Eine kurze Analyse der Python-Datenverarbeitung

Dieser Artikel teilt Ihnen den relevanten Inhalt und die wichtigsten Erklärungen zur Python-Datenverarbeitung mit. Freunde, die sich für diesen Wissenspunkt interessieren, können darauf verweisen.

Numpy und Pandas sind zwei Frameworks, die häufig in der Python-Datenverarbeitung verwendet werden. Sie sind beide in der Sprache C geschrieben, sodass die Betriebsgeschwindigkeit hoch ist. Matplotlib ist ein Python-Zeichentool, das zuvor verarbeitete Daten durch Bilder zeichnen kann. Ich habe die Syntax bisher nur gesehen und sie nicht systematisch untersucht und zusammengefasst. Dieser Blog-Beitrag fasst die APIs dieser drei Frameworks zusammen.

Das Folgende ist eine kurze Einführung und der Unterschied zwischen diesen drei Frameworks:

• Numpy: Wird häufig für die Datengenerierung und einige Vorgänge verwendet

• Pandas: Basierend auf Numpy ist es eine aktualisierte Version von Numpy

• Matplotlib: ein leistungsstarkes Zeichenwerkzeug in Python
  

Numpy

Numpy-Schnellstart-Tutorial kann sich beziehen auf: Numpy-Tutorial

Numpy-Eigenschaften

ndarray.ndim: Dimension

ndarray.shape: Anzahl der Zeilen und Spalten, z. B. (3, 5)

ndarray.size: Anzahl der Elemente

ndarray. dtype: Elementtyp

Numpy erstellt

array(object, dtype=None): verwendet Pythons Liste oder Tupel, um Daten zu erstellen

zeors(shape, dtype=float): Daten mit allen Nullen erstellen

ones(shape, dtype=None): Daten mit allen 1en erstellen

empty( shape, dtype=float): Nicht initialisierte Daten erstellen

arange([start, ]stop, [step, ]dtype=None): Datensegmente mit festem Intervall erstellen

linspace(start, stop, num=50, dtype=None): Daten gleichmäßig innerhalb eines bestimmten Bereichs erstellen

Numpy-Operation

Addieren, Subtrahieren: a + b , a - b

Multiplikation: b*2, 10*np.sin(a)

Potenz: b**2

Beurteilung: ace88550aa3a4a8133df333aefea01603 0]

Pandas behandelt fehlende Daten

Zeilen mit fehlenden Daten löschen: df.dropna(how='any')

Fehlende Daten ergänzen:df.fillna(value=5)

Ob der Datenwert NaN ist: pd.isna(df1)

Pandas zusammengeführte Daten

pd.concat([df1, df2, df3], axis=0): merge df

pd.merge(left, right, on=' key'): Zusammenführung basierend auf dem Schlüsselfeld

df.append(s,ignore_index=True): Daten hinzufügen

Pandas-Import und -Export

df.to_csv('foo.csv'): In CSV-Datei speichern

pd.read_csv('foo.csv'): Aus CSV-Datei lesen

df.to_excel('foo.xlsx', sheet_name='Sheet1'): in Excel-Datei speichern

pd.read_excel('foo.xlsx', 'Sheet1', index_col=None, na_values =['NA']): aus Excel-Datei Lesen

Matplotlib

Hier stellen wir nur die einfachste Art des Plots vor:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 随机生成1000个数据
data = pd.Series(np.random.randn(1000),index=np.arange(1000))
# 为了方便观看效果, 我们累加这个数据
data.cumsum()
# pandas 数据可以直接观看其可视化形式
data.plot()
plt.show()

Verwandte Empfehlungen:

Eine kurze Diskussion zum Konfigurationsdateipfadproblem von Python-Protokollen

Das obige ist der detaillierte Inhalt vonEine kurze Analyse der Python-Datenverarbeitung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!