Python数据分析师2020特训营-Pandas Numpy 1

数据分析 Python数据分析师2020特训营-Pandas Numpy 1

1
python中用作数据科学工作的一个库，包含大量对数据作高效处理的函数。基于numpyarray这种多维数组数据结构，对数据的运行效率比list，dict等快很多，进行向量化运算(矢量化)

数组创建和数组属性

np.array(xx)

1
2
3
4
5
import numpy as np
np.array([2,5,4,1]) # 里面传list或者tuple都可以
np.array([2,5,4,1],dtype='float')
np.array([2,5,4,1],dtype='str')
np.array([[1,2,3],[4,5,6],[7,8,9]])

np.arrange(xxx)

1
2
3
4
# 左闭右开
np.arange(0,10)
np.arange(0,10,2)
np.arange(0,10,0.5)

np.linspace(xx)

1
2
3
# 用于创建等差数列 左闭又闭
np.linspace(1,10,10)  # 1 2 3...10
np.linspace(1,10,11)  # 1 1.9 2.8 ..9.1 10

,endpoint=False

1
2
3
4
# 不取最后一个值
原理最初多取一个值，10->11 算出来后不取第11个值
np.linspace(1,10,10,endpoint=False)  
# 1 1.9 2.8 .. 9.1

np.logspace(xx)

np.

np.array()

1
data = np.array([1, 2, 3, 4, 5])

np.random.randint

1
2
3
np_data = np.random.randint(1, 100, size=(4, 3))

np.random.randint(20, 35, 5)

np.random.seed(42)

np.arange(12).reshape(3,4)

np.sum()

Numpy

1
2
3
4
5
6
7
8
9
>>> import pandas as pd
>>> import numpy as np
>>> from pandas import Series,DataFrame
>>> arr=np.arange(12).reshape(3,4)
>>> arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>

创建

1
2
3
4
5
6
7
import numpy as np

data1=np.random.randint(1,10,size=5)

>>> data1=np.random.randint(1,10,size=5)
>>> data1
array([1, 9, 7, 7, 2], dtype=int32)

与series的区别

1
2
3
4
5
可以发现Series数组是默认自带索引的，numpy数组也有索引，然而，这两者在索引的使用和性质上存在一些关键的区别

在numpy中，一维数组的索引主要是基于位置的，从0开始并且与数据的位置有关。这种索引主要用来访问数组中的元素，但它并不提供额外的元数据或分类功能。换句话说，numpy数组的索引主要是为了定位元素，而不是为了数据的分类或标签。

相比之下，pandas的Series数组具有更复杂的索引结构。除了基于位置的索引外，Series还可以附加额外的索引，这些索引通常是字符串或其他对象类型，用于分类或标记数据。这些额外的索引使得Series数组能够更好地处理复杂的数据集，其中的数据可能需要根据多个维度或标准进行分类或查询。

.concatenate()

1
2
用于将多个numpy数组进行串接
axis=1相当于增加列，axis=0相当于增加行
1
2
3
4
5
6
7
8
9
10
11
>>> np.concatenate([arr,arr],axis=1)
array([[ 0,  1,  2,  3,  0,  1,  2,  3],
       [ 4,  5,  6,  7,  4,  5,  6,  7],
       [ 8,  9, 10, 11,  8,  9, 10, 11]])
>>> np.concatenate([arr,arr],axis=0)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])