Pandas、Numpy

转载于：https://blog.csdn.net/weixin_45044554/article/details/125547411
'''
                                    numpy
'''
import numpy as np
array001=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
array002=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

array003=array001.reshape(3,-1)     #转换成3行，列需要计算
# array003=array001.reshape(-1,4)     转换成4列，行需要计算
# print(array003)

# array004=np.append(array001,[-1,-2,-3,-4])
array004=np.append(array002,[[-1],[-2],[-3]],axis=1)      #增加一列
# print(array004)

array005=array002.T
# print(array005)
array006=np.delete(array005,1,axis=0)       #axis=0 删除行，axis=1 删除列
# print(array006)

array002[1:2,1:2]=0
# print(array002)

arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
# print('纵向堆叠后：\n',np.vstack((arr1,arr2)),
#       '\n横向堆叠后：\n',np.hstack((arr1,arr2)))


# mat()方法可以把其他数据结构的对象转换为矩阵类型
array1 = [1,2,3]
array2 = [6,7,8]
array3 = [11,12,17]
matrix = np.mat([array1,array2,array3])
# print('显示该数据结构类型：',type(matrix))
# print(matrix)


# 矩阵合并。c_() 方法进行连接，根据参数顺序也将决定生产矩阵的结果；r_() 方法用于列连接
mat1 = np.mat([[1,2],[3,4]])
mat2 = np.mat([4,5])
matrix_r = np.c_[mat1,mat2.T]
# print('将mat2矩阵添加在原矩阵右侧\n',matrix_r)
matrix_l = np.c_[mat2.T,mat1]
# print('将mat2矩阵添加在原矩阵左侧\n',matrix_l)
matrix_u = np.r_[np.mat([array1]),matrix]
# print('在原矩阵上方连接矩阵\n',matrix_u)


# 矩阵常常与列表和数组进行数据类型转换
# print('矩阵列表转换：\n',matrix.tolist(),
#       '\n矩阵转数组：\n',np.array(matrix))



'''
                                    pandas
'''
import pandas as pd

sdata = {'Ohio':35000,'Texas':71000,'Oregon':16000,'Utah':5000}
s0 = pd.Series(sdata)
# print('利用字典生成的序列对象\n',s0)
# print('显示该数据结构类型：',type(s0))
s1 = pd.Series([6,1,2,9])
# print('利用列表生成的序列对象\n',s1)


s1=pd.Series([6,1,2,9],index=['a','b','c','d'])
# print(s1)

# 查询
# print('序列的值\n',s0.values)
# print('序列的索引\n',s0.index)
# print('按照下标查找序列',s0[2])
# print('按照索引值查找元素',s0['Utah'])
# print('按照下标批量查找序列\n',s0[:2])
# print('按照索引值批量查找元素\n',s0[['Ohio','Oregon']])


# 增加
s2=s1.append(pd.Series([12],index=['e']))
# print(s2)

# 删除
s3=s1.drop('a')
# print(s3)

# 修改
s1['a']=4
# print(s1)


# Series特殊操作

    # 排序
# print(s1.sort_values())     #升序排序

    #序列求中位数
# print(s1)
# print('中位数为：'+str(s1.median()))
# print('大于序列中位数的数\n',s1[s1>s1.median()])

    # 序列的运算
s2 = pd.Series([4,3,5,8],index=['a','b','c','d'])
# print(s2+s1)

    #时间序列
s3 = pd.Series([100,150,200])
# print('产生的序列是：\n',s3)
idx = pd.date_range(start='2019-9',freq='M',periods=3)  #freq 是频率,“M”表示一个月的最后一天
# print('\n生成的时间序列是：\n',idx)
s3.index = idx
# print('\n产生的时间序列是：\n',s3)

'''pd.date_range(
    start=None,#开始时间
    end=None,#截止时间
    periods=None,#总长度
    freq=None,#时间间隔/频率，默认天，pd.date_range()默认频率为日历日，pd.bdate_range()默认频率为工作日
    tz=None,#时区
    normalize=False,#是否标准化到midnight
    name=None,#date名称
    closed=None,#首尾是否在内
)'''

            #数据框（DataFrame）
# pd.DataFrame(data,columns,index)
dic1 = {'name':['Tom','Lily','Cindy','Petter'],'no':['001','002','003','004'],'age':[16,16,15,16],'gender':['m','f','f','m']}
df1 = pd.DataFrame(dic1)
# print('显示该数据结构类型',type(df1))
df1.index.name = 'id'     #index.name给索引命名
# print(df1)

    #查询
'''
获取列索引：df.cloums 
获取行索引：df.index
获取值：df.value
'''
column = df1.no
row = df1.loc[3]
# print(df1)
# print('\n列数据索引\n',column,'\n行数据索引\n',row)


    # 增加
# print('修改前：\n',df1)
df2 = df1.append([{'name':'Stark','no':'005','age':15,'gender':'m'}],ignore_index=True) #接着索引号为4，不写的话就是0
# print('增加行：\n',df2)
df2['new_Col'] = [1,2,3,4,5]
# print('增加列：\n',df2)

    #删除
df3 = df1.copy()
# print('处理前的数据\n',df3)
df3b = df3.drop(['name'],axis=1)
# print('删除列后的数据框\n',df3b)
df3c = df3.drop([2])
# print('删除行后的数据框\n',df3c)

    #合并修改
#按列合并
df4 = pd.DataFrame({'address':['school','home','school','school','home']})
df5 = pd.concat([df2,df4],axis=1)
# print('合并前的df2\n',df2)
# print('合并前的df4\n',df4)
# print('合并后的df5\n',df5)

#按行合并
df6 = pd.DataFrame({'name':['Tony'],'no':['005'],'age':[16],'gender':['m']})
df7 = pd.concat([df1,df6],axis=0,ignore_index=True)
# print('合并前的df1\n',df1)
# print('合并前的df6\n',df6)
# print('合并后的df7\n',df7)