numpy
一个数值计算包
python列表与numpy矩阵区别
for循环 ：[x+1 for x in a]
多个元素需要用zip捆绑：[x+y for(x,y) in zip(a,b)]
np.array()+1各元素+1
a+b各元素相加
a*b矩阵相乘或者是各元素相乘
numpy矩阵
所有操作默认对行进行
生成方式
以行形式默认生成，也就是行向量
- 直接生成：
a = np.array([1,2,3,4])和a = np.array([[0,1,2,3],[10,11,12,13]]) - 列表中产生数组：
a = np.array(l) - 其他函数：
np.zeros(5)和np.ones(5) #括号内传个数，默认浮点数
矩阵属性
- dtype：
np.ones(5,dtype="bool")数组中要求所有元素的 dtype 是一样的 - astype：强制类型转换：
a = a.astype("float") #强制类型转换 总元素个数：
a.size- 矩阵维度：
a.nidm
索引：
切片操作：
- 多维度切片：
a[0,3:5] - 计算前缀和/差技巧：
ob = np.array([21000,21800,22240,23450,25000])
计算公式：ob2 = ob[1:]-ob[:-1]
函数：
注意这些函数传入参数都是numpy中的矩阵
对于多维数组，函数都是默认对行或者对所有元素进行操作
以下对行元素操作
- argsort函数：
np.sort(mv_num)
以下对所有元素操作
- 求和：
np.sum(mv_num) - 均值：
np.mean(mv_length) - 标准差：
np.std(mv_length) 相关系数矩阵：
np.cov(mv_score,mv_length)注意传入两个行向量- 转置：
a.T
Pandas
数据分析包，分为两种基本结构
Series 一维数组
DataFrame二维数组
Series
- 默认生成方式：
s = pd.Series([1,3,5,np.nan,6,8])
常见函数：
因为索引可以不是数值了，所以切片操作更加灵活了
- 输出数值：
s.values
DataFrame
- 默认生成方式：
df = pd.DataFrame(np.random.randn(6,4), index = date, columns = list("ABCD"))
数据集是一个np形式的矩阵，索引和列作为参数给出
常见函数
- 查看头尾数据：
df.head()和df.tail(3)默认为5 - 返回一个np矩阵：
df.values
Pandas读取和保存操作
- 读取excel表格，把index和column也读取进来：
df = pd.read_excel(r"C:\Users\Lovetianyi\Desktop\python\作业3\豆瓣电影数据.xlsx",index_col = 0) - 存放至当前文件夹：
df.to_excel("movie_data.xlsx")
*索引操作
注意pandas不调用iloc函数默认使用列索引
- 行索引：
df.iloc[0:5] - 列索引：
df["名字"][:5]和`df[[“名字”,“类型”]][:5] 条件索引：
df[df["产地"] == "美国"][:5]和df[(df.产地 == "美国") & (df.评分 > 9)][:5]
条件索引返回满足列条件的行，列索引返回的是对应列
*缺失值处理
排序操作
df.sort_values(by = "投票人数", ascending = False)[:5] #默认从小到大注意dataframe结构的构成，中间的矩阵都是values
统计分析
描述性分析：df.describe()
给出一系列基本的统计值
统计性的函数
pandas默认对列进行求值，这点于numpy不同
Matplotlib可视化
matplotlib.pyplot包含一系列类似MATLAB中绘图函数的相关函数
绘图函数
- 显示图片：
plt.show()一般不会直接显示图
绘制函数：plt.plot([1,2,3,4],[1,4,9,16],linewidth = 4.0,"ro") **
- 属性如下：
- 线条属性
- 字符和类型属性
- 提前修改属性：plt.setp(line,“color”,‘r’,“linewidth”,4)
- 指定坐标轴：
plt.axis([xmin, xmax, ymin, ymax]) - 支持传入多张图：`
子图
figure是窗口，subplot是子图，
- 子图figure：
plt.figure(num)
这里，figure(1)其实是可以省略的，因为默认情况下plt会自动产生一幅图像。
t1 = np.arange(0.0,5.0,0.1)
t2 = np.arange(0.0,4.0,0.02)
plt.figure(figsize = (10,6))
plt.subplot(211)
plt.plot(t1,f(t1),"bo",t2,f(t2),'k') #子图1上有两条线
plt.subplot(212)
plt.plot(t2,np.cos(2*np.pi*t2),"r--")
plt.show()
具有统计意义图像绘制
直接看笔记查对应参数