Python\Pandas\Numpy\Matplotlib的常用数据类型小结

一、python

定义:

list:链表,有序的项目, 通过索引进行查找,使用方括号”[]”;

tuple:元组,元组将多样的对象集合到一起,不能修改,通过索引进行查找, 使用括号”()”;

dict:字典,字典是一组键(key)和值(value)的组合,通过键(key)进行查找,没有顺序, 使用大括号”{}”;

set:集合,无序,元素只出现一次, 自动去重,使用”set([])”

应用场景:

list, 简单的数据集合,可以使用索引;

tuple, 把一些数据当做一个整体去使用,不能修改;

dict,使用键值和值进行关联的数据;

set,数据只出现一次,只关心数据是否出现, 不关心其位置;

 

1、list—列表

 

2、dict --- 字典

字典是另一种可变容器模型，且可存储任意类型对象。

字典的每个键值(key=>value)对用冒号(:)分割，每个对之间用逗号(,)分割，整个字典包括在花括号({})中

d = {key1 : value1, key2 : value2 }

键必须是唯一的，但值则不必。

访问字典里的值：把相应的键放入熟悉的方括弧

向字典添加新内容的方法是增加新的键/值对，修改或删除已有键/值对如下实例:

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};

dict['Age'] = 8; # update existing entry

dict['School'] = "DPS School"; # Add new entry

 

 

 

 

二、numpy的数据类型

最常用数据类型是ndarray;

它是一个多维数组，只能存相同类型的数据

每个数据都有一个shape（各维度大小的元组），和一个dtype(说明数组数据类型)。

Data = array([[1,9,6],[2,8,5],[3,7,6]])

 

Array的元素定位：

随机数生成

 * numpy.random模块

 * np.random.normal(size=(4,4))生成标准正态分布的4*4样本数组

 * seed 确定随机数生成器的种子

 * permutation 返回一个序列的随机排列或返回一个随机排列的范围

 * shuffle 对一个序列就地随机排列

 * rand 产生均匀分布的样本值

 * randint 从给定的上下限范围随机取整数
 

三、pandas数据类型

 

常用的有两种：Series 和 DataFrame。它们都类似python中的字典dict

 

1、Series

 

2、DataFrame

 DataFrame是一个表格型数据结构，每列可以是不同的值类型(数值、字符串、布尔值等)，它可以被看成由Series组成的字典，它既有行索引也有列索引。以一个或多个二维块存放（而不是列表、字典或别的一维数据结构）

 

DataFrame的构建方法：

 

读取文档的方法：

逐块读取文本文件 

在处理很大的文件时，可能只想读取文件的一小部分或逐块对文件进行迭代 pd.read_csv(‘ch06/ex6.csv’, nrow=5) 只读取几行 chunker=pd.read_csv(‘ch06/ex6.csv’,chunksize=1000) #设置每次处理行数

 

Dataframe索引的办法,用示例说明：

 

dates12 = pd.date_range('20130101',periods=7)

df12= pd.DataFrame(np.arange(28).reshape((7,4)),index=dates12,columns=['A','B','C','D'])

 

按列索引：

df12['A']、df12.A

 

按行索引：

df12[0:3]、df12['20130102':]

 

按标签内容索引： loc

print(df12.loc['20130102'])

print(df12.loc[:,['A','B']])

 

按位置序号索引： iloc

print(df12.iloc[[3],1:3])

 

按位置序号和标签内容混合索引： ix

print(df12.ix[:3,['A','C']])

 

#按条件索引

#Boolean indexing

print(df12[df12.A > 8])

 

 

 

四、TensorFlow

TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

阶

在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.

 

你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.

 

numpy的数组和tensor张量的相互转换：

要对tensor进行操作，需要先启动一个Session,否则，我们无法对一个tensor比如一个tensor常量重新赋值或是做一些判断操作，所以如果将它转化为numpy数组就好处理了。下面一个小程序讲述了将tensor转化为numpy数组，以及又重新还原为tensor：

 

输出：

 

 

五、matplotlib能绘制的常用图形：

 

直线、曲线：plt.plot()； 坐标系：plt.xlim((-1, 2))，plt.ylim((-2, 3))

坐标系内的标注、批注：plt.annotate()，plt.text()

散点图：plt.scatter()； 柱状图：plt.bar()； 等高线图：plt.contours()

图片：plt.imshow()；  3D数据：ax14 = Axes3D(figure)

一个figure显示多个图：plt.subplot； plt.subplot2grid()

画中画：略；  动画：animation.FuncAnimation