python--day3

json库：可以理解为一栋桥梁，通往各个语言，将python内的数据进行转换，在解析出来

json.dumps():将数据全部封装起来，为一个字符串类型

json.loads():将数据全部解析出来，只要符合json的规范，就可以进行解析

import  json
doct = {"name" : "alom"}
data = json.dumps(doct)
new_data = json.loads(data)
print(data)
print(type(data))
print(new_data)
print(type(new_data))

pickle：将内容转换为字节，跟json差不多

pickle.dumps():将数据转换为字节

pickle.loads():将字节转换为数据类型，跟json差不多

shelve模块：跟pickle差不多，但是比他高级

import shelve
new = shelve.open(r'wead')
# new['name'] = {"alox" : "wan","axx" : "man","oox" : "wan"}
# new['name1'] = {"gwox" : "man"}
# new['name2'] = {"qrox" : "wan"}
print(new.get("name")["qrox"])
new.close()

numpy：

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

numpy.array():创建一个数组

如果生成的数组不是对应的，则会生成list的形式的数组

#一维数组
numpy.array([1,2,3])
#二维数组
numpy.array([[1,2,3],[4,5,6]])
#如果不对应则会生成list类型的数组
numpy.array([1,2,3],[4,5])
#输出：array([list([1, 2, 3]), list([4, 5, 6]), list([7, 8])], dtype=object)

(numpy).max():返回数组内最大的值

(numpy).soft():将数据进行排序

(numpy).min():返回数组内的最小值

(numpy)[:] :将数组进行切片，使用方法跟列表的一样

pandas:

Pandas 是基于NumPy 的一种工具，该工具是为了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。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

pandas.Series():将里面的数据进行排序，索引值可自行制定

x = pandas.Series([1,2,3,4])
print(x)
#>>> x
#0    1
#1    2
#2    3
#3    4
可指定索引值
pandas.Series([1,2,3,4],index=["one","two","three","four"])
#one      1
#two      2
#three    3
#four     4
#dtype: int6

pandas.DataFrame():将数组进行横向和列向的排序

q = pandas.DataFrame([[5,6,7],[1,2,3],[4,5,8]])
>>> q
   0  1  2
0  5  6  7
1  1  2  3
2  4  5  8
q = pandas.DataFrame([[5,6,7],[1,2,3],[4,5,8]],columns=["one","two","three"])
   one  two  three
0    5    6      7
1    1    2      3
2    4    5      8

pandas.read_csv('绝对路径'):导入CSV数据类型的数据

对象.describe():将数据配置信息展示出来

对象.sort_values(by="列名"):将数据进行排序

pandas.read_excl("绝对路径"):将excl的数据导入进来

猜你喜欢