1.基础属性：
1 array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵 2 print('number of dim:',array.ndim) # 维度 3 # number of dim: 2 4 5 print('shape :',array.shape) # 行数和列数 6 # shape : (2, 3) 7 8 print('size:',array.size) # 元素个数 9 # size: 6
创建array:注意其形式为([,,,]) ,若为矩阵其形式为([[,,,],[,,,]])
a = np.array([2,23,4]) # list 1d
a = np.array([2,23,4],dtype=np.float) #指定数据类型
a = np.zeros((3,4)) # 数据全为0，3行4列
a = np.arange(10,20,2) # 10-19 的数据，2步长，常用创建区间数组
a = np.arange(12).reshape((3,4)) # 3行4列，0到11 #改变形状
2.基础计算：
在Numpy中，想要求出矩阵中各个元素的乘方需要依赖双星符号 **，以二次方举例，即：
c = a**2
矩阵乘法：
c = a.dot(b)
对矩阵中的元素操作：
np.sum(a)
np.min(a)
np.max(a)
其中的 argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引
print(np.mean(A)) 均值
A.T即为转置矩阵
A = np.arange(3,15).reshape((3,4)) #将一个一维的数据转换为矩阵
A.flatten() #将一个多维平铺成一维数组
for item in A.flat:
print(item) #flat为一个迭代器对象
3.numpy合并与分割：
np.vstack((A,B))上下合并
np.hstack((A,B))左右合并
把一些序列并不表示矩阵的转换为矩阵：
1 print(A[np.newaxis,:]) 2 # [[1 1 1]] 3 4 print(A[np.newaxis,:].shape) 5 # (1,3) 6 7 8 print(A[:,np.newaxis].shape) 9 # (3,1)
对于多个序列的合并采用另外一个函数：
1 C = np.concatenate((A,B,B,A),axis=0) 2 3 print(C) 4 """ 5 array([[1], 6 [1], 7 [1], 8 [2], 9 [2], 10 [2], 11 [2], 12 [2], 13 [2], 14 [1], 15 [1], 16 [1]]) 17 """ 18 19 D = np.concatenate((A,B,B,A),axis=1) 20 21 print(D) 22 """ 23 array([[1, 2, 2, 1], 24 [1, 2, 2, 1], 25 [1, 2, 2, 1]]) 26 """
axis参数控制单列(0)或者单行(1)，0是竖向，1是横向
vertical垂直的
numpy的分割具体使用参考莫烦python教程：
https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/2-7-np-split/
添加：
在数据归一化的时候使用Numpy对数据的形状进行调整。
把一维的列表或者数组调整成多维一个值的矩阵，先使用np.array转换成numpy数组，再使用shuzu.reshape(94,1)
pandas
1.Series是一个带索引的序列
2.DataFrame是一个表格型的数据结构，它包含有一组有序的列，每列可以是不同的值类型（数值，字符串，布尔值等）。
DataFrame既有行索引也有列索引， 它可以被看做由Series组成的大字典。取某一列元素可以直接用df[列名]，返回的值是一个Series。
1 dates = pd.date_range('20160101',periods=6) 2 df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d']) 3 4 print(df) 5 """ 6 a b c d 7 2016-01-01 -0.253065 -2.071051 -0.640515 0.613663 8 2016-01-02 -1.147178 1.532470 0.989255 -0.499761 9 10 """
print(df2.columns) #每种数据的名称
print(df2.sort_values(by='B')) #对数值进行排序
3.通过标签来筛选数据
1 print(df.loc['20130102']) 2 """ 3 A 4 4 B 5 5 C 6 6 D 7 7 Name: 2013-01-02 00:00:00, dtype: int64 8 """ 9 10 print(df.loc[:,['A','B']]) 11 """ 12 A B 13 2013-01-01 0 1 14 2013-01-02 4 5 15 2013-01-03 8 9 16 2013-01-04 12 13 17 2013-01-05 16 17 18 2013-01-06 20 21 19 """ 20 21 print(df.loc['20130102',['A','B']]) 22 """ 23 A 4 24 B 5 25 Name: 2013-01-02 00:00:00, dtype: int64 26 """
使用标签来选择数据 loc，选择几列或者几行
使用ix来混合列组合
1 print(df.ix[:3,['A','C']]) 2 """ 3 A C 4 2013-01-01 0 2 5 2013-01-02 4 6 6 2013-01-03 8 10 7 """
print(df[df.A>8]) # 还可以使用判断条件来进行筛选。
4.修改数据
我们可以利用索引或者标签确定需要修改值的位置
根据条件设置：df.B[df.A>4] = 0
添加数据：
df['E'] = pd.Series([1,2,3,4,5,6], index=pd.date_range('20130101',periods=6)) #长度必须对齐
5.数据清理
删除值为nan的数据
1 df.dropna( 2 axis=0, # 0: 对行进行操作; 1: 对列进行操作 3 how='any' # 'any': 只要存在 NaN 就 drop 掉; 'all': 必须全部是 NaN 才 drop 4 )
如果是将 NaN 的值用其他值代替, 比如代替成 0:
df.fillna(value=0)
判断是否有缺失数据 NaN, 为 True 表示缺失数据:
1 df.isnull() 2 """ 3 A B C D 4 2013-01-01 False True False False 5 2013-01-02 False False True False
检测数据中是否有缺失值：
np.any(df.isnull()) == True
# True
6.pandas读入与保存，两种简单例子如下
read读入 data = pd.read_csv('student.csv')，读入进来就是dataframe格式，自动添加行号
to 保存 data.to_pickle('student.pickle')
7.pandas的合并
concat合并方式：
0是纵向，1是横向
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True) 重置index
append合并方式：只有纵向合并
res = df1.append(df2, ignore_index=True)
res = df1.append([df2, df3], ignore_index=True) #合并多个，且都是忽略索引值
join定义列名的合并方式：具体见代码
1 #定义资料集 2 df1 = pd.DataFrame(np.ones((3,4))*0, columns=['a','b','c','d'], index=[1,2,3]) 3 df2 = pd.DataFrame(np.ones((3,4))*1, columns=['b','c','d','e'], index=[2,3,4]) 4 5 #纵向"外"合并df1与df2 6 res = pd.concat([df1, df2], axis=0, join='outer') 7 8 print(res) 9 # a b c d e 10 # 1 0.0 0.0 0.0 0.0 NaN 11 # 2 0.0 0.0 0.0 0.0 NaN 12 # 3 0.0 0.0 0.0 0.0 NaN 13 # 2 NaN 1.0 1.0 1.0 1.0 14 # 3 NaN 1.0 1.0 1.0 1.0 15 # 4 NaN 1.0 1.0 1.0 1.0 16 17 ########下面这个只有相同列名的保存，其他的抛弃 18 res = pd.concat([df1, df2], axis=0, join='inner') 19 20 #打印结果 21 print(res) 22 # b c d 23 # 1 0.0 0.0 0.0 24 # 2 0.0 0.0 0.0 25 # 3 0.0 0.0 0.0 26 # 2 1.0 1.0 1.0 27 # 3 1.0 1.0 1.0 28 # 4 1.0 1.0 1.0
8，pandas画图函数
plt.plot()折线图
plt.scatter()散点图
具体形式实际应用查询，不需详细记忆。