집 >백엔드 개발 >파이썬 튜토리얼 >Python 데이터 처리에 대한 간략한 분석

Python 데이터 처리에 대한 간략한 분석

不言원래의: 2018-05-02 13:46:241792검색

이 글은 Python 데이터 처리에 대한 관련 내용과 주요 설명을 공유합니다. 이 지식 포인트에 관심이 있는 친구들은 참고할 수 있습니다.

Numpy와 Pandas는 Python 데이터 처리에 자주 사용되는 두 가지 프레임워크입니다. 둘 다 C 언어로 작성되었으므로 작업 속도가 빠릅니다. Matplotlib는 이전에 처리된 데이터를 이미지를 통해 그릴 수 있는 Python 그리기 도구입니다. 저는 이전에 구문만 봤고 체계적으로 연구하고 요약한 적이 없습니다. 이 블로그 게시물에서는 이 세 가지 프레임워크의 API를 요약합니다.

다음은 이 세 가지 프레임워크의 간략한 소개와 차이점입니다.

Numpy: 데이터 생성 및 일부 작업에 자주 사용됩니다.
Pandas: Numpy를 기반으로 구축되었으며 Numpy의 업그레이드 버전입니다
Matplotlib: Python의 강력한 그리기 도구

Numpy

Numpy 빠른 시작 튜토리얼은 다음을 참조할 수 있습니다: Numpy 튜토리얼

Numpy 속성

ndarray.ndim: 치수

ndarray.shape : 수 행 및 열 번호(예: (3, 5))

ndarray.size: 요소 수

ndarray.dtype: 요소 유형

Numpy 생성

array(object, dtype=None): 사용 Python의 목록 또는 Tuple은 데이터를 생성합니다

zeors(shape, dtype=float): 모두 0으로 데이터를 생성합니다

ones(shape, dtype=None): 모두 1로 데이터를 생성

empty(shape, dtype=float ) : 초기화 없이 데이터 생성

arange([start, ]stop, [step, ]dtype=None): 고정 간격 데이터 세그먼트 생성

linspace(start, stop, num=50, dtype=None): 주어진 범위에서 균등하게 데이터를 생성합니다

Numpy 연산

덧셈과 뺄셈: a + b, a - b

곱셈: b*2, 10*np.sin(a)

곱셈: b**2

판단: ae0c73f4541bc4615637d2aade52239d9 0]

Pandas 누락된 데이터 처리

누락된 데이터가 있는 행 삭제: df.dropna(how='any')

누락된 데이터 채우기: df.fillna(value=5)

데이터 값이 NaN인지 여부: pd.isna( df1)

Pandas merge data

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

pd.merge( left, right, on='key'): 키 기반 필드 병합

df.append(s,ignore_index=True): 데이터 추가

Pandas 가져오기 및 내보내기

df.to_csv('foo.csv '): csv 파일에 저장

pd.read_csv(' foo.csv'): csv 파일에서 읽기

df.to_excel('foo.xlsx', sheet_name='Sheet1'): Excel 파일에 저장

pd.read_excel('foo.xlsx', 'Sheet1 ', index_col=None, na_values=['NA']): Excel 파일에서 읽기

Matplotlib

여기에서는 플롯하는 가장 간단한 방법만 소개합니다.

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()

Python 데이터 처리에 대한 간략한 분석

관련 기사