Python扩展包

1、NumPy

NumPy提供了多种python本身不支持的多种集合，有list、ndarray和ufunc。

list

更加灵活的数组，支持多维，数据可不同型，存储数量远大于array。array只支持同型数据，空间有限。
ndarray

多维数组类，方便操纵多维数组，数据必须同型，操纵高效。
ufunc

对数组进行高效处理的函数。主要用于高维数组的访问，底层使用c/c++实现。

1.1 构造数组

import numpy as np

# 一维数组

arr = np.array([2,0,1,5,8,3], dtype=np.float64)

# 二维数组

arr = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float64)

1.2 max函数

# 提取数组最大值

arr.max()

1.3 min

arr.min()

1.4 sort

arr.sort()

1.5 数组形状

# 属性

arr.shape

# 内置函数

type(a)

1.6 切片

切片本质上就是去数组的子集。

# 全部元素

arr[:]

# 开始至导数第二个元素

arr[:-2]

# 最后的两个元素

arr[-2:]

# 第一个元素

arr[:1]

# 二维数组切片

arr[:][:]

#

arr[1][:-2]

1.7 数学函数

Numpy封装了很多数学函数。

正弦函数
```
np.sin(np.pi / 6)
```

zeros函数

# 初始化所有元素为0。

np.zeros((3,4) ,dtype=np.float64),

ones

# 初始化所元素为1

np.ones((3,4) ,dtype=np.float64)

1.8 数组与标量值计算

同型数组相乘就是对应元素相乘

arr1 = np.array([[1,2,3],[4,5,6]])

arr2 = arr1 * arr1

# 结果

[

	[1,4,9] ,

    [16,25,36]

]

同型数组相减对应元素相减

arr1 = np.array([[1,2,3],[4,5,6]])

arr2 = arr1 - arr1

# 结果

[

	[0,0,0] ,

    [0,0,0]

]

数组的倒数对应每个元素的倒数

arr1 = np.array([[1,2,3],[4,5,6]])

arr2 = 1 / arr1

# 结果

[

	[1,0.5,0.33333] ,

    [0.25,0.2,0.166666]

]

1.9 布尔索引

# 名称数组

names = np.array(['Bob','Joe','Bob','Joe'])

names == 'Bob'

# 结果

array([ True, False,  True, False])

1.10 随机数组

# 随机数组

arr = np.random.randn(4,4)

# 结果

array([[-0.63024369, -0.46411696,  0.39215462, -1.59666929],

       [-0.66560699, -0.39085017,  1.44804687, -0.32239144],

       [-0.23065156, -2.05660209, -0.59777198,  0.36496691],

       [-2.21541391,  1.61258062, -0.43754217, -0.58834426]])

# 同布尔型数组组合

arr[names=='Bob']

array([[-0.63024369, -0.46411696,  0.39215462, -1.59666929],

       [-0.23065156, -2.05660209, -0.59777198,  0.36496691]])

1.11 空数组

空数组赋值，是对每个元素都进行赋值。

# 空数组，里面没有任何内容

arr = np.empty((5,4))

for i in range(5):

    arr[i] = i

# 结果

array([[0., 0., 0., 0.],

       [1., 1., 1., 1.],

       [2., 2., 2., 2.],

       [3., 3., 3., 3.],

       [4., 4., 4., 4.]])

1.12 通用函数

np.arange

arr = np.arange(10)

# 结果

array([1,2,3,4,5,6,7,8,9])

np.sqrt

np.sqrt(array([1,4,9]))

# 结果

array([1,2,3])

np.random.randn(8)

arr = np.random.randn(8)

# 结果

array([ 0.67089833,  0.29382861,  0.83511179, -0.44452724,  0.12621945,

       -0.7167797 , -0.42452128, -0.63488661])

np.maximum(a,b)

x = np.array([1,2,3])

y = np.array([5,0,5])

np.maximum(x,y

# 结果

array([5, 2, 5])

一元函数

函数解释

abs 绝对值

exp 指数

ceil ceil

floor floor

cos、sin、cosh、sinh 普通型和双曲型三角函数

arccos 反余弦

arcsin 反正弦
二元函数

函数解释

add

multiply

divide、floor_divide

函数	解释
abs	绝对值
exp	指数
ceil	ceil
floor	floor
cos、sin、cosh、sinh	普通型和双曲型三角函数
arccos	反余弦
arcsin	反正弦

函数	解释
add
multiply
divide、floor_divide

2、pandas

pandas 是panel data的之意。它是Python最强大的数据分析和探索工具，因金融数据分析工具而开发，支持类似SQL的数据增删改查功能，支持时间序列分析，灵活处理缺失数据。pandas有两种数据类型，Series和DataFrame。

2.1 Series

Series是一列数据，相当于表格中的一列。

s1 = Series([1,2,3,4])

# key是索引列

s1 = Series({'a':100 , 'b':200 , 'c':300 ,'d':400})

# 所有值

s1.values

# 所有索引

s1.index

# 通过索引访问

s1['b']

2.2 DataFrame

数据框是二维表格，类似于关系型数据库中的表。

# 构造数据

data = {"name":["yahoo","google","facebook"], "marks":[200,400,800], "price":[9, 3, 7]}

# 数据全部列

df1 = DataFrame(data)

# 使用指定的列

pds=pd.DataFrame(data,columns=['name','price','marks'])

数据框结构如下：

name	marks	price
yahoo	200	9
google	400	3
facebook	800	7

巴特西

Python扩展包

Python扩展包

1、NumPy

1.1 构造数组

1.2 max函数

1.3 min

1.4 sort

1.5 数组形状

1.6 切片

1.7 数学函数

1.8 数组与标量值计算

1.9 布尔索引

1.10 随机数组

1.11 空数组

1.12 通用函数

2、pandas

2.1 Series

2.2 DataFrame

最新文章

热门文章