1，Numpy
中文网站：https://www.numpy.cn
本文只介绍numpy中的常用方法，更丰富的内容可以在中文网站中查找
Numpy是使用Python进行科学计算的基础软件包，他可以对N维数组进行处理（矩阵）。
（1）numpy属性
numpy.array
numpy.ndim
numpy.shape
numpy.size
numpy.dtype
import numpy as np #引入numpy库，并把它重命名为np
array=np.array([10,20,30]
[40,50,60]
[70,80,90]) #利用numpy的array方法创建多维数组,并创建array对象
print (array) #运行结果为 [[10 20 30]
# [40 50 60]
# [70 80 90]]
print(array.ndim) #输出array多维数组的维度 输出结果为2（中括号包含一个中括号
#，内外层一共两个中括号，所以为2维）
print(array.shape) #输出array多维数组的形状 输出结果为(3,3)
print(array.size) #输出array多维数组的大小,即总共有多少元素 输出结果为9
print(array.dtype) #输出array多维数组的元素类型 输出结果为int32（2）创建array
numpy.array()
numpy.zeros
numpy.ones
numpy.arange(i,j,k)
numpy.reshape(i,j)
import numpy as np
a=np.array([11,12,13],dtype=np.int32) #第一个参数是数据，第二个参数指明数据类型
print(a) #输出结果为[11 12 13]
print(a.dtype) #输出结果为int32
b=np.array([21,22,23],dtype=float) #也可以指明为浮点类型
c=np.array([31,32,33]) #一维数据
d=np.array([[10,20,30]
[40,50,60]) #二维数据
zero=np.zeros((3,3)) #生成3行3列元素全为0的矩阵
#输出结果为[[0. 0. 0.]
# [0. 0. 0.]
# [0. 0. 0.]]
one=np.ones((3,4)) #生成3行4列元素全为1的矩阵
e=np.arange(12) #生成从0到11的一维数组
#输出结果[0 1 2 3 4 5 6 7 8 9 10 11]
f=np.arange(4,12) #生成从4到11的一维数组
#输出结果[4 5 6 7 8 9 10 11]
g=np.arange(1,12,3) #生成从1到11，步长为3的整型数列
#输出结果[1 4 7 10]
h=np.arange(12).reshape(4,3) #用reshape方法重新定义矩阵形状,[4,3]为3行4列
#[[0 1 2]
# [3 4 5]
# [6 7 8]
# [9 10 11]
（3）numpy的运算1
arr1+arr2
arr1-arr2
arr1*arr2
arr1/arr2
arr1+i
arr1*i
arr1>i
np.dot(arr1,arr2) 或者 arr1.dot(arr2)
arr1.T
numpy.transpose(arr1)
import numpy as np
arr1=np.array([[1,2,3]
[4,5,6]])
arr2=np.array([[7,8,9]
[3,5,6]])
print(arr1+arr2) #各元素相加
#输出结果[[8 10 12]
# [7 10 12]]
print(arr1-arr2)
print(arr1*arr2)
print(arr1**arrr2) #输出结果[[1 256 19683]
# [64 3125 46656]]
print(arr1/arr2) #输出结果[[0.14285714 0.25 0.33333333]
[1.33333333 1. 1. ]]
print(arr1+2) #每个元素都加2
print(arr1*10) #每个元素都乘10
arr3=arr1>3 #对arr1中的元素进行判断，大于3的元素输出True，否则为Flase
print(arr3) #输出结果[[Flase False False]
# [True True True ]]
arr4=np.ones((3,5))
np.dot(arr1,arr4) #dot方法实现两个矩阵相乘，矩阵乘法规则参考线性代数
arr1.dot(arr4) #效果和上述矩阵乘法相同
print(arr1.T) #矩阵转置
print(np.transpose(arr1)) #矩阵转置，与上述效果相同（4）随机数生成以及矩阵的运算2
numpy.random.randint(i,j,size=(k,a))
numpy.sum(sample1,axis=i)
numpy.min(sample1)
numpy.max(sample1)
numpy.argmin(sample1)
numpy.argmax(sample1)
numpy.median(sample1)
numpy.mean(sample1) 或sample1.mean()
numpy.sqrt(sample1)
numpy.sort(sample1)
numpy.clip(sample1,i,j)
import numpy as np
sample1=np.random.randint(0,10,size=(4,3)) #生成4行3列从0到10的随机整数
#输出的一种可能结果
#[[7 7 9]
[4 4 3]
[8 9 4]
[8 3 0]]
sample2=np.random.randint(0,10,size=(4,3))
np.sum(sample1) #求数组里所有元素的和 输出结果为66
np.min(sample1) #输出数组中元素的最小值 输出结果为0
np.max(sample1) #输出数组中元素的最大值 输出结果为9
np.sum(sample1,axis=0) #对数组中各列求和 输出结果为array([27,23,16})
np.sum(sample1,axis=1) #对数组中各行求和 输出结果为array([23,11,21,11])
np.argmin(sample1) #求数组中元素最小值的索引 输出结果为11
np.argmax(sample1) #求数组中元素最大值的索引 输出结果为2
np.median(sample1) #求数组元素中所有元素的中位数
np.mean(sample1) #求sample1所有元素的平均值 输出结果为7.33333333
sample1.mean() #上述求平均值的另一种写法
np.sqrt(sample1) #对数组中每个元素开方
np.sort(sample1) #对每一行元素从大到小进行排序,输出结果
#[[7 7 9]
# [3 4 4]
# [4 8 9]
# [0 4 8]]
np.clip(sample1,3,6) #数组中的元素小于3就变成3，大于6就变成6，输出结果
#[[6 6 6]
# [3 4 4]
# [6 6 4]
# [6 3 3]]（5）numpy的索引
各种索引
迭代行，迭代列，迭代每个元素(.flat方法)
import numpy as np
arr1=np.arange(2,17)
print(arr1[3]) #输出索引值为3的数，即5
print(arr1[2:5]) #输出索引值为2的数到索引值为4的数，即[4 5 6]
#切片索引时，:前的数输出，:后的数不输出，即从2到4
print(arr1[3:-1]) #输出索引值为3的数到索引值为-2的数（-1是从后往前为第一个数）
#[5 6 7 8 9 10 11 12 13 14 15]
print(arr1[:6]) #输出前6个数据，即[2 3 4 5 6 7]
print(arr1[-2:]) #输出最后两个数据，即[15 16]
arr2=arr1.reshape(3,5)
print(arr2) #输出结果为[[2 3 4 5 6]
# [7 8 9 10 11]
# [12 13 14 15 16]]
print(arr2[1]) #输出第2行，输出结果为[7 8 9 10 11]
print(arr2[1][1]) #输出第二行第二列的数，即8
print(arr2[1,1]) #输出第二行第二列，跟上一个效果一样
print(arr2[:,2]) #输出每一行下标为2的元素，[4 9 14]
for i in arr2:
print(i) #迭代每一行
#输出结果[2 3 4 5 6]
# [7 8 9 10 11]
# [12 13 14 15 16]
for i in arr2.T:
print(i) #迭代每一列
for i in arr2.flat:
print(i) #迭代每一个元素，flat方法可以把多维展开成一维（6）array合并（对数组的合并操作）
numpy.vstack((arr1,arr2,arr3,......))
numpy.hstack((arr1,arr2,arr3,......))
numpy.concatenate((arr1,arrr2,arr3......),axis=k)
numpy.newaxis
numpy.atleast_2d(arr1)
import numpy as np
arr1=np.array([1,2,3])
arr2=np.array([4,5,6])
arr3=np.vstack((arr1,arr2)) #垂直合并
print(arr3) #输出结果为[[1 2 3]
# [4 5 6]]
arr4=np.hstack((arr1,arr2)) #水平合并
print(arr4) #输出结果为[1 2 3 4 5 6]
arrv=np.vstack((arr1,arr2,arr3)) #也可以把多个数组进行合并
arr=np.concatenate((arr1,arr2,arr1)) #连接array组成一个新的array
#输出结果为[1 2 3 4 5 6 1 2 3]
arr=np.concatenate((arr3,arrv),axis=0)#合并的array维度要相同
#，形状要匹配，axis=0表示纵向合并
arr=np.concatenate((arr3,arr3),axis=1)#axis=0表示横向合并
arr1=arr1[np.newaxis,:] #增加一个维度
print(arr1) #输出结果为 [[1 2 3]]
arr1=arr1[:,np.newaxis] #每个元素都增加一个维度
print(arr1) #输出结果为[[1]
# [2]
# [3]]
arr1=np.array([1,2,3])
arr1_2=np.atleast_2d(arr1) #将输入的数组转化为至少二维
print(arr1_2) #输出结果为[[1 2 3]]（7）array分割(数组分割)
numpy.split(arr1,k,axis=j)
numpy.array_split(arr1,k,axis=j)
numpy.hsplit(arr1,k)
numpy.vspilt(arr1,k)
import numpy as np
arr1=np.arange(12).reshape((3,4))
print(arr1) #输出结果[[0 1 2 3]
# [4 5 6 7]
# [8 9 10 11]]
arr2,arr3=np.split(arr1,2,axis=1) #将arr1水平方向分割，分成两份
#也可以使用numpy.hsplit(arr1,2)来实现
print(arr2) #输出结果[[0 1]
# [4 5]
# [8 9]]
print(arr3) #输出结果[[2 3]
# [6 7]
# [10 11]]
arr4,arr5,arr6=np.split(arr1,3,axis=0) #将arr1垂直方向分割，分成三份
#也可以使用numpy.vsplit(arr1,3)来实现
print(arr4) #输出结果[[0 1 2 3]]
#如果将arr1水平分割为3份会报错，split方法用于均分
#要不均等分割就要使用numpy.array_split()方法
arr7,arr8,arr9=np.array_split(arr1,3,axis=1)#水平方向分割，分成3份，不等分割
print(arr7) #输出结果[[0 1]
# [4 5]
# [8 9]]
print(arr8) #输出结果[[ 2]
# [ 6]
# [ 10]]
print(arr9) #输出结果[[ 3]
# [ 7]
# [ 11]]（8）numpy的浅拷贝和深拷贝
numpy.copy
import numpy as np
arr1=np.array([10 20 30])
arr2=arr1 #arr1和arr2共享一块内存，arr2的元素变化arr1中的元素也相应变化
#浅拷贝
arr2=arr1.copy() #arr2和arr1不再共享，arr1就是arr1,arr2就是arr2
#深拷贝2，Pandas
中文网站：https://www.pypandas.cn
本文只介绍pandas中的常用方法，更丰富的内容可以在中文网站中查找
Pandas是一个强大的分析结构化数据的工具集，它是基于numpy开发的
Pandas的两大利器为Series和DataFrame： Series是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。 Series的字符串表现形式为：索引在左边，值在右边。由于没有为数据指定索引，于是会自动创建一个0到N-1（N为数据的长度）的整数型索引。 DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。跟其他类似的数据结构相比（如R的data.frame）,DataFrame中面向行和面向列的操作基本上是平衡的。其实，DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。 虽然DataFrame是以二维结构保存数据的，但你仍然可以轻松地将其表示为更高维度的数据（层次化索引的表格型结构，这是pandas中许多高级数据处理功能的关键要素）
这里看不懂可以根据下述事例进行理解
（1）pandas基础,Series,DataFrame
1.Series
import pandas as pd
import numpy as nps1=pd.Series([5,-7,3,2])
print(s1)
#输出结果为
#0 5
#1 -7
#2 3
#3 2
#可以看到用Series创建的对象系统可以自动给它指定索引值并且可以输出
#每个索引值对应着一个值，且是有序的
#这种特征就类似于字典的键值对对应关系，但是字典内的元素是无序的，而Series的
#元素是有序的，当然Series创建的索引值可以是任意类型，如下代码s2 = pd.Series([5.5,6.0,-1.8,4.4],index=['a','b','c','d'])
print(s2)
#输出结果
#a 5.5
#b 6.0
#c -1.8
#d 4.4
#dtype: float64可以使用pandas.value和pandas.index来输出所创建的Series的值和索引，我们以所创建的s1为例
s1.values#series的值
#输出结果
#array([ 5, -7, 3, 2], dtype=int64)
s1.index#series的索引
#输出结果
#RangeIndex(start=0, stop=4, step=1)下面讲解通过索引值查找值
s2['a']#根据索引取值
#输出结果：5.5
s2[['a','b','c']]#根据索引取值
#输出结果
#a 5.5
#b 6.0
#c -1.8
#dtype: float64此外，也可以判断某个索引是否在所创建的Series中
'b' in s2
#输出结果：True
'e' in s2
#输出结果：Flase由此可以看出，Series可以看作是一个定长且有序的字典，我们也可以把字典直接赋给Series
dic1 = {'fish':8,'dog':7,'cat':12}
s3 = pd.Series(dic1)
print(s3)
#输出结果
#fish 8
#dog 7
#cat 12
#dtype: int642.DataFreme
如下所示，DataFrame就是根据所给的数据生成一个表格，它包含行索引（name，income，pay）和列索引（这里由于没有给定，系统会用0 1 2 3 4的正常顺序代替）
再举一个例子，下方为用numpy.arrange()方法再通过reshape函数生成3行5列的dataframe数据，行索引和列索引缺少则系统自动填上。
可以自己指定行索引和列索引，如下
df3 = pd.DataFrame(np.arange(15).reshape((3,5)),index=['a','c','b'],columns=[1,3,4,2,5])
print(df3)输出结果为
可以通过方法来输出列索引，行索引和值，如下以df1为例
下面介绍一个函数,descibe()函数，它可以返回数据结构的统计变量。如下
count：数量统计，此列共有多少有效值； mean：均值； std：标准差； min：最小值； 25%：四分之一分位数； 50%：二分之一分位数； 75%：四分之三分位数； max：最大值。
dataframe的转置。将字典的键值赋值给dataframe时，将键作为行索引，转置后将键作为列索引
下面介绍 关于dataframe列排序和行排序
利用pandas.sort_index(axis=i)函数，并通过改变axis的值来确定是行排序还是列排序
排序就是根据大小比较来改变顺序
按指定值排序，下方是按2索引值排序，即以索引值为2的那一列中的数大小进行排序
（2）pandas选择数据
dates = pd.date_range('20210101',periods=6)#data_range按顺序生成日期型
print(dates)
#输出结果
#DatetimeIndex(['2021-01-01', '2021-01-02', '2021-01-03', '2021-01-04',
# '2021-01-05', '2021-01-06'],
# dtype='datetime64[ns]', freq='D')
df1 = pd.DataFrame(np.arange(10,34).reshape((6,4)),index=dates,columns=
['A1','A2','A3','A4'])
print(df1)输出结果：
下面通过索引获取数据（这是获取行索引或列索引中的值，区分df1.index df1.columns）：
(1)通过输入列的索引来获取列数据
（2）通过切片的方法来获取行数据
（3）通过.loc方法（标签获取数据）
（4）通过.iloc方法（位置选取数据）
（7）通过>和<的关系判断获取
df1[df1.A1>6]是指将元素都大于6的行数据打印出来，这里由于所有数据都大于6，看不出差别，所以我们改一下数
未完待续。。。。。。。。。
扫一扫
340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
