商机互联公司做网站怎么样,wordpress导航网站,蔬菜配送网站建设,瀑布流模板中加入广告 wordpress在Python中#xff0c;NumPy、Pandas和Matplotlib是进行数据分析和数据可视化的三个核心库。它们各自有不同的功能#xff0c;但经常一起使用来处理和分析数据。
1、NumPy
NumPy#xff08;Numerical Python#xff09;是一个用于科学计算的库#xff0c;提供了高性能的…在Python中NumPy、Pandas和Matplotlib是进行数据分析和数据可视化的三个核心库。它们各自有不同的功能但经常一起使用来处理和分析数据。
1、NumPy
NumPyNumerical Python是一个用于科学计算的库提供了高性能的多维数组对象以及这些数组的操作工具。它是Pandas和Matplotlib的基础。
核心功能提供高性能的多维数组对象和数学运算工具
主要功能 创建和操作多维数组 数学函数如线性代数、傅里叶变换等
关键特性 广播机制不同形状数组间的运算 向量化操作避免显式循环 线性代数矩阵运算、特征值分解等
import numpy as np# 创建一个数组
arr np.array([1, 2, 3, 4, 5])
print(arr)# 创建二维数组
arr_2d np.array([[1, 2, 3], [4, 5, 6]])
print(arr_2d)
2、Pandas
核心功能提供高效的数据结构和数据分析工具
Pandas 是一个强大的数据分析工具库提供了快速、灵活和表达式丰富的数据结构旨在使“关系”或“标签”数据的处理既简单又直观。
主要功能 数据清洗和准备 数据分析和操作 数据聚合和分组 时间序列功能
关键特性 DataFrame二维表格型数据结构 时间序列强大的时间处理功能 数据清洗处理缺失值、重复值等 数据I/O支持多种文件格式读写
import pandas as pd
import numpy as np# 创建一个DataFrame
data {Name: [Tom, Nick, Krish, Jack],
Age: [20, 21, 19, 18]}
df pd.DataFrame(data)
print(df)# 读取CSV文件
df pd.read_csv(data.csv)
print(df.head()) # 显示前几行数据
3、Matplotlib
核心功能Python 的基础绘图库
Matplotlib 是一个绘图库用于创建静态、动态和交互式的可视化。它是Python中最常用的绘图库之一。
主要功能 创建各种静态、动态和交互式图表和图形 支持多种图表类型如线图、散点图、条形图等 高度可定制的外观和布局选项
关键特性 多种图表类型线图、柱状图、散点图、饼图等 高度可定制几乎可以调整所有视觉元素 面向对象和MATLAB风格两种API
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd# 使用Pandas创建数据
data {Name: [Tom, Nick, Krish, Jack], Age: [20, 21, 19, 18]}
df pd.DataFrame(data)# 使用Matplotlib绘制条形图
plt.bar(df[Name], df[Age])
plt.xlabel(Name)
plt.ylabel(Age)
plt.title(Age Distribution)
plt.show()
结合使用这三个库可以高效地进行数据处理、分析和可视化。可以使用Pandas来加载和处理数据使用NumPy进行数据处理例如数组操作然后使用Matplotlib来创建图表以展示分析结果
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt# 1. 使用NumPy进行数值计算
data np.random.randn(100, 4)# 2. 使用Pandas进行数据整理和分析
df pd.DataFrame(data, columns[A, B, C, D])
summary df.describe()# 3. 使用Matplotlib可视化结果
df.plot(kindbox)
plt.title(数据分布)
plt.show()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt# 使用Pandas读取数据并处理数据
df pd.read_csv(data.csv) # 假设有一个CSV文件data.csv包含一些数据
df[NewColumn] df[Column1] df[Column2] # 添加新列作为示例操作
df df[df[NewColumn] 100] # 数据过滤示例# 使用Matplotlib进行可视化
plt.figure(figsize(10, 6)) # 设置图表大小
plt.plot(df[Date], df[NewColumn], markero) # 绘制时间序列数据例如日期与某值的趋势图
plt.xlabel(Date) # X轴标签
plt.ylabel(Value) # Y轴标签
plt.title(Value Trend Over Time) # 图表标题
plt.grid(True) # 显示网格线提高可读性
plt.show() # 显示图表
一、安装NumPy环境
1、使用venv虚拟环境
在Python中使用venv虚拟环境有几个关键的好处这使得它成为管理项目依赖和环境的首选方法。
1、隔离性
使用venv可以创建一个独立的Python环境这意味着你可以为不同的项目安装不同版本的库而不会相互干扰。这对于避免依赖冲突非常有用。
2、版本控制
你可以为每个项目指定特定版本的Python解释器和库。这样你可以确保项目的稳定性和可重复性无论在哪个环境中运行代码。
3、简化依赖管理
使用venv你可以很容易地安装、更新或删除项目所需的库而不会影响到系统级的Python环境。这大大简化了依赖管理。
4、易于分享
当你需要将项目分享给其他人或在不同的机器上工作时venv可以确保所有必要的依赖都被包含在虚拟环境中使得项目的设置和运行变得简单。
创建虚拟环境 打开终端或命令提示符。 导航到你的项目目录。 运行以下命令来创建一个虚拟环境例如名为venv
# 使用 virtualenv 创建虚拟环
virtualenv .venv# 使用 Python 自带的 venv 模
python -m venv .venv
激活虚拟环境
# 在Windows上
venv\Scripts\activate# 在macOS和Linux上
source venv/bin/activate
2、安装 NumPyPandasMatplotlib
首先确保你的系统上已经安装了Python。你可以通过在终端或命令提示符中输入python --version或python3 --version来检查Python的版本
使用Python虚拟环境为了避免系统级的包冲突建议使用虚拟环境。你可以使用venvPython 3.3及以上版本内置或condaAnaconda/Miniconda来创建和管理虚拟环境。例如使用venv
cd .venv
# 切换到虚拟环境下
cd Scripts
# 激活虚拟环境
activate # 安装numpypandasmatplotlib使用其他镜像源如阿里云、清华源、豆瓣
# 使用阿里云镜像源
pip install numpy pandas matplotlib -i https://mirrors.aliyun.com/pypi/simple/
# 使用清华源
pip install numpy pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
# 使用豆瓣镜像源
pip install numpy pandas matplotlib -i https://pypi.douban.com/simple # 不使用镜像源默认官方源,如果你的网络环境可以访问官方pypi源可以直接使用默认源安装
pip install numpy pandas matplotlib 3、安装 ipyhton更好的交互式Python编程环境
# 使用阿里云镜像源
pip install ipython -i https://mirrors.aliyun.com/pypi/simple/ 4、安装 Jupyter Notebook
# 使用阿里云镜像源
pip install jupyter -i https://mirrors.aliyun.com/pypi/simple/ 安装之后输入jupyter notebook切换到项目目录下再执行jupyter notebook命令 jupyter启动默认浏览器 在当前项目目录下右击选择【New Notebook】 然后写入Python代码如输入print(hello)运行Ctrl Enter Jupyter Notebook有两种键盘输入模式
命令模式键盘输入运行程序命令这时单元格框线为蓝色 编辑模式允许你往单元格中键入代码或文本这时单元格框线是绿色
Jupyter Notebook常用快捷键
【1】编辑模式(Enter 键启动)
Tab代码补全或缩进
Shift Tab提示
Shift Enter允许本单元选中下一单元
Ctrl Enter运行本单元
Alt Enter运行本单元在下面插入一单元
【2】命令模式(按键 Esc 启动)
Shift Enter运行本单元选中下个单元
Ctrl Enter运行本单元
Alt Enter运行本单元在其下插入新单元
Y: 单元转入代码状态
M: 单元转入 markdown 状态
A: 在上方插入新单元
B: 在下方插入新单元
DD: 删除选中的单元 二、NumPy使用
在Python中ndarrayndarray的全名是NumPy的“N-dimensional array”N维数组是NumPy库中一个非常重要的数据结构用于存储多维数组。它提供了大量的数学和逻辑函数操作使得数组的创建、修改、索引和计算变得更加方便和高效。
1、创建ndarray
【1】使用np.array()由python list创建 注 numpy默认ndarray的所有元素的类型是相同的如果传进来的列表中包含不同的类型则统一为同一类型优先级strfloatintndarray的常见数据类型 int: int8、uint8、int16、int32、int64float: float16、float32、float64str: 字符串 【2】使用np.routines函数创建 1、np.ones(shape, dtypeNone, orderC) 2、np.zeros(shape, dtypefloat, orderC) 3、np.full(shape, fill_value, dtypeNone, orderC) 4、np.eye(N, MNone, k0, dtypefloat) 5、np.linspace(start, stop, num50, endpointTrue, retstepFalse, dtypeNone) 6、np.arange([start, ]stop, [step, ]dtypeNone) 7、np.random.randint(low, highNone, sizeNone, dtypel) 8、np,random.randn(d0, d1, ..., dn) 9、np.random.normal(loc0.0, scale1.0, sizeNone) 10、np.random.random(sizeNone) 11、np.random.random(d0, d1, ..., dn) 2、ndarray属性
1、ndim维度
2、shape形状
3、size总长度
4、dtype元素类型 3、ndarray基本操作
1、索引 根据索引修改数据 2、切片
反转两个::进行切片 左右反转
上下反转
颜色反转 3、变形 4、级联
级联基本要求垂直级联列数一定要相同水平级联行数一定要相同 垂直级联要求列数一致
水平级联要求行数一致
np.hstack和np.vstack 5、切分 6、副本 运行效率 4、ndarray聚合操作
1、求和np.sum 2、最大/最小值np.max/np.min 3、其它聚合操作
np.min 最小值np.max 最大值np.mean 平均值np.average 平均值np.median 中位数np.percentile 百分位数np.argmin 最小值对应的下标np.argmax 最大值对应的下标np.std 标准差np.var 方差np.power 次方求幂np.argwhere 按条件查找
4、操作文件
使用panda打开height.csv文件获取其中数据 5、ndarray矩阵操作
1、基本矩阵操作
【1】算术运算符加减乘除 【2】矩阵积np.dot() 2、广播机制 6、ndarray排序
1、快速排序
