Numpy
np.array()
#数组的存储数据类型必须是统一的，如果不是统一的会按照 #str>float>int #转换为统一类型
np.array([1,2,3]) #返回一个一维数组
arry = np.array([[1,2,3],[1,1,1],[1,1,1]]) #返回二维数组
arry.shape()
arry.shape(arry) #传入一个数组 返回数组的形状
np.full()
np.full(shape=(5,6),fill_value = 55) #返回一个指定纬度的制定值的数组
np.linspace()
np.linspace(0,100,num=10) #返回一个指定区间等差数列 一维数组
np.arange()
np.arange(0,100,2) #返回一个指定区间的一维数组
np.random.randint()
np.random.randint(0,100,size=(6,7)) #返回指定维度,指定区间的,随机数组
np.random.seed()
np.random.seed(10) #固定随机因子
np.random.random()
np.random.random(size=(4,5)) #返回0到1之间 ,指定维度的二维数组
属性
arry.ndim # 返回数组的形状
arry.size #返回数组的大小
arry.dtype #返回数组元素的类型
切片
#,左边是行 右边是列
arr[0:2] #切前两行
arr[:,0:2] 切前两列
arr[::-1] #行倒叙
arr[:,::] #列倒序
变形
#保证改变的形状要可以装的下原本形状
arr1.reshape((4)) # 指定数组的形状
arr1.reshape((2,-1)) #-1是计算机自己计算
级联
#0 是列 1是行
#必须保证级联的 行/列 是一样的
a1 = np.random.randint(0,10,size=(4,5))
a2 = np.random.randint(0,10,size=(4,5))
np.concatenate((a1,a2),axis=0)
切分
#0是行 1是列
np.split(al,[2],axis=1)
聚合
0是列 1是行 不写是全部
a1.sum(axis=0) #求每一列的和
a1.sum() #求全部的和
排序
0是列 1是行
np.sort(a1,axis=0) #每一列从小到大排序 返回新的数组
a1.sort(axis=1) #没一行排序 映射会原数组
Pandas
导包
impost pandas as pd
from pandas import Series,DataFrame
Series
#Series必须是一维
s1 = Series(data=[1,2,3,4,5]) #创建一个Series对象 隐式索引
s1[0] #1
s2 = Series(data=[1,2,3,4,5],index=['a','b','c','d','e') #创建一个Series对象 隐式索引 和显示索引
s2['a'] #1
a1[[1,2,3]] #1,2,3
loc显示索引
iloc 是隐私索引
a['7'] = 7 增加一个值
notnill #值是nitll返回Flase
isnill #值是nitll返回True
DataFrame
创建
DataFrame(data=np.random.randint(60,120,size=(3,3),index=['a','b','c'],columns=['A','B','C'])
#data 数据源 size 形状 index 行显示索引 columns 列显示索引
#字典的 key是列索引
dfc = {
'张三':[150,150,150],
'李四':[0,0,0,0]
}
DataFrame(data=dic)
属性
df.values() #显示数据源
df.index() #返回行索引
df.columns() #返回列索引
df.shape() #返回DataFrame的形状
修改索引
df.index = ['值','值']修改行索引
df.columns = ['值','值'] 修改列索引
取值
#中括号中显示索引 获取列
df['lisi'] #获取列
df[['lisi','张三']]#获取多列
loc # 显示索引 ,左边是行 右边是列
df.loc['语文'] #获取行
iloc # 隐式索引 ,左边是行 右边是列
df.iloc[0] #获取行的
df.ioc[['理综','数学'],'张三'] #取得一列的多行
切片
左边是行 右边是列 直接[]代表行
df[0:2] #获取前两行
df.iloc[:,0:2] #获取前两列
df.loc[:,'张三':'李四'] #显示索引切出前两列
df['语文':'数学'] #显示索引取出前两行
运算
qizhong = df
qimo = df
qimo['张三'] = [145,140,150,138] #修改qimo中张三列的行成绩
(qizhong + qimo)/2 #qizhong 加上 qimo 除与2
qizhong.loc['数学',zhangsan] = 0 #取出张三列,的数学成绩全部改为0
数据清洗
all,any 1是行 0是列
df.isnill #把所有的值以布尔值显示是nill的显示True
df.isnill().any(axis=1) #any只要有true就显示true or
df.isnill().all(axis=1) #全部是true就返回True否则返回Flse
drop_index = df.loc[df.isnill().any(axis=1)].index #获取所有带有空值的行索引
drop行是0 列是1
df.drop(labels=drop_index,axis=0) #删除索引对应的行
df.dropna(axis=0) #删除有空值的行
filna 1是行 0是列
df.filna(value=33) # 用333填充所有空值
df.filna(method='bfill',axis=0) # 用列下面的值进行填充
df.filna(method='ffill',axis=0) # 用列上面的值进行填充
df.filna(method='ffill',axis=1) # 用行前面的值进行填充
df.filna(method='bfill',axis=1) # 用行后面的值进行填充
matplotlib
plt.imread()
img_arr = plt.imread('./cat.jpg') #返回一个图片对应维度的数组
img_arr = img_arr - 50 #可以进行减法操作
plt.imshow()
plt.imshow(img_arr) #放入图片对应维度的数组显示图片
