补充上一篇未完待续的Numpy知识点
索引和切片
数组和标量(数字)之间运算
li1 = [ [1,2,3], [4,5,6] ] a = np.array(li1) a * 2 运行结果: array([[ 2, 4, 6], [ 8, 10, 12]])
索引
# 将一维数组变成二维数组 arr = np.arange(30).reshape(5,6) # 后面的参数6可以改为-1，相当于占位符，系统可以自动帮忙算几列 arr # 将二维变一维 arr.reshape(30) # 索引使用方法 array([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23], [24, 25, 26, 27, 28, 29]]) 现在有这样一组数据，需求：找到20 列表写法：arr[3][2] 数组写法：arr[3,2] # 中间通过逗号隔开就可以了
切片
# 多维数组的切片 arr数组 array([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23], [24, 25, 26, 27, 28, 29]]) arr[1:4,1:4] # 切片方式 行和列 执行结果： array([[ 7, 8, 9], [13, 14, 15], [19, 20, 21]])
布尔型索引
# 现在有这样一个需求：给一个数组，选出数组种所有大于5的数。 li = [random.randint(1,10) for _ in range(30)] a = np.array(li) a[a>5] 执行结果： array([10, 7, 7, 9, 7, 9, 10, 9, 6, 8, 7, 6]) ---------------------------------------------- 原理: a>5会对a中的每一个元素进行判断，返回一个布尔数组 a > 5的运行结果： array([False, True, False, True, True, False, True, False, False, False, False, False, False, False, False, True, False, True, False, False, True, True, True, True, True, False, False, False, False, True]) ---------------------------------------------- 布尔型索引：将同样大小的布尔数组传进索引，会返回一个有True对应位置的元素的数组
花式索引
通用函数
能对数组中所有元素同时进行运算的函数就是通用函数。类似python里的math模块
常见通用函数：
能够接受一个数组的叫做一元函数，接受两个数组的叫二元函数，结果返回的也是一个数组
常用的方式示例：
# 求绝对值 np.abs(-2) 2 np.abs([-2,-4,-5,-10]) array([ 2, 4, 5, 10]) # 浮点型的绝对值 np.fabs([-1.3,-2.5,-3.4]) array([1.3, 2.5, 3.4]) #平方根 np.sqrt(4) 2.0 np.sqrt(2) # 求平方根 1.4142135623730951 np.square(2) # 求平方 4 np.exp(2) # e**2 7.38905609893065 np.log(2) 0.6931471805599453 np.ceil(5.4) #### 向上取整 6.0 # 向下取整 np.floor(4.6) 4.0 np.rint(3.5) 4.0 np.rint(3.2) 3.0 # 小数部分和整数部分别返回 np.modf([1.2,3.5]) (array([0.2, 0.5]), array([1., 3.])) ##nan === not a number np.nan nan np.nan == np.nan False np.isnan(56) False np.isnan(np.nan) True #求和 np.sum([1,2,3,4,5]) 15 np.cumsum? li = [1,2,3,4,5] ### 方差： ((1-平均数)**2 + (2-平均数)**2 + ....) / 5 ### 标准差： 方差开根号 res = np.array(li) np.max(res) 5 np.argmax(res) 4
数学统计方法
随机数
随机数生成函数在np.random的子包当中。
Pandas
简介
Series
DataFrame
时间对象处理
数据分组和聚合
其他常用方法
1、简介
pandas是一个强大的Python数据分析的工具包，它是基于Numpy构建的，正因pandas的出现，让Python语言也成为使用最广泛而且强大的数据分析环境之一。
Pandas的主要功能：
1、具备对其功能的数据结构DataFrame，Series
2、集成时间序列功能
3、提供丰富的数学运算和操作
4、灵活处理缺失数据
安装方法：
# pip3 install pandas
引用方法
# import pandas as pd
导包问题：pyc文件，简单的理解是第一次导入模块或包时，先加载生成pyc文件，后续导入加载读取的速度快些。
Series
Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签(索引)组成。
1、创建方法
（1）第一种
pd.Series([4,5,6,7,8]) 执行结果： 0 4 1 5 2 6 3 7 4 8 dtype: int64
（2）第二种
pd.Series([4,5,6,7,8],index=['a','b','c','d','e']) 执行结果： a 4 b 5 c 6 d 7 e 8 dtype: int64
# 自定义索引，index是一个索引列表，里面包含的是字符串，依然可以通过默认索引取值。
（3）第三种
pd.Series({"a":1,"b":2})
执行结果：
a 1
b 2
dtype: int64
# 指定索引
（4）第四种
pd.Series(0,index=['a','b','c']) 执行结果： a 0 b 0 c 0 dtype: int64 # 创建一个值都是0的数组
对于Series，其实我们可以认为它是一个长度固定且有序的字典，因为它的索引和数据是按位置进行匹配的，像我们会使用字典的上下文，就肯定也会使用Series
缺失数据
一般从网上或其他渠道获取的数据，量大的时候难免都会有数据不完善，缺失的情况出现。
方法：
dropna() # 过滤掉值为NaN的行 fill() # 填充缺失数据 isnull() # 返回布尔数组，缺失值对应为True notnull() # 返回布尔数组，缺失值对应为False
# 第一步，创建一个字典，通过Series方式创建一个Series对象 st = {"sean":18,"yang":19,"bella":20,"cloud":21} obj = pd.Series(st) obj 运行结果： sean 18 yang 19 bella 20 cloud 21 dtype: int64
# 第二步 a = {'sean','yang','cloud','rocky'} # 定义一个索引变量
#第三步 obj1 = pd.Series(st,index=a) obj1 # 将第二步定义的a变量作为索引传入 # 运行结果： rocky NaN cloud 21.0 sean 18.0 yang 19.0 dtype: float64 # 因为rocky没有出现在st的键中，所以返回的是缺失值
通过上面的代码演示，对于缺失值已经有了一个简单的了解，接下来就来看看如何判断缺失值
1、 obj1.isnull() # 是缺失值返回Ture 运行结果： rocky True cloud False sean False yang False dtype: bool 2、 obj1.notnull() # 不是缺失值返回Ture 运行结果： rocky False cloud True sean True yang True dtype: bool 3、过滤缺失值 # 布尔型索引 obj1[obj1.notnull()] 运行结果： cloud 21.0 yang 19.0 sean 18.0 dtype: float64
Series特性
（1）、从ndarray创建Series:Series(arr) （2）、与标量（数字）：sr * 2 （3）、两个Series运算 （4）、通用函数：np.ads(sr) （5）、布尔值过滤：sr[sr>0] （6）、统计函数：mean()、sum()、cumsum()
支持字典的特性：
""" 从字典创建Series：Series(dic), In运算：'a'in sr、for x in sr 键索引：sr['a'],sr[['a','b','d']] 键切片：sr['a':'c'] 其他函数：get('a',default=0)等 """
整数索引
sr = pd.Series(np.arange(10)) sr1 = sr[3:].copy() sr1 运行结果： 3 3 4 4 5 5 6 6 7 7 8 8 9 9 dtype: int32
两种取值的方式：
loc属性 # 以标签解释 iloc属性 # 以下标解释
Series数据对齐
pandas在运算时，会按索引进行对齐然后计算。如果存在不同的索引，则结果的索引是两个操作数索引的并集。
sr1 = pd.Series([12,23,34], index=['c','a','d']) sr2 = pd.Series([11,20,10], index=['d','c','a',]) sr1 + sr2 运行结果: a 33 c 32 d 45 dtype: int64 # 可以通过这种索引对齐直接将两个Series对象进行运算
DataFrame
DataFrame是一个表格型的数据结构，相当于是一个二维数组，含有一组有序的列。他可以被看做是由Series组成的字典，并且共用一个索引。
创建方式：
创建一个DataFrame数组可以有多种方式，其中最为常用的方式就是利用包含等长度列表或Numpy数组的字典来形成DataFrame：
第一种：
pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]})
# 产生的DataFrame会自动为Series分配所索引，并且列会按照排序的顺序排列
运行结果：
one two
0 1 4
1 2 3
2 3 2
3 4 1
> 指定列
可以通过columns参数指定顺序排列 data = pd.DataFrame({'one':[1,2,3,4],'two':[4,3,2,1]}) pd.DataFrame(data,columns=['one','two']) # 打印结果会按照columns参数指定顺序
第二种：
pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3],index=['b','a','c'])})
运行结果：
one two
a 1 2
b 2 1
c 3 3
查看数据
#常用属性和方法： index 获取行索引 columns 获取列索引 T 转置 columns 获取列索引 values 获取值索引 describe 获取快速统计
one two a 1 2 b 2 1 c 3 3 # 这样一个数组df
df.index 运行结果： Index(['a', 'b', 'c'], dtype='object')
df.columns 运行结果： Index(['one', 'two'], dtype='object')
df.describe() 运行结果： one two count 3.0 3.0 mean 2.0 2.0 std 1.0 1.0 min 1.0 1.0 25% 1.5 1.5 50% 2.0 2.0 75% 2.5 2.5 max 3.0 3.0
常见的获取数据的方式
例如从execl中把数据读出来：
# df.head() 显示前5条数据 可以传数字，代表显示的条数 # df.tail() 显示后面的6条数据
作业：获取NBA历年的总冠军数
# 用到的是pandas模块里的一些方法： res = pd.read_html(“url”) # 读取页面的表格数据,建议用哦用谷歌浏览器打开网页并粘贴url连接。 champion = res [0] # 获取第一张表格的数据 champion.columns = champion.iloc[0] #### 将第一行的数据 赋值给 列名 champion.drop([0],inplace=True) #### 将第一行数据 删除掉 champion.groupby('冠军').groups champion.groupby('冠军').size().sort_values(ascending=False) # 按照冠军数分组筛选统计个数并按降序排列 champion.groupby(['冠军', 'FMVP']).size().sort_values(ascending=False) # 获取球星FMVP数量并排序。
索引和切片
- DataFrame有行索引和列索引。
- DataFrame同样可以通过标签和位置两种方法进行索引和切片。
DataFrame使用索引切片：
- 方法1：两个中括号，先取列再取行。 df['A'][0]
- 方法2（推荐）：使用loc/iloc属性，一个中括号，逗号隔开，先取行再取列。
- loc属性：解释为标签
- iloc属性：解释为下标
- 向DataFrame对象中写入值时只使用方法2
- 行/列索引部分可以是常规索引、切片、布尔值索引、花式索引任意搭配。（注意：两部分都是花式索引时结果可能与预料的不同）
时间对象处理
时间序列类型
（1）时间戳：特定时刻 （2）固定时期：如2019年1月 （3）时间间隔：起始时间-结束时间
Python库：datatime
""" date、time、datetime、timedelta dt.strftime() strptime()
"""
灵活处理时间对象：dateutil包
dateutil.parser.parse() Copy import dateutil dateutil.parser.parse("2019 Jan 2nd") # 这中间的时间格式一定要是英文格式 运行结果: datetime.datetime(2019, 1, 2, 0, 0)
成组处理时间对象：pandas
pd.to_datetime(['2018-01-01', '2019-02-02']) Copy pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']) 运行结果： DatetimeIndex(['2018-03-01', '2019-02-03', '2019-08-12'], dtype='datetime64[ns]', freq=None) # 产生一个DatetimeIndex对象
# 转换时间索引 ind = pd.to_datetime(['2018-03-01','2019 Feb 3','08/12-/019']) sr = pd.Series([1,2,3],index=ind) sr 运行结果： 2018-03-01 1 2019-02-03 2 2019-08-12 3 dtype: int64 通过以上方式就可以将索引转换为时间
产生时间对象数组：data_range
start 开始时间 end 结束时间 periods 时间长度 freq 时间频率，默认为'D'，可选H(our),W(eek),B(usiness),S(emi-)M(onth),(min)T(es), S(econd), A(year),…
pd.date_range("2019-1-1","2019-2-2") 运行结果： DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04', '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08', '2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12', '2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16', '2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20', '2019-01-21', '2019-01-22', '2019-01-23', '2019-01-24', '2019-01-25', '2019-01-26', '2019-01-27', '2019-01-28', '2019-01-29', '2019-01-30', '2019-01-31', '2019-02-01', '2019-02-02'], dtype='datetime64[ns]', freq='D')
时间序列
时间序列就是以时间对象为索引的Series或DataFrame。datetime对象作为索引时是存储在DatetimeIndex对象中的。
# 转换时间索引 dt = pd.date_range("2019-01-01","2019-02-02") a = pd.DataFrame({"num":pd.Series(random.randint(-100,100) for _ in range(30)),"date":dt}) # 先生成一个带有时间数据的DataFrame数组 a.index = pd.to_datetime(a["date"]) # 再通过index修改索引
特殊功能：
传入“年”或“年月”作为切片方式 传入日期范围作为切片方式 丰富的函数支持：resample(), strftime(), …… 批量转换为datetime对象：to_pydatetime() a.resample("3D").mean() # 计算每三天的均值 a.resample("3D").sum() # 计算每三天的和 ...
数据分组和聚合
分组(GroupBY机制)
聚合(组内应用某个函数)
apply
透视表和交叉表
聚合(组内应用某个函数)
聚合是指任何能够从数组产生标量值的数据转换过程。刚才上面的操作会发现使用GroupBy并不会直接得到一个显性的结果
，而是一个中间数据，可以通过执行类似mean、count、min等计算得出结果，常见的还有一些
apply
GroupBy当中自由度最高的方法就是apply，它会将待处理的对象拆分为多个片段，然后各个片段分别调用传入的函数，最后将它们组合到一起。
df.apply( ['func', 'axis=0', 'broadcast=None', 'raw=False', 'reduce=None', 'result_type=None', 'args=()', '**kwds'] func:传入一个自定义函数 axis:函数传入参数当axis=1就会把一行数据作为Series的数据
# 分析欧洲杯和欧洲冠军联赛决赛名单 import pandas as pd url="https://en.wikipedia.org/wiki/List_of_European_Cup_and_UEFA_Champions_League_finals" eu_champions=pd.read_html(url) # 获取数据 a1 = eu_champions[2] # 取出决赛名单 a1.columns = a1.loc[0] # 使用第一行的数据替换默认的横向索引 a1.drop(0,inplace=True) # 将第一行的数据删除 a1.drop('#',axis=1,inplace=True) # 将以#为列名的那一列删除 a1.columns=['Season', 'Nation', 'Winners', 'Score', 'Runners_up', 'Runners_up_Nation', 'Venue','Attendance'] # 设置列名 a1.tail() # 查看后五行数据 a1.drop([64,65],inplace=True) # 删除其中的缺失行以及无用行 a1
其他常用方法
pandas常用方法（适用Series和DataFrame） mean(axis=0,skipna=False) sum(axis=1) # x sort_index(axis, …, ascending) # 按行或列索引排序 sort_values(by, axis, ascending) # 按值排序 apply(func, axis=0) # 将自定义函数应用在各行或者各列上，func可返回标量或者Series applymap(func) # 将函数应用在DataFrame各个元素上 map(func) # 将函数应用在Series各个元素上