前言
本文主要給大家介紹了關于python/266925.html">python/121127.html">python中Numpy和Pandas使用的相關資料，分享出來供大家參考學習，下面話不多說了，來一起看看詳細的介紹吧。
它們是什么？
NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。
Pandas是基于NumPy 的一種工具，該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。Pandas提供了大量能使我們快速便捷地處理數據的函數和方法。
List、Numpy與Pandas
Numpy與List
相同之處：
不同之處：
Pandas與Numpy
相同之處：
不同之處：Pandas擁有Numpy一些沒有的方法，例如describe函數。其主要區別是：Numpy就像增強版的List，而Pandas就像列表和字典的合集，Pandas有索引。
Numpy使用
1、基本操作
import numpy as np#創建Numpyp1 = np.array([1, 2, 3])print p1print p1.dtype
[1 2 3]int64
#求平均值print p1.mean()
2.0
#求標準差print p1.std()
0.816496580928
#求和、求最大值、求最小值print p1.sum()print p1.max()print p1.min()
631
#求最大值所在位置print p1.argmax()
2
2、向量運算
p1 = np.array([1, 2, 3])p2 = np.array([2, 5, 7])
#向量相加，各個元素相加print p1 + p2
[ 3 7 10]
#向量乘以1個常數print p1 * 2
[2 4 6]
#向量相減print p1 - p2
[-1 -3 -4]
#向量相乘，各個元素之間做運算print p1 * p2
[ 2 10 21]
#向量與一個常數比較print p1 > 2
[False False True]
3、索引數組
首先，看下面一幅圖，理解下
然后，咱們用代碼實現看下
a = np.array([1, 2, 3, 4, 5])print a
[1 2 3 4 5]
b = a > 2print b
[False False True True True]
print a[b]
[3 4 5]
a[b]中，只會保留a中所對應的b位置為True的元素
4、原地與非原地
咱們先來看一組運算：
a = np.array([1, 2, 3, 4])b = aa += np.array([1, 1, 1, 1])print b
[2 3 4 5]
a = np.array([1, 2, 3, 4])b = aa = a + np.array([1, 1, 1, 1])print b
[1 2 3 4]
從上面結果可以看出來，+=改變了原來數組，而+沒有。這是因為：
5、Numpy中的切片與List的切片
l1 = [1, 2, 3, 5]l2 = l1[0:2]l2[0] = 5print l2print l1
[5, 2][1, 2, 3, 5]
p1 = np.array([1, 2, 3, 5])p2 = p1[0:2]p2[0] = 5print p1print p2
[5 2 3 5][5 2]
從上可知，List中改變切片中的元素，不會影響原來的數組；而Numpy改變切片中的元素，原來的數組也跟著變了。這是因為：Numpy的切片編程不會創建一個新數組出來，當修改對應的切片也會更改原始的數組數據。這樣的機制，可以讓Numpy比原生數組操作更快，但編程時需要注意。
6、二維數組的操作
p1 = np.array([[1, 2, 3], [7, 8, 9], [2, 4, 5]])#獲取其中一維數組print p1[0]
[1 2 3]
#獲取其中一個元素，注意它可以是p1[0, 1]，也可以p1[0][1]print p1[0, 1]print p1[0][1]
22
#求和是求所有元素的和print p1.sum()
41[10 14 17]
但，當設置axis參數時，當設置為0時，是計算每一列的結果，然后返回一個一維數組；若是設置為1時，則是計算每一行的結果，然后返回一維數組。對于二維數組，Numpy中很多函數都可以設置axis參數。
#獲取每一列的結果print p1.sum(axis=0)
[10 14 17]
#獲取每一行的結果print p1.sum(axis=1)
[ 6 24 11]
#mean函數也可以設置axisprint p1.mean(axis=0)
[ 3.33333333 4.66666667 5.66666667]
Pandas使用
Pandas有兩種結構，分別是Series和DataFrame。其中Series擁有Numpy的所有功能，可以認為是簡單的一維數組；而DataFrame是將多個Series按列合并而成的二維數據結構，每一列單獨取出來是一個Series。
咱們主要梳理下Numpy沒有的功能：
1、簡單基本使用
import pandas as pdpd1 = pd.Series([1, 2, 3])print pd1
0 11 22 3dtype: int64
#也可以求和和標準偏差print pd1.sum()print pd1.std()
61.0
2、索引
（1）Series中的索引
p1 = pd.Series( [1, 2, 3], index = ['a', 'b', 'c'])print p1
a 1b 2c 3dtype: int64
print p1['a']
（2）DataFrame數組
p1 = pd.DataFrame({ 'name': ['Jack', 'Lucy', 'Coke'], 'age': [18, 19, 21]})print p1age name0 18 Jack1 19 Lucy2 21 Coke
#獲取name一列print p1['name']
0 Jack1 Lucy2 CokeName: name, dtype: object
#獲取姓名的第一個print p1['name'][0]
Jack
#使用p1[0]不能獲取第一行，但是可以使用ilocprint p1.iloc[0]
age 18name JackName: 0, dtype: object
總結：
3、apply使用
apply可以操作Pandas里面的元素，當庫里面沒用對應的方法時，可以通過apply來進行封裝
def func(value): return value * 3pd1 = pd.Series([1, 2, 5])
print pd1.apply(func)
0 31 62 15dtype: int64
同樣可以在DataFrame上使用：
pd2 = pd.DataFrame({ 'name': ['Jack', 'Lucy', 'Coke'], 'age': [18, 19, 21]})print pd2.apply(func)age name0 54 JackJackJack1 57 LucyLucyLucy2 63 CokeCokeCoke
4、axis參數
Pandas設置axis時，與Numpy有點區別：
pd2 = pd.DataFrame({ 'weight': [120, 130, 150], 'age': [18, 19, 21]})0 1381 1492 171dtype: int64
#計算每一行的值print pd2.sum(axis='columns')
0 1381 1492 171dtype: int64
#計算每一列的值print pd2.sum(axis='index')
age 58weight 400dtype: int64
5、分組
pd2 = pd.DataFrame({ 'name': ['Jack', 'Lucy', 'Coke', 'Pol', 'Tude'], 'age': [18, 19, 21, 21, 19]})#以年齡分組print pd2.groupby('age').groups{18: Int64Index([0], dtype='int64'), 19: Int64Index([1, 4], dtype='int64'), 21: Int64Index([2, 3], dtype='int64')}6、向量運算
需要注意的是，索引數組相加時，對應的索引相加
pd1 = pd.Series( [1, 2, 3], index = ['a', 'b', 'c'])pd2 = pd.Series( [1, 2, 3], index = ['a', 'c', 'd'])
print pd1 + pd2
a 2.0b NaNc 5.0d NaNdtype: float64
出現了NAN值，如果我們期望NAN不出現，如何處理？使用add函數，并設置fill_value參數
print pd1.add(pd2, fill_value=0)
a 2.0b 2.0c 5.0d 3.0dtype: float64
同樣，它可以應用在Pandas的dataFrame中，只是需要注意列與行都要對應起來。
總結
這一周學習了優達學城上分析基礎的課程，使用的是Numpy與Pandas。對于Numpy，以前在Tensorflow中用過，但是很不明白，這次學習之后，才知道那么簡單，算是有一定的收獲。
好了，以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網的支持。
新聞熱點
疑難解答
