pandas一些基本操作(DataFram和Series)_2
- import numpy as np
arr1 = np.arange(32).reshape(8,4)
print(arr1)
arr1 = arr1.reshape(-1);
print(arr1)
arr2 = np.logspace(1,8,8,base=2).reshape(8,1)
print(arr2)
##数组广播的规律,要么两个维度相同,要么某一个维度为1
##矩阵积为dot A np的行乘以B np的列的和,所以行列要一致。
arr3 = [[15930.2,244.2],
[8111.87,148.87],
[13722.46,221.1]]
arr3 = np.array(arr3,float);
print(arr3.dtype)
##利用切片取数组
print(arr3[:,0])
print("======================================")
print(arr3[[0,2]])
print("======================================")
print(arr3[[0,2],[1,1]])
print("======================================")
##取多行多列,使用np的索引器,np.ix_(m,n)
print(arr3[np.ix_([0,2],[1])])
##数组转置
arr3 = [[15930.2,244.2],
[8111.87,148.87],
[13722.46,221.1]]
arr3 = np.array(arr3)
print(arr3.T)
xiaoming_score=np.array([100,60,50,65])
#取不及格分数
print(xiaoming_score >= 60)
condition = xiaoming_score >= 60
print(xiaoming_score[condition])#取出对应的数,多维同样适用,会降低到一维数据
xiaoming_score2=np.array([[100,60,50,65],[20,30,40,50]])
print(xiaoming_score2.transpose())#数组的转置和轴兑换
##数组的拉伸和合并 (如果reps参数只写一个数值为横向拉伸的倍数,如果使用[m,n] m为纵向 n为横向拉伸的倍数)
print(np.tile(xiaoming_score2,[2,1]))
print("===================================================")
##合并操作
xiaoming_2_score = np.array([[90,90,90,90],[88,88,88,88]])
print(np.stack([xiaoming_score2,xiaoming_2_score],axis=0))#沿着某一个轴合并 0是两块合并 1是拆快合并 2是拿对应个数合并
print("===================================================")
##堆叠操作
print(np.vstack([xiaoming_score2,xiaoming_2_score]))
print(np.hstack([xiaoming_score2,xiaoming_2_score]))
##np 的函数操作
print("===================================================")
arry2 = np.random.randint(-10,10,[3,4])
print(arry2)
#绝对值
print(np.fabs(arry2))
print(np.sqrt(arry2))#开方
print(np.square(arry2))#平方
#exp #计算各个元素的指数e的x次方
#log10 log2 log1p
arr3 = np.arange(1,11)
print(arr3)
print(np.log2(arr3))#相当于2为底,求arr3每个元素的多少次方等于每个位置元素 eg:1=2^x log就是e为底
#np.log1p 以1+x为真数e为底的对数
#以5为底 可以利用换底公式
arry4 = np.log2(arr3)/np.log2(5)
print(arry4)
#ceil 向上取整 floor 向下取整
np.floor(arry4)
print(np.floor(arry4))
#四舍五入 np.rint
#保留几位小数 np.around(arr4,decumals=2)
#modf 把小数拆开成两个数组,返回小数位和整数位
#判断元素是否是nan isnan 可以用布尔值索引取出数组中nan ~取反操作
#np.isfinite 是否有穷数 isinf(inf 是无穷数)
#mod
arr6 = np.arange(10)
print(arr6)
print(np.mod(arr6,3))
#dot 举证积操作- ##eg:np.greater(arr5,arr6) less equal less_equal not_equal
np.power(arr6,3)#几次方
score = np.array([
[80,90,87,56,77],
[55,45,87,90,98],
[100,12,100,89,77],
[77,33,87,79,60]
])
print(score)
print(np.amax(score))#求成绩的最高分
print(np.amax(score,axis=0))#竖向求最大
print(np.amax(score,axis=1))#横向求最大
print(np.mean(score,axis=1))#横向求平均分
#方差和标准差
#方差,np.mean(a-a.mean()**2)
print(np.mean(np.square(score-np.mean(score))))
print(np.var(score))
##再开方是标准差 std是直接求标准差
random1 = np.random.randint(0,10,10)
random2 = np.random.randint(0,10,10)
print(random1)
print(random2)
cond = random1 > random2
print([x if z else y for(x,y,z) in zip(random1,random2,cond)])#取较大数合并 多维对比合并用np.where(cond,random1,random2)
#print(x,y,z)
# np.unique 去除重复值
arr10 = np.random.randint(0,5[5,5])
print(arr10)
np.unique(arr10)
pandas一些基本操作(DataFram和Series)_2的更多相关文章
- pandas一些基本操作(DataFram和Series)_4
import numpy as np;import pandas as pd;kill_num=pd.Series([10,12,8,5,0,2,6])#击杀数量#青铜1200-2000#白银2001 ...
- Pandas系列(一)-Series详解
一.初始Series Series 是一个带有 名称 和索引的一维数组,既然是数组,肯定要说到的就是数组中的元素类型,在 Series 中包含的数据类型可以是整数.浮点.字符串.Python对象等. ...
- pandas模块(数据分析)------Series
pandas是一个强大的Python数据分析的工具包. pandas是基于NumPy构建的. pandas的主要功能: 具备对其功能的数据结构DataFrame.Series 集成时间序列功能 提供丰 ...
- 小白学 Python 数据分析(3):Pandas (二)数据结构 Series
在家为国家做贡献太无聊,不如跟我一起学点 Python 顺便问一下,你们都喜欢什么什么样的文章封面图,老用这一张感觉有点丑 人生苦短,我用 Python 前文传送门: 小白学 Python 数据分析( ...
- Pandas初体验之数据结构——Series和DataFrame
Pandas是为了解决数据分析任务而创建的,纳入了大量的库和标准数据模型,提供了高效地操作大型数据集所需的工具. 对于Pandas包,在Python中常见的导入方法如下: from pandas im ...
- pandas一些基本操作(DataFram和Series)_3
import pandas as pd;import numpy as np#通过一维数组创建Chinese = np.array([89,87,86])print(Chinese)print(pd. ...
- pandas一些基本操作(DataFram和Series)_1
##生成一个一维数组import numpy as np;nb7 = np.arange(0,100,2);print(nb7)print("======================== ...
- 机器学习初入门02 - Pandas的基本操作
之前的numpy可以说是一个针对矩阵运算的库,这个Pandas可以说是一个实现数据处理的库,Pandas底层的许多函数正是基于numpy实现的 一.Pandas数据读取 1.pandas.read_c ...
- pandas(一)操作Series和DataFrame的基本功能
reindex:重新索引 pandas对象有一个重要的方法reindex,作用:创建一个适应新索引的新对象 以Series为例 >>> series_obj = Series([4. ...
随机推荐
- Linux 系统版本查询命令
.# uname -a (Linux查看版本当前操作系统内核信息) .# cat /proc/version (Linux查看当前操作系统版本信息) .# cat /etc/issue 或 cat / ...
- codeforces 1180E Serge and Dining Room 线段树
题目传送门 题目大意: 给出a序列和b序列,a序列为各种食物的价格,b序列为一列排着队的小朋友拥有的钱,小朋友依次购买食物,每个人都买自己能买的起的最贵的食物,买不起就离开队伍.给出q次操作,操作1是 ...
- dex2jar+jd-gui反编译apk的使用方法
1.将要反编译的APK后缀名改为.rar或 .zip,并解压 2.得到其中的classes.dex文件(它就是java文件编译再通过dx工具打包而成的),将获取到的classes.dex放到之前解压出 ...
- Windows中的"簇"和Linux中的"块"是对应的
扇区是对硬盘而言,块是对文件系统而言. 簇”又称为“分配单元” ,文件系统是操作系统与驱动器之间的接口,当操作系统请求从硬盘里读取一个文件时,会请求相应的文件系统(FAT 16/32/NTFS)打开文 ...
- Git 如何使用ssh上传或者同步/下载项目到github
上传本地代码及更新代码到GitHub教程 上传本地代码 第一步:去github上创建自己的Repository,创建页面如下图所示: 红框为新建的仓库的https地址 第二步: echo " ...
- drupal7 代码生成用户,并自动登录
直接上代码 1. 生成用户(注册) $edit = [ "name" => "name", "pass" => "pa ...
- Batch - Windows Batch 常用命令
比较符号(不能用 < , >) The reason operators like > are not used is because they have special meani ...
- Java 基础 - public、private、protected区别
ref: https://www.cnblogs.com/pengfeiliu/p/3745934.html 类中的数据成员和成员函数据具有的访问权限包括:public.private.protect ...
- 【JZOJ1667】【BZOJ1801】【luoguP2051】中国象棋
description 在N行M列的棋盘上,放若干个炮可以是0个,使得没有任何一个炮可以攻击另一个炮.请问有多少种放置方法?中国象棋中炮的行走方式大家应该很清楚吧. analysis \(DP\),容 ...
- Jmeter使用:操作MySQL
下载 mysql-connector-java-5.1.46-bin.jar 将驱动包引入测试计划(也可丢入Jmeter安装目录lib文件夹下) 新建配置元件JDBC Connection Conf ...