4.4 擴(kuò)展庫Scipy
- Numpy
- Matplotlib
- Panadas
Numpy
Numpy主要實(shí)現(xiàn)的是數(shù)據(jù)結(jié)構(gòu)瑞筐，比如線性矩陣
Numpy介紹
import numpy as np
a = np.ones((3,4))
print(a)
Scipy核心庫
簡單來說科學(xué)計(jì)算主要集中在里頭啦
Scipy核心庫
Matplotlib
方便作圖凄鼻，曲線直方圖等等
Matplotlib
Pandas
核心在于高效的Series和DataFrame數(shù)據(jù)結(jié)構(gòu)
Pandas
4.5 ndarray
基本分類
Python中的列表（list、tuple）元素可以是任何類型聚假，所以保存的是指向元素的指針
array模塊
通過array函數(shù)來創(chuàng)建數(shù)組块蚌，array.array("B", range(5)),不支持多維數(shù)組，數(shù)組方法也不盡夠用ndarray
NumPy中的基本數(shù)據(jù)結(jié)構(gòu)膘格，別名array峭范，結(jié)構(gòu)如下
ndarray基本結(jié)構(gòu)
基本屬性有：
- ndarray.ndim(秩)
- ndarray.shape(維度)
- ndarray.size(元素個(gè)數(shù))
- ndarray.type(元素類型）
- ndarray.itemsize(元素大小）
ndarray的創(chuàng)建
- array()
參數(shù)為序列
np.array([1,2,3])
np.array([(1,2,3),(4,5,6)])
- arange()
和range類似瘪贱，但此處可以處理浮點(diǎn)數(shù)
np.arange(1,5, 0.5)
- random()
np.random.random(2,2)
- linspace()
np.linspace(1, 2, 10, endpoint = False)
- ones()纱控、zeros（）
- fromfunction()
np.fromfunction(lambda i, j: (i+1)*(j+1), (9,9))
ndarray的操作
-
切片
ndarray切片 arrray.reshape()
改變原有形狀，更像矩陣?yán)锩娴霓D(zhuǎn)秩
ndarray的運(yùn)算
常用的加減乘除皆可使用菜秦，形狀不同也可適應(yīng)甜害，源于廣播的理念
NumPy中較小的數(shù)組會(huì)廣播到較大數(shù)組的大小，使它們的形狀兼容喷户，其中較小數(shù)組維度的長度為1唾那，例如：
a = np.array([1, 2, 3])
b = np.array([[4, 5, 6], [7, 8, 9]])
#將數(shù)組a按數(shù)組b擴(kuò)展成了維度為(2, 3)的數(shù)組，第1行新值與第0行一樣為“[1, 2, 3]”
- sum()、min()闹获、max()可再numpy運(yùn)算函數(shù)方法
aArray = np.array([(1,2,3), (4,5,6)])
aArray.sum()
Out[25]: 21
aArray.sum(axis = 0)
Out[26]: array([5, 7, 9])
aArray.sum(axis = 1)
Out[27]: array([ 6, 15])
aArray.min()
Out[28]: 1
aArray.max()
Out[29]: 6
4.6變長字典Series
- 類似一維數(shù)組對象
- 由數(shù)據(jù)和索引組成
from pandas import Series
aSer = pd.Series([1,2,3,'a'],index = [1,2,3])
aSer.index
Out[16]: Index(['a', 'b', 'c', 'd'], dtype='object')
aSer.values
Out[17]: array([1, 2, 3, 'a'], dtype=object)
基本操作
- 基本加減乘除以及乘方等
- 數(shù)據(jù)對齊
#eg1
data = {'AXP':'86.40', 'CSCO':'112.64', 'BA':'99.44'}
sindex = ['AXP','CSCO','AAPL','BA']
aSer = pd.Series(data, index = sindex)
aSer
Out[26]:
AXP 86.40
CSCO 112.64
AAPL NaN
BA 99.44
dtype: object
#eg2
bSer = {'AXP':'86.40', 'CSCO':'112.64', 'CVX':'23.78'}
cSer = pd.Series(bSer)
aSer + cSer
Out[29]:
AAPL NaN
AXP 86.4086.40
BA NaN
CSCO 112.64112.64
CVX NaN
dtype: object
- name屬性
aSer.name = 'SeriesTest'
aSer.index.name = 'Volume'
aSer
Out[32]:
Volume
AXP 86.40
CSCO 112.64
AAPL NaN
BA 99.44
Name: SeriesTest, dtype: object
4.7 DataFrame
相較于series的一維結(jié)構(gòu)期犬，DataFrame是一個(gè)二維表格型數(shù)據(jù)結(jié)構(gòu)可以看做是**共享同一個(gè)index的Series集合
data = {'name':['Wangdachui', 'Linling', 'Niuyun'], 'sallery':[4000, 5000, 6000]}
frame = pd.DataFrame(data)
print(frame)
Out[35]:
name sallery
0 Wangdachui 4000
1 Linling 5000
2 Niuyun 6000
基本操作
- 獲取DataFrame對象的列和行可獲得Series（即可對數(shù)據(jù)進(jìn)行列分析）
frame['name']
frame['sallery']
- DataFrame對象的修改和刪除
frame['name'] = 'Admin'
frame
Out[40]:
name sallery
1 Admin 4000
2 Admin 5000
3 Admin 6000
del frame['name']
frame
Out[42]:
sallery
1 4000
2 5000
3 6000
- 對index.name 進(jìn)行設(shè)置
