七月在线之python数据处理

• python常用导入函数
• ndarray
• • np之常用函数创建
  • ndarray之聚合操作
• pandas
• • pandas之series
  • • Series的创建
    • Series的索引和切片
• 可视化

python常用导入函数

from IPython.display import display import numpy as np import pandas as pd from pandas import Series,DataFrame from PIL import Image import matplotlib.pyplot as plt %matplotlib inline %config ZMQInteractiveShell.ast_node_interactivity='all' # nootbook使用 from scipy import interp # 线性插值

ndarray

np之常用函数创建

np.ones(shape, dtype=None, order=‘C’)
#ones–>创建指定长度或形状全部为1的数组
参数说明：
shape:维度
dtype:数据类型，默认是float
order: 可选规定返回数组元素在内存的存储顺序：看源码两个选项：{‘C’, ‘F’},
C（C语言）-rowmajor；F（Fortran《FormulaTranslation）的缩写，是一种编程语言》）column-major

ndarray之聚合操作

以三维数组求和为例：

%config ZMQInteractiveShell.ast_node_interactivity=‘all’
a = np.random.randint(0,10,size = [3,2,3])
a.shape
b = a.min(axis = 0) # 按三维，对应位置比较
c = a.min(axis = 1) # 按两维，行比较
d = a.min(axis = 2) # 按1维，列比较
e = a.min(axis = -1) # 按1维，列比较
display(b,c,d,e)

其他聚合操作：

Function Name NaN-safe Version Descriptionnp.sum np.nansum Compute sum of elementsnp.prod np.nanprod Compute product of elementsnp.mean np.nanmean Compute mean of elementsnp.std np.nanstd Compute standard deviationnp.var np.nanvar Compute variancenp.min np.nanmin Find minimum valuenp.max np.nanmax Find maximum valuenp.argmin np.nanargmin Find index of minimum valuenp.argmax np.nanargmax Find index of maximum valuenp.median np.nanmedian Compute median of elementsnp.percentile np.nanpercentile Compute rank-based statistics of elementsnp.any N/A Evaluate whether any elements are truenp.all N/A Evaluate whether all elements are truenp.power 幂运算

pandas

pandas之series

Series的创建

Series是一种类似与一维数组的对象，由下面两个部分组成：

values：一组数据（ndarray类型）
index：相关的数据索引标签

Series的索引和切片

import numpy as npimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as plt%matplotlib inline # %matplotlib inline这一句是IPython的魔法函数，# 可以在IPython编译器里直接使用，作用是内嵌画图，省略掉plt.show()这一步，直接显示图像s = Series(nd,index = ['a','b','c','d','e'])# 显示索引s[['a','d']]s.loc[['a','d']]# 隐式索引s[[0,3]]s.iloc[[0,3]]# 以隐式索引为例，取一段连续的s.iloc[[0,1,2,3]]# 索引如果要取一段连续的值，就要多个索引，# 对索引稍加修改，去掉一个中括号，逗号改冒号，引入切片# 切片s['a':'d']#左闭右闭s.loc['a':'d']s[0:4]s.iloc[0:4]#左闭右开

执行结果：

后四行代码，运用切片方法

可视化

十分钟掌握Seaborn，进阶Python数据可视化分析：https://zhuanlan.zhihu.com/p/49035741

matlplob官网：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot

matlplob中文文档：https://www.matplotlib.org.cn/tutorials/introductory/usage.html

Matplotlib可视化最有价值的 50 个图表http://liyangbit.com/pythonvisualization/matplotlib-top-50-visualizations/

《新程序员》：云原生和全面数字化实践50位技术专家共同创作，文字、视频、音频交互阅读

总结

以上是生活随笔为你收集整理的Python之pandas，series，可视化的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。