目录

一、开发环境

二、使用步骤

三、数据分析

1.numpy模块

2.matplotlib模块

3. pandas模块

3.1 Series类

3.2 DataFrame类

一、开发环境
1.anaconda

集成环境：集成了数据分析和机器学习中所需要的全部环境。

下载官网： https://www.anaconda.com/

2.jupyter

anaconda 提供的一个基于浏览器的可视化开发工具。

二、使用步骤
jupyter

1.启用：在终端中输入 jupyter notebook 指令。

2.新建：Python3源文件。

3.cell两种模式：code（代码）、Markdown（笔记）

4.cell快捷键：添加（a/b）、删除（x）、修改模式（m笔记、y代码）

5.执行cell：shift+enter

6.解释说明：shift+tab

三、数据分析

1.numpy模块

数值型数组

1.创建

        使用np.array()创建

        使用plt创建

        使用np的outines函数创建

2.数组和列表的区别

数组中存储的数据元素类型必须一致。

优先级：字符串>浮点型>整数

3.函数

zero()

        ones()

linespace()

arange()

random系列

'''
1.使用array()创建一个一维数组
2.使用array()创建一个二维数组
3.使用array()创建一个多类型数组
anaconda集成环境已经安装好了各个模块（numpy）
array(object,type='') 
    object 源数据
    type 数据类型
'''
import numpy as np #导入numpy模块取别名np
arr1 = np.array([1,2,3]) 
arr1 #打印arr，无需写print 
arr2 = np.array([[1,2,3],[4,5,6]]) 
arr2
arr3 = np.array([1,2.2,'three']) 
arr3
np.ones(shape = (3,4)) #创建各个元素都是1的3行4列的数组
np.linespace(0,100,num=20) #创建含有20个元素且各个元素之间的差都是一样的一维等差数列
np.arange(10,20,step=2) #创建10-20每隔2的一维等差数列
np.random.randint(0,100,size=(5,3)) #创建含有5行3列的0-100的随机元素的数组

打印结果：

---------------------------------------------------

array([1,2,3])

---------------------------------------------------

array([[1,2,3],

[4,5,6]])

---------------------------------------------------

array(['1','2.2','three'],dtype='
---------------------------------------------------

2.matplotlib模块

1.imread()

2.imshow()

import matplotlib.pyplot as plt
image_arr = plt.imread('./1.jpg') #读取图片（三维数组），返回数组，数组中装载的是图片内容
image_arr #打印
plt.imshow(image_arr) #将numpy数组进行可视化展示，图片展读取到im坐标系中显示出来
image_arr = image_arr - 100 #将每一个数据元素都减去100
plt.imshow(image_arr)

打印结果：

-------------------------------------------

array([[[1,2,3],

[4,5,6]

...

[7,8,9]],

[[1,2,3],

[4,5,6]

...

[7,8,9]]])

-------------------------------------------

1.jpg图片（原始图片）

-------------------------------------------

1.jpg图片（处理后的图片）

-------------------------------------------

3. pandas模块

常用的类：

Series
DataFrame

3.1 Series类

Series类是一种类似一维数组的对象，由以下两部分组成：

values ：一组数据（ndarray类型）
index：相关的数据索引标签

Series 的创建：

由列表或numpy数组创建
由字典创建

Series(data=[指定数组],index=[指定索引])

index：默认（隐式索引）是0开始的数值型索引，指定索引可增强可读性

Series的索引和切片

s[索引] 或者 s.指定索引
切片 s[开始索引:结束索引]

Series常用属性

shape：形状
size：元素个数
index：索引
values：值
dtype：类型（dtype('O')表示object，字符串类型）

Series常用方法

head(n),tail(n)：显示前/后n个数据，n默认是5
unique()：去重
isnull(),notnull()：判断元素是否为空/不为空
add(),sub(),mul(),div()：算数运算，索引一致的元素进行算术运算，否则补空。

from pandas import Series
import numpy as np

s1 = Series(data=[1,2.15,'three'])
s1 #打印

s2 = Series(data=np.random.randint(0,100,size=(3,)))  #numpy创建一维数组
s2

s3 = Series(data=[1,2.15,'three'],index=['a','b','c'])
s3 #打印

dic = {
    '语文':99,
    '数学':88,
    '英语':77
}
s4 = Series(data=dic)
s4 #打印s4

s4[0]  #打印 99
s4.语文  #打印 99

s4[0:2]  #切片

s4.shape  #(3,) 即3行列，类似一维数组的对象
s4.size  #3 元素个数
s4.index  # 索引
s4.values  #值
s4.dtype #类型

s4.head(2)
s4.tail(2)

s4.unique()

s4.isnull()
s4.notnull()

s5 = Series(data=[1,2,3],index=['a','b','c'])
s6 = Series(data=[1,2,3],index=['a','d','c'])
s7 = s5 + s6
s7

打印结果：

----------------------------

0 1

1 2.15

2 three

dtype:object

----------------------------

0 3

1 23

2 12

dtype:int64

----------------------------

a 1

b 2.15

c three

dtype:object

----------------------------

语文 99

数学 88

英语 77

dtype:int64

----------------------------

99

99

----------------------------

语文 99

数学 88

dtype:int64

----------------------------

(3,)

3

index(['语文','数学','英语'],dtype='object')

array([99,88,77])

dtype('int64')

----------------------------

语文 99

数学 88

dtype:int64

----------------------------

数学 88

英语 77

dtype:int64

----------------------------

array([99,88,77])

----------------------------

语文 False

数学 False

英语 False

dtype:bool

----------------------------

语文 True

数学 True

英语 True

dtype:bool

----------------------------

a 2.0

b NaN

c 6.0

d NaN

dtype:float64

----------------------------

3.2 DataFrame类

DataFrame是一个【表格型】的数据结构，由按一定顺序排列的多列数据组成，多维。

行索引：index
列索引：columns
值：values

DataFrame的创建：

由narray创建
由字典创建

DataFrame常用属性

shape：形状
index：行索引
columns：列索引
values：值

DataFrame的索引和切片

df[索引] ：取单列，若df有显示索引，则通过索引机制取行或列时只可以使用显示索引
df[[索引,索引]] ：取多列
df.iloc[索引]：取单行
df.iloc[[索引,索引]]：取多行

loc：通过显示索引取行

iloc：通过隐式索引取行

df[索引][索引]：取单个元素
df[[索引,索引],索引]：取多个元素
df[索引开始:索引结束]：切行
df.iloc[:,索引开始:索引结束]：切列

pandas的方法

pd.to_datetime(col)：时间数据类型的转换
df.set_index()：将某一列设置为行索引

from pandas import DataFrame
import pandas as pd

df1 = DateFrame(data=[[1,2,3],[4,5,6]])
df1

df2 = DateFrame(data=np.random.randint(0,10,size=(4,3)))
df2

dic3 = {
    'name':['zs','ls','ww'],
    'salary':[100,200,300]
}
df3 = DateFrame(data=dic)
df3

df3.iloc['name'] #取单列
df3.iloc[['name','salary']] #取多列

df3.iloc[0] #取单行
df3.iloc[[0,1]] #取多行

df3.iloc[0,0] #取单行
df3.iloc[[0,1],0] #取多行

dic4 = {
    'time':['2020-10-12','2021-10-12','2022-10-12'],
    'salary':[100,200,300]
}
df4 = DateFrame(data=dic)
df4['time'].dtype  #dtype('O') 

df4['time'] = pd.to_datetime(df4['time'])
df4['time'].dtype  #datetime64[ns]

df4.set_index('time',inplace=True)  #将time列作为源数据行索引
df4  #inplace=True改变原始数列，默认不改变

输出结果：

--------------------------------------

. 0 1 2

——————————

0 1 2 3

1 4 5 6

--------------------------------------

. 0 1 2

——————————

0 7 2 5

1 1 9 6

2 2 4 3

3 5 8 0

--------------------------------------

. name salary

————————————

0 zs           100

1 ls          200

2 ww 300

--------------------------------------

0 zs

1 ls

2 ww

name:c,dtype:int64

--------------------------------------

. name salary

————————————

0 zs           100

1 ls          200

2 ww 300

--------------------------------------

name zs

salary 100

name:c,dtype:int64

--------------------------------------

. name salary

————————————

0 zs           100

1 ls          200

2 ww 300

--------------------------------------

zs

--------------------------------------

0 zs

1 ls

name:c,dtype:int64

--------------------------------------

暑期编程PK赛得CSDN机械键盘等精美礼品！

Python分析及可视化

目录

一、开发环境

二、使用步骤

三、数据分析

1.numpy模块

2.matplotlib模块

3. pandas模块

3.1 Series类

3.2 DataFrame类

一、开发环境
1.anaconda

集成环境：集成了数据分析和机器学习中所需要的全部环境。

下载官网： https://www.anaconda.com/

2.jupyter

anaconda 提供的一个基于浏览器的可视化开发工具。

三、数据分析

3. pandas模块

常用的类：

Series
DataFrame

Python相关栏目本月热门文章

Python分析及可视化

目录 一、开发环境 二、使用步骤 三、数据分析 1.numpy模块 2.matplotlib模块 3. pandas模块 3.1 Series类 3.2 DataFrame类

一、开发环境 1.anaconda 集成环境：集成了数据分析和机器学习中所需要的全部环境。 下载官网： https://www.anaconda.com/ 2.jupyter anaconda 提供的一个基于浏览器的可视化开发工具。

三、数据分析

3. pandas模块 常用的类： SeriesDataFrame

Python相关栏目本月热门文章

目录

一、开发环境

二、使用步骤

三、数据分析

1.numpy模块

2.matplotlib模块

3. pandas模块

3.1 Series类

3.2 DataFrame类

一、开发环境
1.anaconda

集成环境：集成了数据分析和机器学习中所需要的全部环境。

下载官网： https://www.anaconda.com/

2.jupyter

anaconda 提供的一个基于浏览器的可视化开发工具。

3. pandas模块

常用的类：

Series
DataFrame