NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础。
NumPy的主要功能：
ndarray，一个多维数组结构，高效且节省空间
无需循环对整组数据进行运算
*读写磁盘数据的工具以及用于操作内存映射文件的工具
*线性代数、随机数生成和傅里叶变换功能
*用于集成C、C++等代码的工具
T 数组的转置（对高维数组而言）
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小（以元组形式）
import numpy as np
np1=np.array([1,2,3,4])
np.max(np1) np.argmax(np1)
dtype： bool_, int(8,16,32,64), float(16,32,64)
类型转换：astype()
创建ndarray：
array() 将列表转换为数组，可选择显式指定dtype
arange() range的numpy版，支持浮点数
linspace() 类似arange()，第三个参数为数组长度
zeros() 根据指定形状和dtype创建全0数组
ones() 根据指定形状和dtype创建全1数组
reshape()
数组和标量之间的运算
a+1 a*3 1//a a**0.5
同样大小数组之间的运算 a+b a/b a**b
数组的索引 a[5] a2[2][3] a2[2,3]
数组的切片 a[5:8] a[:3] a2[1:2, :4] a2[:,:1] a2[:,1]
问题：给一个数组，选出数组中所有大于5的数。
答案：a[a>5] 原理： a>5会对a中的每一个元素进行判断，返回一个布尔数组
布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组
问题2：给一个数组，选出数组中所有大于5的偶数。
问题3：给一个数组，选出数组中所有大于5的数和偶数。
答案： a[(a>5) & (a%2==0)] a[(a>5) | (a%2==0)]
问题1：对于一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。
答案：a[[1,3,4,6,7]]
问题2：对一个二维数组，选出其第一列和第三列答案：a[:,[1,3]]
通用函数：能同时对数组中所有元素进行运算的函数
常见通用函数： 一元函数：abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan
二元函数：add, substract, multiply, divide, power, mod, maximum, mininum,
常用函数：
sum 求和
mean 求平均数
std 求标准差
var 求方差
min 求最小值
max 求最大值
argmin 求最小值索引
argmax 求最大值索引
Sort 求和
np.random常用函数
rand 给定形状产生随机数组（0到1之间的数）
randint 给定形状产生随机整数
choice 给定形状产生随机选择 s
huffle 与random.shuffle相同
uniform 给定形状产生随机数组
Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。
Series比较像列表（数组）和字典的结合体
创建方式：pd.Series([4,7,-5,3]) pd.Series([4,7,-5,3],index=['a','b','c','d']) pd.Series({'a':1, 'b':2}) pd.Series(0, index=['a','b','c','d'])
获取值数组和索引数组：values属性和index属性
Series支持NumPy模块的特性（下标）：
从ndarray创建Series：
Series(arr) 与标量运算
：sr*2 两个Series运算：sr1+sr2 索引：sr[0], sr[[1,2,4]] 切片：sr[0:2]
通用函数：np.abs(sr) 布尔值过滤：sr[sr>0] Series支持字典的特性（标签）： 从字典创建Series：Series(dic), in运算：’a’ in sr 键索引：sr['a'], sr[['a', 'b', 'd']]
通过标签获取： df['A'] df[['A', 'B']] df['A'][0] df[0:10][['A', 'C']] df.loc[:,['A','B']] df.loc[:,'A':'C'] df.loc[0,'A'] df.loc[0:10,['A','C']]
实例：
#!/usr/bin/env python
# coding: utf-8
# In[ ]:
# In[7]:
import numpy as np
np.array([1,2,3])
# In[8]:
np1=np.array([1,2,3,4])
# In[9]:
np.max(np1)
# In[10]:
np.argmax(np1)
# In[12]:
np.random.randint(0,4,size=5)
# In[13]:
np1[2
]
# In[ ]:
# In[16]:
np2=np.array([1,2,3,np.nan])
# In[17]:
np.isnan(np2)
# In[ ]:
# In[19]:
import pandas as pd
# In[21]:
sr1=pd.Series([1,2,3,np.nan])
# In[22]:
sr1
# In[ ]:
# In[ ]:
# In[26]:
np2.T
# In[28]:
np3=np.array([[1,2,3],[2,33,5]])
# In[29]:
np3
# In[30]:
np3.T
# In[31]:
np2.dtype
# In[32]:
np2.size
# In[33]:
np3.size
# In[34]:
np2.shape
# In[35]:
np3.shape
# In[36]:
np3.ndim
# In[38]:
np4=np.arange(10)
# In[39]:
np4
# In[42]:
np4=np.arange(0,100,3)
# In[43]:
np4
# In[44]:
np5=np.linspace(0,100,3)
# In[45]:
np5
# In[49]:
np6=np.zeros(3,dtype=float)
# In[50]:
np6
# In[51]:
np6=np.zeros(3,dtype=int)
np6
# In[52]:
get_ipython().set_next_input('np7=np.reshape');get_ipython().run_line_magic('pinfo', 'np.reshape')
# In[63]:
np7=np3.reshape((2,3))
# In[64]:
np7
# In[65]:
np7[:][1:2]
# In[66]:
np7[1:2][:]
# In[67]:
np7[1:2]
# In[68]:
np7[:]
# In[72]:
np7[1:2][:1]
# In[120]:
np7[1:2,0:1]
# In[ ]:
# In[ ]:
# In[74]:
np7[:,1:2]
# In[75]:
np7[,1:2]
# In[76]:
np7[0:1,1:2]
# In[77]:
np7[np7>4]
# In[78]:
np7[(np7>4)&(np7%2==0)]
# In[83]:
np.abs(np7)
# In[85]:
np.sqrt(np7)
# In[95]:
np4[[1,2]]
# In[103]:
import random
# In[106]:
np.random.rand(2,3)
# In[107]:
np.random.randint(2,3,size=10)
# In[111]:
np.random.choice(5,5)
# In[113]:
np9=[1,3,4,5,43,2]
# In[ ]:
# In[115]:
np.random.shuffle(np9)
# In[116]:
np9
# In[117]:
np.random.uniform(0,10,100)
# In[ ]:
# In[ ]:
# In[ ]:
# In[121]:
import pandas as pd
# In[139]:
ps1=pd.Series([1,3,4],index=['a','b','c'])
# In[140]:
ps1
# In[141]:
ps1['b']
# In[142]:
ps2=pd.Series([3,4,5],index=['a','b','d'])
# In[143]:
ps1+ps2
# In[145]:
ps3=ps1+ps2
# In[147]:
ps3.dropna()
# In[148]:
ps3.fillna(1)
# In[149]:
ps3.isnull()
# In[150]:
ps4=pd.DataFrame({'a':[1,2,3],'b':[4,5,6]})
# In[151]:
ps4
# In[155]:
df=pd.DataFrame
# In[ ]:
# In[164]:
rhnba=pd.read_html('https://baike.baidu.com/item/NBA%E6%80%BB%E5%86%A0%E5%86%9B/2173192?fr=aladdin')[0]
# In[165]:
rhnba
# In[167]:
ra=rhnba
# In[168]:
ra
# In[175]:
ra[0][9]
# In[178]:
ra[0].index
# In[179]:
ra[0].T
# In[182]:
ra.columns.T
# In[184]:
ra.values
# In[186]:
ra.index.T
# In[187]:
ra.describe()
# In[189]:
ra.loc[20]
# In[190]:
ra.iloc[20]
# In[201]:
ra.tail(10)
# In[204]:
ra.groupby(2)
# In[208]:
ra.drop(0
)
# In[212]:
ra.columns=ra.loc[0]
# In[214]:
ra1=ra.drop(0)
# In[215]:
ra1
# In[216]:
ra.groupby('冠军').groups
# In[235]:
ra.groupby('FMVP').size().sort_values(ascending=False).drop('未设立')
# In[ ]:
ra.groupby('FMVP').size().sort_values
# In[237]:
ra.groupby('冠军').size().sort_values(ascending=False)
# In[ ]:
# In[241]:
ra.to_csv
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]:
# In[ ]: