1 Numpy
2 np.array()
3 #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
4 np.array([1,2,3]) #返回一个一维数组
5 arry = np.array([[1,2,3],[1,1,1],[1,1,1]]) #返回二维数组
6
7 arry.shape()
8 arry.shape(arry) #传入一个数组 返回数组的形状
9
10 np.full()
11 np.full(shape=(5,6),fill_value = 55) #返回一个指定纬度的制定值的数组
12
13 np.linspace()
14 np.linspace(0,100,num=10) #返回一个指定区间等差数列 一维数组
15
16 np.arange()
17 np.arange(0,100,2) #返回一个指定区间的一维数组
18
19 np.random.randint()
20 np.random.randint(0,100,size=(6,7)) #返回指定维度,指定区间的,随机数组
21
22 np.random.seed()
23 np.random.seed(10) #固定随机因子
24
25 np.random.random()
26 np.random.random(size=(4,5)) #返回0到1之间 ,指定维度的二维数组
27 属性
28 arry.ndim # 返回数组的形状
29
30 arry.size #返回数组的大小
31
32 arry.dtype #返回数组元素的类型
33
34 切片
35 #,左边是行 右边是列
36 arr[0:2] #切前两行
37 arr[:,0:2] 切前两列
38 arr[::-1] #行倒叙
39 arr[:,::] #列倒序
40
41 变形
42 #保证改变的形状要可以装的下原本形状
43 arr1.reshape((4)) # 指定数组的形状
44 arr1.reshape((2,-1)) #-1是计算机自己计算
45
46 级联
47 #0 是列 1是行
48 #必须保证级联的 行/列 是一样的
49
50 a1 = np.random.randint(0,10,size=(4,5))
51 a2 = np.random.randint(0,10,size=(4,5))
52
53 np.concatenate((a1,a2),axis=0)
54
55 切分
56 #0是行 1是列
57 np.split(al,[2],axis=1)
58
59
60 聚合
61 0是列 1是行 不写是全部
62 a1.sum(axis=0) #求每一列的和
63 a1.sum() #求全部的和
64 排序
65 0是列 1是行
66 np.sort(a1,axis=0) #每一列从小到大排序 返回新的数组
67 a1.sort(axis=1) #没一行排序 映射会原数组
68
69
70
71
72 Pandas
73 导包
74 impost pandas as pd
75 from pandas import Series,DataFrame
76
77 Series
78 #Series必须是一维
79 s1 = Series(data=[1,2,3,4,5]) #创建一个Series对象 隐式索引
80 s1[0] #1
81 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
82 s2['a'] #1
83
84 a1[[1,2,3]] #1,2,3
85
86 loc显示索引
87 iloc 是隐私索引
88
89 a['7'] = 7 增加一个值
90
91 notnill #值是nitll返回Flase
92 isnill #值是nitll返回True
93
94 DataFrame
95 创建
96
97 DataFrame(data=np.random.randint(60,120,size=(3,3),index=['a','b','c'],columns=['A','B','C'])
98 #data 数据源 size 形状 index 行显示索引 columns 列显示索引
99 #字典的 key是列索引
100 dfc = {
101 '张三':[150,150,150],
102 '李四':[0,0,0,0]
103 }
104
105 DataFrame(data=dic)
106
107 属性
108 df.values() #显示数据源
109 df.index() #返回行索引
110 df.columns() #返回列索引
111 df.shape() #返回DataFrame的形状
112
113 修改索引
114 df.index = ['值','值']修改行索引
115 df.columns = ['值','值'] 修改列索引
116 取值
117 #中括号中显示索引 获取列
118 df['lisi'] #获取列
119 df[['lisi','张三']]#获取多列
120
121 loc # 显示索引 ,左边是行 右边是列
122 df.loc['语文'] #获取行
123
124 iloc # 隐式索引 ,左边是行 右边是列
125 df.iloc[0] #获取行的
126
127 df.ioc[['理综','数学'],'张三'] #取得一列的多行
128
129
130 切片
131 左边是行 右边是列 直接[]代表行
132 df[0:2] #获取前两行
133
134 df.iloc[:,0:2] #获取前两列
135
136 df.loc[:,'张三':'李四'] #显示索引切出前两列
137
138 df['语文':'数学'] #显示索引取出前两行
139
140
141
142 运算
143 qizhong = df
144 qimo = df
145
146 qimo['张三'] = [145,140,150,138] #修改qimo中张三列的行成绩
147
148
149 (qizhong + qimo)/2 #qizhong 加上 qimo 除与2
150
151
152 qizhong.loc['数学',zhangsan] = 0 #取出张三列,的数学成绩全部改为0
153
154
155 数据清洗
156 all,any 1是行 0是列
157 df.isnill #把所有的值以布尔值显示是nill的显示True
158 df.isnill().any(axis=1) #any只要有true就显示true or
159 df.isnill().all(axis=1) #全部是true就返回True否则返回Flse
160 drop_index = df.loc[df.isnill().any(axis=1)].index #获取所有带有空值的行索引
161
162
163 drop行是0 列是1
164 df.drop(labels=drop_index,axis=0) #删除索引对应的行
165 df.dropna(axis=0) #删除有空值的行
166
167
168 filna 1是行 0是列
169 df.filna(value=33) # 用333填充所有空值
170 df.filna(method='bfill',axis=0) # 用列下面的值进行填充
171 df.filna(method='ffill',axis=0) # 用列上面的值进行填充
172 df.filna(method='ffill',axis=1) # 用行前面的值进行填充
173 df.filna(method='bfill',axis=1) # 用行后面的值进行填充
174
175
176 matplotlib
177 plt.imread()
178 img_arr = plt.imread('./cat.jpg') #返回一个图片对应维度的数组
179 img_arr = img_arr - 50 #可以进行减法操作
180
181 plt.imshow()
182 plt.imshow(img_arr) #放入图片对应维度的数组显示图片
