网站建设参考书,申请域名要多少钱,vps可以用了做网站吗,网站建设合同中英文模板numpy、pandas、matplotlib
1. numpy
numpy#xff08;Numerical Python 的简称#xff09;是 Python 语言的一个扩展程序库#xff0c;支持大量的维度数组与矩阵运算#xff0c;此外也针对数组运算提供大量的数学函数库。它的主要特点是#xff1a; N维数组对象#x…
numpy、pandas、matplotlib
1. numpy
numpyNumerical Python 的简称是 Python 语言的一个扩展程序库支持大量的维度数组与矩阵运算此外也针对数组运算提供大量的数学函数库。它的主要特点是 N维数组对象用于存储单一数据类型的多维数组。
快速的元素级运算如加法、减法、乘法等。
广播一种强大的机制使得不同大小的数组之间可以进行数学运算。
线性代数、统计和傅里叶变换等提供了大量的高级数学函数。 常用代码 numpyNumerical Python 的简称是 Python 中的一个基础库用于处理大型多维数组和矩阵以及执行各种与这些数组相关的数学操作。以下是一些 numpy 的常用代码示例
1. 导入 numpy
python复制代码 import numpy as np
2. 创建数组
python复制代码 # 一维数组 arr1d np.array([1, 2, 3, 4, 5]) # 二维数组矩阵 arr2d np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 使用 zeros, ones, empty 创建特定形状的数组 zeros_arr np.zeros((3, 3)) ones_arr np.ones((2, 4)) empty_arr np.empty((2, 3)) # 注意内容未初始化可能是任何值 # 使用 arange, linspace 创建一维数组 arange_arr np.arange(0, 10, 2) # 从 0 开始到 10不包括步长为 2 linspace_arr np.linspace(0, 1, 5) # 从 0 到 1生成 5 个等间隔的数 # 使用 random 创建随机数组 random_arr np.random.rand(3, 3) # 生成 0 到 1 之间的随机数 randint_arr np.random.randint(0, 10, (3, 3)) # 生成 0 到 9 之间的随机整数
3. 数组操作
python复制代码 # 数组运算元素级 result arr1d arr1d # 对应元素相加 result arr2d * 2 # 所有元素乘以 2 # 索引和切片 element arr2d[0, 0] # 获取第一个元素 row arr2d[1, :] # 获取第二行 col arr2d[:, 1] # 获取第二列 # 形状shape和大小size shape arr2d.shape # 获取形状例如 (3, 3) size arr2d.size # 获取元素总数 # 数据类型dtype dtype arr1d.dtype # 获取数据类型例如 dtype(int64) # 排序 sorted_arr np.sort(arr1d) # 条件选择 mask arr1d 3 selected_elements arr1d[mask] # 数组重塑reshape reshaped_arr arr1d.reshape((1, 5)) # 连接数组concatenate concat_arr np.concatenate((arr1d, [6, 7])) # 数组转置transpose transposed_arr arr2d.T # 矩阵乘法 dot_product np.dot(arr2d, arr2d.T)
4. 统计和聚合
python复制代码 # 最小值、最大值、平均值、中位数等 min_val np.min(arr1d) max_val np.max(arr1d) mean_val np.mean(arr1d) median_val np.median(arr1d) # 标准差和方差 std_dev np.std(arr1d) variance np.var(arr1d) # 沿指定轴求和 sum_axis0 np.sum(arr2d, axis0) sum_axis1 np.sum(arr2d, axis1)
5. 查找和搜索
python复制代码 # 非零元素的索引 nonzero_indices np.nonzero(arr1d) # 查找特定值的位置 positions np.where(arr1d 3) # 查找唯一值和它们的计数 unique_values, counts np.unique(arr1d, return_countsTrue) 2. pandas
pandas 是一个强大的数据分析工具包提供了数据结构和数据分析工具能够处理和分析大量数据。其主要特点包括 DataFrame二维的、大小可变的、可以包含异质类型列的表格型数据结构。
Series一维的、大小可变的、可以包含任何数据类型的数组以及一组与之相关的数据标签索引。
数据读取/写入可以从各种文件格式如 CSV、Excel、SQL 数据库等中读取数据也可以将数据写入这些格式。
数据处理提供了数据清洗、转换、合并、重塑等多种功能。
统计分析提供了各种统计函数和方法。 pandas常用代码 pandas 是 Python 中一个强大的数据分析库它提供了数据结构如 DataFrame 和 Series以及一系列用于数据清洗、转换、分析和可视化的工具。以下是一些 pandas 的常用代码示例
1. 导入 pandas
python复制代码 import pandas as pd
2. 创建 DataFrame
python复制代码 # 从字典创建 DataFrame data { Name: [Alice, Bob, Charlie], Age: [25, 30, 35], City: [New York, San Francisco, Los Angeles] } df pd.DataFrame(data) # 从 CSV 文件读取 DataFrame df pd.read_csv(data.csv) # 从 SQL 数据库读取 DataFrame # 需要安装 sqlalchemy 和数据库连接库如 pymysql from sqlalchemy import create_engine engine create_engine(mysqlpymysql://user:passwordlocalhost:3306/dbname) df pd.read_sql_table(table_name, engine)
3. 查看 DataFrame 信息
python复制代码 # 显示前几行 print(df.head()) # 显示后几行 print(df.tail()) # 显示 DataFrame 的结构列名、数据类型和非空值数量 print(df.info()) # 显示 DataFrame 的前几行和列的数据类型 print(df.dtypes) # 显示 DataFrame 的描述性统计信息 print(df.describe())
4. 选择数据
python复制代码 # 选择列 print(df[Age]) # 选择多列 print(df[[Name, Age]]) # 使用 loc 和 iloc 选择行 print(df.loc[0]) # 选择第一行 print(df.iloc[0]) # 同样选择第一行但基于整数位置 # 基于条件选择行 print(df[df[Age] 30])
5. 数据清洗和转换
python复制代码 # 处理缺失值 df.fillna(0, inplaceTrue) # 将缺失值替换为 0 # 重命名列名 df.rename(columns{Age: Age_Years}, inplaceTrue) # 删除列 df.drop(City, axis1, inplaceTrue) # 删除行 df.drop(df[df[Age_Years] 30].index, inplaceTrue) # 数据类型转换 df[Age_Years] df[Age_Years].astype(int) # 字符串操作例如将字符串转为大写 df[Name] df[Name].str.upper() # 应用函数到 DataFrame 的每个元素 df[Age_Squared] df[Age_Years].apply(lambda x: x**2)
6. 数据分组和聚合
python复制代码 # 使用 groupby 进行分组 grouped df.groupby(City) # 对分组后的数据进行聚合例如计算每个城市的平均年龄 agg_result grouped[Age_Years].mean() # 多重聚合 agg_result grouped.agg({Age_Years: [mean, count]})
7. 数据排序
python复制代码 # 按列排序 df_sorted df.sort_values(byAge_Years) # 按多列排序 df_sorted_multi df.sort_values(by[City, Age_Years])
8. 保存到文件
python复制代码 # 保存到 CSV 文件 df.to_csv(output.csv, indexFalse) # 保存到 Excel 文件 df.to_excel(output.xlsx, indexFalse) # 保存到 SQL 数据库 df.to_sql(table_name, engine, if_existsreplace, indexFalse) 3. matplotlib
matplotlib 是一个 Python 2D 绘图库它提供了类似于 MATLAB 的绘图框架和界面可以用于绘制各种静态、动态、交互式的可视化图形。其主要特点包括 简单的绘图语法类似于 MATLAB 的绘图命令易于上手。
丰富的图形类型支持折线图、散点图、柱状图、饼图等多种图形类型。
精细的图形控制可以控制图形的颜色、线条样式、坐标轴标签等。
交互性可以与图形进行交互如放大、缩小、拖动等。
集成性可以与 numpy、pandas 等库无缝集成方便地进行数据分析和可视化。 matplotlib 是 Python 中一个非常流行的绘图库它提供了丰富的绘图功能和接口。以下是一些 matplotlib 的常用代码示例
1. 导入 matplotlib
python复制代码 import matplotlib.pyplot as plt
2. 绘制折线图
python复制代码 x [1, 2, 3, 4, 5] y [2, 4, 6, 8, 10] plt.plot(x, y) plt.title(Line Plot) plt.xlabel(X Axis) plt.ylabel(Y Axis) plt.show()
3. 绘制散点图
python复制代码 x [1, 2, 3, 4, 5] y [2, 3, 5, 7, 11] plt.scatter(x, y) plt.title(Scatter Plot) plt.xlabel(X Axis) plt.ylabel(Y Axis) plt.show()
4. 绘制柱状图
python复制代码 x [A, B, C, D, E] y [2, 4, 6, 8, 10] plt.bar(x, y) plt.title(Bar Plot) plt.xlabel(Category) plt.ylabel(Value) plt.show()
5. 绘制饼图
python复制代码 labels [A, B, C, D, E] sizes [15, 30, 45, 10, 5] plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90) plt.axis(equal) # Equal aspect ratio ensures that pie is drawn as a circle. plt.show()
6. 绘制直方图
python复制代码 data [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5] plt.hist(data, bins5, edgecolorblack) plt.title(Histogram) plt.xlabel(Value) plt.ylabel(Frequency) plt.show()
7. 绘制多个子图
python复制代码 plt.figure(figsize(10, 6)) plt.subplot(2, 2, 1) # 2 rows, 2 columns, first plot plt.plot(x, y) plt.title(First Plot) plt.subplot(2, 2, 2) # second plot plt.scatter(x, y) plt.title(Second Plot) plt.subplot(2, 2, 3) # third plot plt.bar(x, y) plt.title(Third Plot) plt.tight_layout() # Adjusts spacing between subplots plt.show()
8. 添加图例
python复制代码 x [1, 2, 3, 4, 5] y1 [2, 4, 6, 8, 10] y2 [3, 5, 7, 9, 11] plt.plot(x, y1, labelLine 1) plt.plot(x, y2, labelLine 2) plt.legend() plt.title(Line Plot with Legend) plt.xlabel(X Axis) plt.ylabel(Y Axis) plt.show()
9. 自定义颜色、线型等
python复制代码 x [1, 2, 3, 4, 5] y [2, 4, 6, 8, 10] plt.plot(x, y, colorred, linestyle--, markero) plt.title(Customized Line Plot) plt.xlabel(X Axis) plt.ylabel(Y Axis) plt.show() numpy
import numpy as np#创建数组# 一维数组
arr1d np.array([1, 2, 3, 4, 5])# 二维数组矩阵
arr2d np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 使用 zeros, ones, empty 创建特定形状的数组
zeros_arr np.zeros((3, 3))
ones_arr np.ones((2, 4))
empty_arr np.empty((2, 3)) # 注意内容未初始化可能是任何值# 使用 arange, linspace 创建一维数组
arange_arr np.arange(0, 10, 2) # 从 0 开始到 10不包括步长为 2
linspace_arr np.linspace(0, 1, 5) # 从 0 到 1生成 5 个等间隔的数# 使用 random 创建随机数组
random_arr np.random.rand(3, 3) # 生成 0 到 1 之间的随机数
randint_arr np.random.randint(0, 10, (3, 3)) # 生成 0 到 9 之间的随机整数#数组操作# 数组运算元素级
result arr1d arr1d # 对应元素相加
result arr2d * 2 # 所有元素乘以 2# 索引和切片
element arr2d[0, 0] # 获取第一个元素
row arr2d[1, :] # 获取第二行
col arr2d[:, 1] # 获取第二列# 形状shape和大小size
shape arr2d.shape # 获取形状例如 (3, 3)
size arr2d.size # 获取元素总数# 数据类型dtype
dtype arr1d.dtype # 获取数据类型例如 dtype(int64)# 排序
sorted_arr np.sort(arr1d)# 条件选择
mask arr1d 3
selected_elements arr1d[mask]# 数组重塑reshape
reshaped_arr arr1d.reshape((1, 5))# 连接数组concatenate
concat_arr np.concatenate((arr1d, [6, 7]))# 数组转置transpose
transposed_arr arr2d.T# 矩阵乘法
dot_product np.dot(arr2d, arr2d.T)#统计和聚合# 最小值、最大值、平均值、中位数等
min_val np.min(arr1d)
max_val np.max(arr1d)
mean_val np.mean(arr1d)
median_val np.median(arr1d)# 标准差和方差
std_dev np.std(arr1d)
variance np.var(arr1d)# 沿指定轴求和
sum_axis0 np.sum(arr2d, axis0)
sum_axis1 np.sum(arr2d, axis1)#查找和搜索# 非零元素的索引
nonzero_indices np.nonzero(arr1d)# 查找特定值的位置
positions np.where(arr1d 3)# 查找唯一值和它们的计数
unique_values, counts np.unique(arr1d, return_countsTrue)pandas import pandas as pd#创建DataFrame和Series# 创建 DataFrame
data {Name: [Alice, Bob, Charlie], Age: [25, 30, 35], City: [New York, Paris, London]}
df pd.DataFrame(data)# 创建 Series
s pd.Series([1, 2, 3, 4], nameNumbers)#读取和写入数据# 读取 CSV 文件
df pd.read_csv(data.csv)# 写入 CSV 文件
df.to_csv(output.csv, indexFalse)# 读取 Excel 文件
df pd.read_excel(data.xlsx)# 写入 Excel 文件
df.to_excel(output.xlsx, indexFalse)#选择数据# 选择列
ages df[Age]# 选择多列
info df[[Name, Age]]# 选择行
first_row df.iloc[0] # 使用整数位置
bob_row df[df[Name] Bob] # 使用条件 # 选择特定行和列
selected_data df.loc[df[Age] 30, [Name, City]]#数据处理# 对某列应用函数
df[AgeSquared] df[Age] ** 2# 替换值
df.replace({City: {New York: NYC}}, inplaceTrue)# 删除列
df.drop(AgeSquared, axis1, inplaceTrue)# 删除行基于条件
df df[df[Age] 20]# 数据排序
df_sorted df.sort_values(byAge)# 数据分组和聚合
grouped df.groupby(City)[Age].mean()#数据合并和连接# 合并两个 DataFrame基于索引
df1 pd.DataFrame({A: [A0, A1, A2, A3],B: [B0, B1, B2, B3],key: [K0, K0, K1, K1],C: [C0, C1, C2, C3]})df2 pd.DataFrame({A: [A4, A5, A6, A7],B: [B4, B5, B6, B7],key: [K0, K1, K0, K1],D: [D0, D1, D2, D3]})merged pd.merge(df1, df2, onkey)# 连接两个 DataFrame基于索引
concatenated pd.concat([df1, df2], ignore_indexTrue)#数据统计# 描述性统计
stats df.describe()# 唯一值计数
unique_counts df[City].value_counts()# 空值检查
null_counts df.isnull().sum()#数据可视化
# 绘制直方图
df[Age].plot(kindhist, bins20)# 使用 seaborn 进行更复杂的可视化
import seaborn as snssns.barplot(xCity, yAge, datadf)matplotlib
import matplotlib.pyplot as plt#绘制折线图x [1, 2, 3, 4, 5]
y [2, 4, 6, 8, 10]plt.plot(x, y)
plt.title(Line Plot)
plt.xlabel(X Axis)
plt.ylabel(Y Axis)
plt.show()#绘制散点图x [1, 2, 3, 4, 5]
y [2, 3, 5, 7, 11]plt.scatter(x, y)
plt.title(Scatter Plot)
plt.xlabel(X Axis)
plt.ylabel(Y Axis)
plt.show()#绘制柱状图x [A, B, C, D, E]
y [2, 4, 6, 8, 10]plt.bar(x, y)
plt.title(Bar Plot)
plt.xlabel(Category)
plt.ylabel(Value)
plt.show()#绘制饼图labels [A, B, C, D, E]
sizes [15, 30, 45, 10, 5]plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90)
plt.axis(equal) # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()#绘制直方图data [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5]plt.hist(data, bins5, edgecolorblack)
plt.title(Histogram)
plt.xlabel(Value)
plt.ylabel(Frequency)
plt.show()#绘制多个子图plt.figure(figsize(10, 6))plt.subplot(2, 2, 1) # 2 rows, 2 columns, first plot
plt.plot(x, y)
plt.title(First Plot)plt.subplot(2, 2, 2) # second plot
plt.scatter(x, y)
plt.title(Second Plot)plt.subplot(2, 2, 3) # third plot
plt.bar(x, y)
plt.title(Third Plot)plt.tight_layout() # Adjusts spacing between subplots
plt.show()#添加图例x [1, 2, 3, 4, 5]
y1 [2, 4, 6, 8, 10]
y2 [3, 5, 7, 9, 11]plt.plot(x, y1, labelLine 1)
plt.plot(x, y2, labelLine 2)
plt.legend()
plt.title(Line Plot with Legend)
plt.xlabel(X Axis)
plt.ylabel(Y Axis)
plt.show()#自定义颜色、线型等x [1, 2, 3, 4, 5]
y [2, 4, 6, 8, 10]plt.plot(x, y, colorred, linestyle--, markero)
plt.title(Customized Line Plot)
plt.xlabel(X Axis)
plt.ylabel(Y Axis)
plt.show()
