pandas思维导图

Pandas 是 Python 语言的一个扩展程序库,用于数据分析。 Pandas 是一个开放源码、BSD 许可的库,提供高性能、易于使用的数据结构和数据分析工具。

Numpy

• 0.简介/安装
  • 1.应用
    • 数据分析,机器学习,深度学习
  • 2.优点
    • 1.运算速度快：numpy和pandas都是采用C语言编写,pandas又是基于numpy,是numpy的升级版本
    • 2.消耗资源少：采用的是矩阵运算,会比 python 自带的字典或者列表快好多
  • 3.安装
    • pip3 install pandas
• 1.属性
  • 1.导入
    • import numpy as np #为了方便使用numpy 采用np简写
  • 2.列表转化为矩阵
    • array = np.array([[1,2,3],[2,3,4]])
  • 3.几种属性
    • 1.维度
      • array.ndim
    • 2.行数和列数
      • array.shape
    • 3.元素个数
      • array.size
• 2.创建
  • 1.创建数组array
    • a = np.array([2,23,4]) # list 1d
  • 2.指定数据类型dtype
    • a = np.array([2,23,4],dtype=np.int) a = np.array([2,23,4],dtype=np.int32) a = np.array([2,23,4],dtype=np.float) a = np.array([2,23,4],dtype=np.float32)
  • 3.创建全零数组zeros
    • a = np.zeros((3,4)) # 数据全为0,3行4列
  • 4.创建全一数组ones
    • a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列
  • 5.创建全空数组empty
    • a = np.empty((3,4)) # 数据为empty,3行4列
  • 6.创建连续数组arange
    • a = np.arange(10,20,2) # 10-19 的数据,2步长
  • 7.改变数据的形状reshape
    • a = np.arange(12).reshape((3,4)) # 3行4列,0到11
  • 8.创建线段型数据linspace
    • a = np.linspace(1,10,20) # 开始端1,结束端10,且分割成20个数据,生成线段
• 3.运算符
  • 1.减法-
    • c=a-b
  • 2.加法+
    • c=a+b
  • 3.乘法*
    • c=a*b
  • 4.乘方**
    • c=b**2
  • 5.三角函数sin cos tan
    • c=10*np.sin(a)
  • 6.逻辑判断< > ==
    • 想要执行是否相等的判断, 依然需要输入 == 而不是 = 来完成相应的逻辑判断
  • 7.矩阵乘法
    • 1.对应元素相乘*
      • c=a*b
    • 2.矩阵乘法dot()
      • c_dot = np.dot(a,b) 或 c_dot_2 = a.dot(b)
  • 8.sum(), min(), max()
    • 1.对矩阵中所有元素进行求和,寻找最小值,寻找最大值的操作
    • 2.当axis=0的时候,将会以列作为查找单元, 当axis=1的时候,将会以行作为查找单元
    • print("sum =",np.sum(a,axis=1)) #按行求和 print("min =",np.min(a,axis=0)) #按列求最小值 print("max =",np.max(a,axis=1)) #按行求最大值
• 4.运算函数
  • 1.argmin()和argmax()
    • 分别对应着求矩阵中最小元素和最大元素的索引
  • 2.均值mean()
    • 将整个矩阵的均值求出来
  • 3.中位数median()
    • 将整个矩阵的中位数求出来
  • 4.累加函数cumsum()
    • 生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和
  • 5.累差函数diff()
    • 该函数计算的便是每一行中后一项与前一项之差
  • 6.非零函数nonzero()
    • 这个函数将所有非零元素的行与列坐标分割开,重构成两个分别关于行和列的矩阵
  • 7.排序函数sort()
    • 仅针对每一行进行从小到大排序操作
  • 8.转置函数A.T或transpose(A)
    • 将矩阵进行转置,方便运算
  • 9.裁剪函数clip()
    • 函数的格式是clip(Array,Array_min,Array_max)
    • Array指的是将要被执行用的矩阵,而后面的最小值最大值则用于让函数判断矩阵中元素是否有比最小值小的或者比最大值大的元素,并将这些指定的元素转换为最小值或者最大值
• 5.索引
  • 1.一维索引
    • A[2]
  • 2.二维索引
    • 1.一行元素A[2]
      • 对应的就是矩阵A中第三行(从0开始算第一行)的所有元素
    • 2.单个元素A[1][1]或A[1, 1]
      • 在A中即横纵坐标都为1,第二行第二列的元素
    • 3.切片操作A[1, 1:3]
      • 针对第二行中第2到第4列元素进行切片输出（不包含第4列）
    • 4.逐列打印for column in A.T
      • 对A进行转置,再将得到的矩阵逐行输出即可得到原矩阵的逐列输出
    • 5.迭代输出
      • 1.A.flatten()
        • flatten是一个展开性质的函数,将多维的矩阵进行展开成1行的数列
      • 2.for item in A.flat:
        • flat是一个迭代器,本身是一个object属性
• 6.合并
  • 1.上下合并np.vstack((A,B))
  • 2.左右合并np.hstack((A,B))
  • 3.增加一个维度np.newaxis()
    • 1.对于A序列(A = np.array([1,1,1])),转置操作便很有可能无法对其进行转置（因为A并不是矩阵的属性）
    • 2.A[np.newaxis,:]或A[:,np.newaxis] 将具有3个元素的array转换为了1行3列以及3行1列的矩阵
  • 4.多项合并np.concatenate((A,B,B,A),axis=0)
    • 1.合并操作需要针对多个矩阵或序列
    • 2.axis参数很好的控制了矩阵的纵向=0或是横向=1打印
• 7.分割
  • 1.纵向分割np.split(A, 2, axis=1)
  • 2.横向分割np.split(A, 3, axis=0)
  • 3.错误分割np.split(A, 3, axis=1)
    • 范例的Array只有4列,只能等量对分,不能分为3份
  • 4.不等量分割np.array_split(A, 3, axis=1)
    • axis=1按列分割,axis=0按行分割
  • 5.其他分割np.vsplit()纵分割 和 np.hsplit()横分割
• 8.赋值
  • 1.= 的赋值方式会带有关联性
  • 2.copy()的赋值方式没有关联性
• 主题