【一万字分析建议收藏】关于Python的NumPy和Pandas的详解_phthon的语言与pandas一样吗

关于Python的NumPy和Pandas

Python是一种高级编程语言，它的优点在于易于学习、易于阅读和易于维护。Python的NumPy和Pandas是两个非常流行的库，它们可以帮助我们更好地处理数据。在本文中，我们将详细介绍NumPy和Pandas的使用方法。

一丶NumPy

NumPy是Python中的一个科学计算库，它提供了一个多维数组对象和一些用于处理数组的函数。NumPy的主要优点在于它可以处理大量的数据，而且速度非常快。NumPy的核心是ndarray对象，它是一个n维数组对象，可以存储相同类型的元素。

1.创建ndarray对象
我们可以使用NumPy中的array()函数来创建ndarray对象。下面是一个简单的例子：

import numpy as np

a = np.array([1, 2, 3])
print(a)
1
2
3
4

输出结果为：

[1 2 3]
1

我们还可以使用arange()函数来创建一个ndarray对象：

import numpy as np

a = np.arange(10)
print(a)
1
2
3
4

输出结果为：

[0 1 2 3 4 5 6 7 8 9]
1

NumPy中的数组可以通过多种方式创建，例如使用array()函数、使用arange()函数、使用linspace()函数等。下面是一个使用array()函数创建数组的例子：

import numpy as np

# 创建一个一维数组
a = np.array([1, 2, 3, 4, 5])
print(a)

# 创建一个二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
1
2
3
4
5
6
7
8
9

2.数组的形状和大小

我们可以使用shape属性来获取数组的形状：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)
1
2
3
4

输出结果为：

(2, 3)
1

我们还可以使用size属性来获取数组的大小：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.size)
1
2
3
4

输出结果为：

6
1

NumPy中的数组可以进行基本的数学运算、逻辑运算、切片、索引等操作。例如，可以对数组进行加减乘除、取反、求和、求平均值等操作：

import numpy as np

a = np.array([1, 2, 3, 4, 5])
b = np.array([6, 7, 8, 9, 10])

# 数组加法
c = a + b
print(c)

# 数组减法
d = a - b
print(d)

# 数组乘法
e = a * b
print(e)

# 数组除法
f = a / b
print(f)

# 数组取反
g = -a
print(g)

# 数组求和
h = np.sum(a)
print(h)

# 数组求平均值
i = np.mean(a)
print(i)
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
30
31
32

3.数组的索引和切片
我们可以使用索引和切片来访问数组中的元素。下面是一个简单的例子：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[0, 0])
print(a[1, 2])
print(a[:, 1])
1
2
3
4
5
6

输出结果为：

1
6
[2 5]
1
2
3

4.数组的运算
NumPy提供了一些用于数组运算的函数。下面是一些常用的函数：

import numpy as np

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

print(np.add(a, b))
print(np.subtract(a, b))
print(np.multiply(a, b))
print(np.divide(a, b))
print(np.power(a, b))
print(np.sqrt(a))
print(np.exp(a))
print(np.sin(a))
print(np.cos(a))
print(np.log(a))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出结果为：

[5 7 9]
[-3 -3 -3]
[ 4 10 18]
[0.25 0.4  0.5 ]
[  1  32 729]
[1.         1.41421356 1.73205081]
[ 2.71828183  7.3890561  20.08553692]
[0.84147098 0.90929743 0.14112001]
[ 0.54030231 -0.41614684 -0.9899925 ]
[0.         0.69314718 1.09861229]
1
2
3
4
5
6
7
8
9
10

二丶Pandas

Pandas是Python中的一个数据分析库，它提供了一些用于处理数据的函数和数据结构。Pandas的主要优点在于它可以处理大量的数据，而且速度非常快。Pandas的核心是DataFrame对象，它是一个二维表格，可以存储不同类型的元素。

1.创建DataFrame对象
我们可以使用Pandas中的DataFrame()函数来创建DataFrame对象。下面是一个简单的例子：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35], 'gender': ['F', 'M', 'M']}
df = pd.DataFrame(data)
print(df)
1
2
3
4
5

输出结果为：

       name  age gender
0     Alice   25      F
1       Bob   30      M
2  Charlie   35      M
1
2
3
4

DataFrame是一种类似于二维数组的数据结构，它可以存储任意类型的数据，并且可以通过行索引和列索引进行访问。DataFrame中的每个元素都有一个行索引和一个列索引，可以通过行索引和列索引进行访问。下面是一个使用DataFrame创建数据的例子：

import pandas as pd

# 创建一个DataFrame
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40]})
print(df)

# 创建一个带有行索引和列索引的DataFrame
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40]}, index=['a', 'b', 'c', 'd'])
print(df)
1
2
3
4
5
6
7
8
9

2.DataFrame的形状和大小
我们可以使用shape属性来获取DataFrame的形状：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35], 'gender': ['F', 'M', 'M']}
df = pd.DataFrame(data)
print(df.shape)
1
2
3
4
5

输出结果为：

(3, 3)
1

我们还可以使用size属性来获取DataFrame的大小：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35], 'gender': ['F', 'M', 'M']}
df = pd.DataFrame(data)
print(df.size)
1
2
3
4
5

输出结果为：

9
1

Series是一种类似于一维数组的数据结构，它可以存储任意类型的数据，并且可以通过索引进行访问。Series中的每个元素都有一个索引，可以通过索引进行访问。下面是一个使用Series创建数据的例子：

import pandas as pd

# 创建一个Series
s = pd.Series([1, 2, 3, 4, 5])
print(s)

# 创建一个带有索引的Series
s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
print(s)
1
2
3
4
5
6
7
8
9

3.DataFrame的索引和切片
我们可以使用索引和切片来访问DataFrame中的元素。下面是一个简单的例子：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35], 'gender': ['F', 'M', 'M']}
df = pd.DataFrame(data)
print(df.loc[0, 'name'])
print(df.loc[1, 'age'])
print(df.loc[:, 'gender'])
1
2
3
4
5
6
7

输出结果为：

Alice
30
0    F
1    M
2    M
Name: gender, dtype: object
1
2
3
4
5
6

4.DataFrame的运算
Pandas提供了一些用于DataFrame运算的函数。下面是一些常用的函数：

import pandas as pd

data1 = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35], 'gender': ['F', 'M', 'M']}
data2 = {'name': ['David', 'Edward', 'Frank'], 'age': [40, 45, 50], 'gender': ['M', 'M', 'M']}
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

print(pd.concat([df1, df2]))
print(pd.merge(df1, df2, on='gender'))
print(df1.groupby('gender').mean())
1
2
3
4
5
6
7
8
9
10

输出结果为：

       name  age gender
0     Alice   25      F
1       Bob   30      M
2  Charlie   35      M
0     David   40      M
1    Edward   45      M
2     Frank   50      M

     name_x  age_x gender  name_y  age_y
0       Bob     30      M   David     40
1       Bob     30      M  Edward     45
2  Charlie     35      M   David     40
3  Charlie     35      M  Edward     45

        age
gender     
F        25
M        32.5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Pandas中的数据可以通过多种方式读取和写入，例如使用read_csv()函数、使用read_excel()函数、使用to_csv()函数、使用to_excel()函数等。下面是一个使用read_csv()函数读取数据的例子：

import pandas as pd

# 读取CSV文件
df = pd.read_csv('data.csv')
print(df)
1
2
3
4
5

Pandas中的数据可以进行基本的数据清洗、数据处理、数据分析等操作。例如，可以对数据进行去重、缺失值处理、数据筛选、数据排序、数据分组、数据聚合等操作：

import pandas as pd

# 读取CSV文件
df = pd.read_csv('data.csv')

# 去重
df = df.drop_duplicates()

# 缺失值处理
df = df.fillna(0)

# 数据筛选
df = df[df['age'] > 30]

# 数据排序
df = df.sort_values(by='age')

# 数据分组
grouped = df.groupby('gender')

# 数据聚合
result = grouped['age'].mean()
print(result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

NumPy和Pandas是Python中最受欢迎的数据科学和分析库之一。NumPy提供了高性能的多维数组和矩阵计算功能，而Pandas则提供了高效的数据结构和数据分析工具。使用NumPy和Pandas可以方便地进行数据处理、数据分析和数据可视化等操作，是Python中数据科学和分析领域的重要工具。

三丶总结

本文介绍了Python中的NumPy和Pandas的使用方法。NumPy是一个科学计算库，它提供了一个多维数组对象和一些用于处理数组的函数。Pandas是一个数据分析库，它提供了一些用于处理数据的函数和数据结构。NumPy和Pandas都可以帮助我们更好地处理数据，提高数据分析的效率。

更多关注