Numpy、Matplotlib and Pandas

编程语言 2023-09-06 18:02:53 阅读次数: 0

一、NumPy

1.创建与访问

1.与列表的区别：数组中所有元素的数据类型是相同的。底层经过充分优化的 C 语言代码，计算性能比高。提供了全面的数学函数可以直接应用在数组上。
2.定义的数组叫ndarray，n-dimensions-array 即：n维数组。

import numpy as np  # 按照传统导入

a = np.array([1, 2, 3])    # 或a = np.array((1, 2, 3))

print(a)  # [1 2 3]
print(type(a))  # <class 'numpy.ndarray'>

在这里插入图片描述

3.创建ndarray的方式

import numpy as np

# ==================有值创建==================
a_list = np.array([1, 2, 3])
a_tuple = np.array((1, 2, 3))

# ==================填充创建==================
a_zeros = np.zeros((2, 3))
a_ones = np.ones((2, 3))
a_empty = np.empty((2, 3))

# ==================等差创建==================
a_ar = np.arange(6)
a_lin = np.linspace(0, 10, num=5)

# ==================随机创建==================
# 给定随机种子
np.random.seed(10)
# 创建维度为（3，1）的0~1的随机数列
t1 = np.random.rand(3, 1)
# 创建维度为（2，2）的（0~100）的小数随机数列
t2 = np.random.uniform(0, 100, (2, 2))
# 创建维度为（2，2）的（0~100）的整数随机数列
t3 = np.random.randint(0, 20, (2, 2))
# 给定均值、标准差、维度的正态分布
t4 = np.random.normal(0, 1, (2, 2))
# 标准正太分布。定均值为0、标准差为1的正太分布
t5 = np.random.standard_normal(size=(2, 2))

4.访问数组
可以通过索引或者切片的方式访问数组

import numpy as np

# 创建 5*4 二维数组(5行4列)
c = np.array([[0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])

print(c)

# 按照索引取 第1行，第2列的元素
print(c[1, 2])  # 12

# 切片，取 1~2 行，第2~3列元素（数组）
print(c[1:3, 2:4])

# 切片，取 1~2 行，第2列的元素（数组）
print(c[1:3, 2])

# 步长=2，取到第 1, 3 行，第2~3列元素
print(c[1:6:2, 2:4])

# 取最后一维，下标为2的元素
print(c[:, 2])

# 维度比较多，需要写很多:，提供...可以代表之前或之后的任意维度
print(c[..., 2])

2.数组操作

1.修改数组形状
在这里插入图片描述

import numpy as np

a = np.arange(8)
print('原始数组：')
print(a)
b = a.reshape(4, 2)
print('修改后的数组：')
print(b)

在这里插入图片描述

二、Matplotlib

1.入门

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1, 1, 50)   # x为（-1,1）区间上的50个等差点构成的数组/列表/元组
y = 2 * x + 1   # y与x的函数关系
plt.plot(x, y)   # 用于画图,它可以绘制点和线, 并且对其样式进行控制
plt.show()  # 显示图像

在这里插入图片描述

2.数据传入

1.x为x轴数据, y为y轴数据

import matplotlib.pyplot as plt

x = [3, 4, 5]  # [列表]
y = [2, 3, 2]  # x,y元素个数N应相同
plt.plot(x, y)
plt.show()

在这里插入图片描述

2.x, y可传入(元组), [列表], np.array, pd.Series

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

x=(3,4,5) # (元组)
y1=np.array([3,4,3]) # np.array
y2=pd.Series([4,5,4]) # pd.Series

plt.plot(x,y1)
plt.plot(y2)  # x可省略,默认[0,1..,N-1]递增
plt.show() # plt.show()前可加多个plt.plot(),画在同一张图上

在这里插入图片描述

3.可传入多组x, y

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

x=(3,4,5)
y1=np.array([3,4,3])
y2=pd.Series([4,5,4])

plt.plot(x,y1,x,y2) # 此时x不可省略
plt.show()

在这里插入图片描述
4.x或y传入二维数组

import matplotlib.pyplot as plt
import numpy as np

lst1 = [[0, 1, 2], [3, 4, 5], [6, 7, 8]]
x = np.array(lst1)
lst2 = [[2, 3, 2], [3, 4, 3], [4, 5, 4]]
y = np.array(lst2)
print(x)
print(y)
plt.plot(x, y)
plt.show()

在这里插入图片描述
蓝色：x1(0,3,6) y1(2,3,4)
橙色：x2(1,4,7) y2(3,4,5)
绿色：x3(2,5,8) y3(2,3,4)

3.图形控制

1.plt.plot(x, y, “格式控制字符串”)

import matplotlib.pyplot as plt
import numpy as np

lst1 = [[0, 1, 2], [3, 4, 5], [6, 7, 8]]
x = np.array(lst1)
lst2 = [[2, 3, 2], [3, 4, 3], [4, 5, 4]]
y = np.array(lst2)

plt.plot(x, y, "ob:")  # "b"为蓝色, "o"为圆点, ":"为点线
plt.show()

在这里插入图片描述
2."格式控制字符串"最多可以包括三部分, “颜色”, “点型”, “线型”

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

color = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'w']
line_style = ['-', '--', '-.', ':']
dic1 = [[0, 1, 2], [3, 4, 5]]
x = pd.DataFrame(dic1)
dic2 = [[2, 3, 2], [3, 4, 3], [4, 5, 4], [5, 6, 5]]
y = pd.DataFrame(dic2)
# 循环输出所有"颜色"与"线型"
for i in range(2):
    for j in range(4):
        plt.plot(x.loc[i], y.loc[j], color[i * 4 + j] + line_style[j])
plt.show()

在这里插入图片描述

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

marker = ['.', ',', 'o', 'v', '^', '<', '>', '1', '2', '3', '4', 's', 'p', '*', 'h', 'H', '+', 'x', 'D', 'd', '|', '_',
          '.', ',']
dic1 = [[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11], [12, 13, 14], [15, 16, 17]]
x = pd.DataFrame(dic1)
dic2 = [[2, 3, 2.5], [3, 4, 3.5], [4, 5, 4.5], [5, 6, 5.5]]
y = pd.DataFrame(dic2)
# 循环输出所有"点型"
for i in range(6):
    for j in range(4):
        plt.plot(x.loc[i], y.loc[j], "b" + marker[i * 4 + j] + ":")  # "b"蓝色,":"点线
plt.show()

在这里插入图片描述
颜色
“c” cyan青
“r” red 红
“g” green 绿
“b” blue 蓝
“w” white 白
“k” black 黑
“y” yellow 黄
“m” magenta 洋红

线型
“:” 点线
“-.” 点画线
“–” 短划线
“-” 实线

点型
在这里插入图片描述
3.plt.plot(x, y, “格式控制字符串”, 关键字=参数)

除了"格式控制字符串", 还可以在后面添加关键字=参数

import matplotlib.pyplot as plt

y = [2, 3, 2]
# 蓝色,线宽20,圆点,点尺寸50,点填充红色,点边缘宽度6,点边缘灰色
plt.plot(y, color="blue", linewidth=20, marker="o", markersize=50,
         markerfacecolor="red", markeredgewidth=6, markeredgecolor="grey")
plt.show()

在这里插入图片描述

4.进阶

在这里插入图片描述
折线图
在这里插入图片描述
直方图
在这里插入图片描述
条形图
在这里插入图片描述
散点图
方法：plt.scatter(x,y)

5.三维曲面

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(projection="3d")

x = np.arange(-5, 5, 0.25)
y = np.arange(-5, 5, 0.25)
x, y = np.meshgrid(x, y)
z = np.sqrt(x ** 2 + y ** 2)

ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("3D surface plot")

ax.plot_surface(x, y, z,
                       rstride=1,
                       cstride=1,
                       cmap=plt.cm.coolwarm,
                       linewidth=0,
                       antialiased=False)

plt.show()

在这里插入图片描述

三、Pandas

pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

在 ndarray 数组（NumPy 中的数组）的基础上构建出了两种不同的数据结构，分别是 Series（一维数据结构）DataFrame（二维数据结构）

  • Series 是带标签的一维数组，这里的标签可以理解为索引，但这个索引并不局限于整数，它也可以是字符类型，比如 a、b、c 等；
  • DataFrame 是一种表格型数据结构，它既有行标签，又有列标签。

在这里插入图片描述

1.Series 序列

它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。

Series 可以保存任何数据类型，比如整数、字符串、浮点数、Python 对象等，它的标签默认为整数，从 0 开始依次递增。在这里插入图片描述

在这里插入图片描述

import pandas as pd
import numpy as np

print(pd.Series([], dtype='float64'))  # 1.空白数据

# 使用列表创建
data = np.array(['a', 'b', 'c', 'd', 'e'])
print(pd.Series(data))  # 2.标签为默认从0开始递增
print(pd.Series(data, index=[101, 102, 103, 104, 105]))  # 3.自定义标签

# 使用键值对创建
data_dict = {
    
    'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
print(pd.Series(data_dict))  # 4.标签为键，数值为值
print(pd.Series(data_dict, index=['b', 'd', 'a', 'f']))  # 5.当传递的索引值无法找到与其对应的值时，使用 NaN（非数字）填充。

在这里插入图片描述
在这里插入图片描述

import pandas as pd

s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])

# 索引访问
print(s[0])  # 1.单个元素访问
print(s[:3])  # 2.切片访问
print(s[[1, 4, 3]])  # 3.多个非连续元素访问
# 标签访问
print(s['a'])  # 4.单个元素访问
print(s[:'d'])  # 5.切片访问
print(s[['a', 'd', 'e']])  # 6.多个非连续元素访问

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
head()&tail()查看数据

import pandas as pd
import numpy as np

s = pd.Series(np.random.randint(1, 100, 8))

print(s)

print(s.head())  # 默认访问前5个数据
print(s.head(3))  # 自定义访问前n个数据

print(s.tail())  # 默认访问后5个数据
print(s.tail(3))  # 自定义访问后n个数据

isnull()&nonull()检测缺失值

import pandas as pd

s = pd.Series(['a', 'b', 'c', None])

print(pd.isnull(s))  # 如果为值不存在或者缺失，则返回 True
print(pd.notnull(s))  # 如果值不为空，则返回 True

2.DataFrame表格结构

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import pandas as pd

# 1.创建空的DataFrame对象
print(pd.DataFrame())
# 2.单一列表创建 DataFrame
print(pd.DataFrame(['a', 'b', 'c', 'd']))
# 3.使用嵌套列表创建 DataFrame 对象
print(pd.DataFrame([['Alex', 10], ['Bob', 12], ['Clarke', 13]], columns=['name', 'age']))
# 4.字典嵌套列表创建,字典的键被用作列名
print(pd.DataFrame({
    
    'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 34, 29, 42]}))
# 5.列表嵌套字典创建DataFrame对象,字典的键被用作列名
print(pd.DataFrame([{
    
    'a': 1, 'b': 2}, {
    
    'a': 5, 'b': 10, 'c': 20}]))

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

猜你喜欢

转载自blog.csdn.net/m0_46692607/article/details/126728324
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
周排行
让自己的头脑极度开放
CentOS 6.5(x64) 和Redhat6.5操作系误删libc
高可用注册中心
【日记】12.28/【题解】AtCoder AGC041
XML（5）_XML 约束_DTD
Java集合Map（四）
树梅派安装桌面环境教程
pipenv 的 使用和安装
小程序白屏问题和内存研究
C语言简单选择排序
每日归档
更多
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022