的列必须相同，且必须有一个数组是单个值
num4 = np.array([1, 2, 3, 4])
num5 = np.array([10, 20, 30, 40])
print(num4*num5)  # 相同维度的运算
num6 = np.array([[1, 2, 3, 4], [10, 20, 30, 40], [100, 200, 300, 400]])
num7 = np.array([[2, 3, 4, 5]])  # 数组的运算必须要列的长度相同
# 在数组运算中行是和行相乘的，一行对应一行，当列数为1时，无论多少行都可以相乘，如  {(2,1)和(2, 4)} {(2, 1)和(1, 4)}
num8 = np.array([[1], [2]])
num9 = np.array([[1, 2, 3, 4], [2, 3, 4, 5]])
print(num8*num9)  # 不同维度的运算

        1.7 numpy函数

        1.7.1 mean：求平均数

例子：

# mean：求平均数
num1 = np.array(range(20)).reshape(4, 5)
print(num1.mean())  # 计算数组中的函数
print(num1.mean(axis=0))  # axis=0 按列从上往下运算
print(num1.mean(axis=1))  # axis=1 按行从左往右

        1.7.2 median：求中位数

例子：

# median：中位数
num2 = np.array(range(12)).reshape(3, 4)
print(np.median(num2))  # median：找到数组中的中位数

      1.7.3 std：标准差

例子：

# std：标准差
num3 = np.array([95, 85, 75, 65, 55, 45])
num4 = np.array([73, 72, 71, 69, 67, 68])
print(np.std(num3))  # 求标准差
print(np.std(num4))

        1.7.4 max：求最大值，min：求最小值

例子：

# max：最大值  min：最小值
num5 = np.array([[1, 3, 5, 3, 6, 99, 4, 7], [4, 4, 1, 2, 7, 2, 2, 55]])
print(num5.max(axis=0), num5.max(axis=1))  # 找最大值 axis=0：从上往下找，axis=1：从左往右找
print(num5.min())  # 找最小值

        1.7.5 sum：求和

例子：

# sum：求和
num6 = np.array(range(20)).reshape(4, 5)
print('从上往下累加：', num6.sum(axis=0), '从左往右累加：', num6.sum(axis=1))

        1.7.6 average：加权平均数

例子：

# average：加权平均值
num7 = np.array([30, 55, 63])
weights = np.array([0.3, 0.3, 0.4])  # 权重
print(np.average(num7, weights=weights))  # 权重和数组行列数一致

        1.8 numpy文件操作

        关键字：loadtxt

        loadtxt(fname,dtype,comments,delimiter,coverters,skiprows,usecols,unpack,ndmin,encoding)

        参数说明：

  • 1.fname：文件名称，支持压缩文件
  • 2.comments：字符串或字符串组成的列表
  • 3.delimiter：字符串，作为分割字符
  • 4.converters：字典
  • 5.skiprows：跳过特定行数据
  • 6.usecols：传入的参数是元组，取出特定列
  • 7.unpack：bool类型
  • 8.encoding：编码方式

        使用例子：

# txt文件
data = np.loadtxt('1.txt', dtype='int8')
print(data)

# csv文件
data1 = np.loadtxt('3.csv', dtype='int32', delimiter=',', encoding='utf8')  # delimiter：使用了 ， 分割符
print(data1)
# csv中不同的数据类型
# dt是一个自定义类型，为了符合csv文件中的数据类型
dt = np.dtype([('name', 'U10'), ('age', 'int'), ('weight', 'float')])  # 字符串需要的字符格式 Un
data2 = np.loadtxt('2.csv', dtype=dt, delimiter=',', encoding='utf8')  # 文件中一行是一个元组，返回的是列表
print(data2['name'])
print(data2)
# 跳行使用 skiprows
data3 = np.loadtxt('4.txt', dtype=dt, skiprows=1, encoding='utf8')  # 文件中一行是一个元组，返回的是列表，跳过第一行
print(data3)
# 取出特定列：文件中的列是从0开始数
data4 = np.loadtxt('4.txt', usecols=(1, 2), skiprows=1, encoding='utf8')  # usecols用元组的方式取出数据
print(data4)

        使用自定义类型去判断获取数据：

# 计算女生的平均身高
dt1 = np.dtype([('name', 'U10'), ('sex', 'U1'), ('age', 'int'), ('height', 'int')])
data5 = np.loadtxt('5.txt', dtype=dt1, skiprows=1, encoding='utf8')
print(data5)
isgirl = (data5['sex'] == '女')  # 判断是否是女生
print(isgirl)
height = data5['height'][isgirl]  # 拿到身高
print(np.mean(height))  # 算出平均身高

        1.9 numpy随机数

                例子：

# 生成分布均匀的随机数
avg = np.random.rand(1, 3, 3)  # 第一个参数是范围，第二个参数是组数，第三个参数是每组中的列数
print(avg)
# 和 rand 一样，但是生成的是一组正态分布的数
avg1 = np.random.random(3)
print(avg1)
# 随机生成整数：random(low,high,size,dtype)
# 1.返回随机数，范围区间在[low,high]，包含low，不包含high
# 2.low：最小值  high：最大值  size：数组维度大小  dtype：数据类型
# 3.high没有填写时默认随机数范围[0,low]
avg2 = np.random.randint(1, 20, size=(2, 4, 5))  # 生成两个3行4列的二维数组
print(avg2)
# sample：随机生成0到1的随机数，参数控制数量
avg3 = np.random.sample(3)
print(avg3)
# seed：随机种子，控制每次生成随机数时数据都一样
np.random.seed(2)
a = np.random.randn(3, 3)
np.random.seed(2)  # 每次调用随机数时都要先调用随机数种子
b = np.random.randn(3, 3)
print('a', a)
print('b', b)
# 正态分布函数：normal(参数1，参数2，元组)
# 1.参数1：均值
# 2.参数2：是标准差
# 3.元组：控制生成的是几行几列
avg4 = np.random.normal(1, 3, (2, 4))
print(avg4)

        2.0 其它函数

  1. resize：返回指定形状的新数组
  2. append：将元素添加到数组的末尾
  3. insert：按规定的轴将元素值插入到指定的元素
  4. delete：删掉某个轴上的子数组，并返回新数组
  5. argwhere：返回数组内符合条件的索引值
  6. unique：删除数组中的重复元素，并按从大到小返回一个新数组
  7. sort：对数组进行排序，并返回一个副本
  8. argsort：按指定的轴，对数组进行排序，并返回排序后元素的索引数组

        例子：

# resize：使用
num1 = np.array(range(20)).reshape(4, 5)  # 重复填充
print(np.resize(num1, (5, 7)))
# append：使用
num2 = np.array([[1, 2, 3], [4, 5, 6]])
print(np.append(num2, [[7, 8, 9]]))  # 添加数据
print(np.append(num2, [[7, 8, 9]], axis=0))  # 沿轴 0 添加元素  从上往下
print(np.append(num2, [[7, 8, 9], [10, 11, 12]], axis=1))  # 沿轴 1 添加元素  从左往右
# insert：使用
num3 = np.array([[1, 2], [2, 3], [3, 4]])
print(np.insert(num3, 1, [11], axis=0))  # 从上往下的第二行加入11
print(np.insert(num3, 1, [11], axis=1))  # 从左往右的第二列加入11
# delete：使用
num4 = np.array(range(12)).reshape(3, 4)
print(np.delete(num4, 1))  # 删除指定索引的元素
print(np.delete(num4, [1, 2, 3, 6]))  # 删除指定元素
# argwhere：使用
num5 = np.array([[1, 2, 3], [4, 5, 6]])
print(np.argwhere(num5 > 3))  # 返回了索引值
# unique：使用
num6 = np.array([1, 2, 2, 3, 6, 4, 7, 3, 5])
print(np.unique(num6))  # 去重，并从小到大排序
a, b = np.unique(num6, return_index=True)  # 返回去重后的数组，和原在原数组时的索引位置
print(a, '\n', b)
c, d = np.unique(num6, return_counts=True)  # 返回数组，以及元素在原数组中出现的次数
print(c, '\n', d)
# sort：使用
num7 = np.array([[1, 3, 2], [4, 3, 6], [2, 1, 3]])
print(np.sort(num7))  # 默认是从左到右排序
print(np.sort(num7, axis=0))  # 从上到下排序
# argsort：使用
num8 = np.array([1, 4, 2, 6, 1])
print(np.argsort(num8))  # 返回排序后的索引值

爱笑的蛐蛐
关注
专栏目录
Python数据分析（一）：NumPy
su_best的博客
01-17 2786
数据的维度一维数据列表和数组二维数据多维数据高维数据数据维度的Python表示 NumPy的引用N维数组对象：ndarrayndarray实例ndarray对象的属性ndarray的元素类型ndarray数组的创建方法和实例ndarray数组的维度变换ndarray数组向列表的转换ndarray数组的操作一维数组的索引和切片多维数组的索引多维数组切片ndarray数组的运算NumPy一元函数NumPy二元函数数据的CSV文件存取CSV文件的局限性多维数据的存取便捷文件存取随机数、统计、梯度函数详细解答
Python数据分析：Numpy
12-17 871
Python数据分析：Numpy一：Numpy简介二：Numpy基础数据结构三：创建数组3.1 linspace3.2 zeros3.3 eye四：Numpy通用函数4.1 转置 (T)4.2 reshape4.3 resize五：数组的复制六：数组类型转换（astype）七：数组堆叠7.1 hstack7.2 vstack7.3 stack八：数组的拆分8.1 hsplit8.2 vsplit九...
Numpy快速入门（np）！看这一篇就够了
最新发布
weixin_74009895的博客
08-16 1355
Numpy快速入门（np）！看这一篇就够了
数据分析 - numpy(3)
wpf973的博客
09-16 247
numpy读取数据 准备文件 CSV:Comma-Separated Value,逗号分隔值文件 显示：表格状态 源文件：换行和逗号分隔行列的格式化文本,每一行的数据表示一条记录 注：由于csv便于展示,读取和写入,所以很多地方也是用csv的格式存储和传输中小型的数据,为了方便教学,我们会经常操作csv格式的文件,但是操作数据库中的数据也是很容易的实现的 代码操作 np.loadtxt(fname...
Python数据分析--Numpy
似水灬流年的博客
03-27 494
1.用Python语言描述KMP算法 def kMP( t,p,pnext): j, i=0,0 n, m=len(t), len(p) while j &lt; n and i &lt; m: #i==m 说明找...
数据分析之Numpy
m0_74043494的博客
11-25 864
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：1）一个强大的N维数组对象 ndarray2）广播功能函数3）整合 C/C++/Fortran 代码的工具4）线性代数、傅里叶变换、随机数生成等功能。
Python数据分析numpy、pandas、matplotlib库安装及使用方法总结
06-14
Python数据分析在现代科技领域扮演着至关重要的角色，而numpy、pandas和matplotlib是Python数据分析的三大核心库。本文将深入探讨这些库的安装、基本概念以及常见使用方法，并通过实例来帮助理解它们的功能和用途。 ...
第13章 python数据分析之Numpy库的使用-python数据分析，进阶.pptx
12-12
在Python数据分析领域，Numpy库扮演着至关重要的角色。Numpy是Numerical Python的缩写，它是用于科学计算的核心库，特别适用于处理大型多维数组和矩阵。Numpy提供了高效的数据结构，即ndarray（n-dimensional array...
python数据分析之numpy-pandas-matplotlib-常用代码示例
11-09
python数据分析之numpy-pandas-matplotlib-常用代码示例，是python的源代码文件，总结到位，并且包含示例的数据文件，不用再找了。注释比较详细，适合新手入门，老手回顾。每个源文件命名一看就知道是起什么作用，...
Python数据分析可视化源码实例
10-03
Python数据分析可视化是现代数据科学中的重要工具，它结合了强大的数据处理库如Pandas和NumPy，以及优秀的可视化库如Matplotlib、Seaborn和Plotly等，为数据科学家提供了高效且直观的数据洞察手段。本资源包含了一...
数据分析工具--numpy
u010671028的博客
09-22 954
一、ndarray数组对象属性 1.1内存布局： 以下属性包含有关数组内存布局的信息： 方法 描述 ndarray.flags 有关数组内存布局的信息。 ndarray.shape 数组维度的元组。 ndarray.strides 遍历数组时每个维度中的字节元组。 ndarray.ndim 数组维数。 ndarray.data Python缓冲区对象指向数组的数据的开头。 ndarray.size 数组中的元素数。 ndarray.itemsize 一个数组元素的长度
数据分析（numpy基础）
python -学习笔记
12-10 565
Numpy + Scipy + Pandas + Matplotlib 数值计算 科学应用 数据清洗 数据可视化 一、Numpy概述 1.Numpy是什么？ 1)基于C语言和Python接口的数值算法库； 2)开源免费； 3)弥补了Python语言在数值计算方面的短板； 4)作为常用科学计算工具的底层支撑； 2.Numpy的历史 1)1995年，Numeric作为Python语言数值计算扩展； ...
数据分析之Numpy学习
weixin_51624761的博客
09-26 2120
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。使用数据类型标识码字符对应类型字符对应类型字符对应类型字符对应类型b代表布尔型i带符号整型u无符号整型f浮点型c复数浮点型m时间间隔（timedelta）Mdatatime（日期时间）OPython对象S,a字节串（S）与字符串（a）UUnicodeV原始数据（void）
数据分析——numpy
weixin_51965933的博客
03-21 346
数据分析关于numpy的笔记
利用numpy库进行数据分析
HITzwx的博客
02-13 409
在这段代码中，我们首先加载了美国和英国的YouTube视频数据。然后，我们为每个数据集创建了一个额外的列，该列包含了表示国家来源的0或1。0表示美国数据，1表示英国数据。接着，我们使用np.hstack将这些列添加到原始数据中。最后，我们使用np.vstack将美国和英国的数据垂直堆叠在一起，形成一个包含所有数据的最终数组。
利用Python进行数据分析——NumPy(1)
No_Game_No_Life_的博客
01-14 770
IPython基础 IPython的开发者吸收了标准解释器的基本概念，在此基础上进行了大量的改进，创造出一个令人惊奇的工具。在它的主页上是这么说的：“这是一个增强的交互式Python shell。”具有tab补全，对象自省，强大的历史机制，内嵌的源代码编辑，集成Python调试器，%run机制，宏，创建多个环境以及调用系统shell的能力。 不过我们使用Pycharm，所以跳过学习。 NumPy ...
python 3.x-- 数据分析: numpy（二）
proplume的博客
11-12 1198
待在舒适区久了，如同吸了大麻，无意识的麻痹，是会上瘾的 本周继续学习numpy，为了有点实际效果，感觉真的在分析数据，拿某公司的股价数据进行分析练手 数据这个样子（为了方便，进行数据分析时，删除了表头，只保留value） 存储为 test_shareprice.csv 下载地址数据分析常用函数及简单应用1.读写文件，在上一篇numpy库介绍的博客中已经介绍过，不多说2.简单统计分析：主要学
python数据分析之numpy
asnowdream的博客
05-28 394
文章目录NumPy简介Numpy基础1.numpy创建数组（矩阵）2.numpy中的float类型，int类型，bool类型Numpy常用方法1.numpy中的数组属性2.numpy数组广播机制3.numpy读取数据4.numpy中的转置5.numpy索引和切片以及数值修改6.numpy中的三元运算符7.numpy中的clip裁剪8.numpy中的数组拼接和数组行列交换9.构造特殊列表10.numpy生成随机数11.numpy中的copy和view12.numpy中的nan和inf13.numpy中的基础值
利用Python进行数据分析（附详细案例）
2301_82000445的博客
02-18 1180
最后的路径为F:\ann\Untitled1.ipynb。
python数据分析numpy
04-20
、pandas、matplotlib这三个库常用的操作有哪些？ 这三个库常用的操作包括： ...- Pandas: 数据读取、数据清洗、数据操作、数据可视化等； - Matplotlib: 平面图、直方图、散点图、饼图、3D图等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

爱笑的蛐蛐

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值