、

文章目录     Numpy（Numerical Python） Scipy 参考学习资料：      Numpy（Numerical Python）  Numpy：提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。  高性能科学计算和数据分析的基础包 ndarray，多维数组（矩阵），具有矢量运算能力，快速、节省空间 矩阵运算，无需循环，可完成类似Matlab中的矢量运算 线性代数、随机数生成...

文章目录  ndarray 多维数组(N Dimension Array)           NumPy数组是一个多维的数组对象（矩阵），称为`ndarray`，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。   **注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型** ndarray拥有的属性   ndarray的随机创建 ndarray的序列创建     1. `np.array(collection)` 2. `np.zeros()` 3. `np.ones()` 4. `np.empty()` 5. `np.arange()` 和 `re...

文章目录    ndarray的矩阵运算     1. 矢量运算：相同大小的数组间运算应用在元素上 2. 矢量和标量运算："广播" - 将标量"广播"到各个元素   ndarray的索引与切片     1. 一维数组的索引与切片 2. 多维数组的索引与切片： 3. 条件索引   ndarray的维数转换     ndarray的矩阵运算 数组是编程中的概念，矩阵、矢量是数学概念。 在计算机编程中，矩阵可以用数组形式定义，矢量可以用结构定义!  1. 矢量运算：相同大小的数组间运算应用在元素上 示例代码（1）： # 矢量与矢量运算 arr = np.arr...

文章目录    元素计算函数 元素统计函数 元素判断函数 元素去重排序函数     元素计算函数   ceil(): 向上最接近的整数，参数是 number 或 array floor(): 向下最接近的整数，参数是 number 或 array rint(): 四舍五入，参数是 number 或 array isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array multiply(): 元素相乘，参数是 number 或 array divide(): 元素相除，参数是 number 或 array abs()：元素的绝对值，参数是 num...

文章目录    2016年美国大选民意调查数据统计： 示例代码1 ： 示例代码2：    2016年美国大选民意调查数据统计：  项目地址：https://www.kaggle.com/fivethirtyeight/2016-election-polls 该数据集包含了2015年11月至2016年11月期间对于2016美国大选的选票数据，共27列数据   示例代码1 ：  # loadtxt import numpy as np # csv 名逗号分隔值文件 filename = './presidential_polls.csv' # 通过loadtxt()读取本地csv文件  data_...

文章目录    什么是Pandas?     什么是Pandas?  Pandas的名称来自于面板数据（panel data）和Python数据分析（data analysis）。  Pandas是一个强大的分析结构化数据的工具集，基于NumPy构建，提供了 高级数据结构 和 数据操作工具，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。  一个强大的分析和操作大型结构化数据集所需的工具集 基础是NumPy，提供了高性能矩阵的运算 提供了大量能够快速便捷地处理数据的函数和方法 应用于数据挖掘，数据分析 提供数据清洗功能

文章目录  Pandas的数据结构   Series     1. 通过list构建Series 2. 获取数据和索引 3. 通过索引获取数据 4. 索引与数据的对应关系不被运算结果影响 5. 通过dict构建Series name属性   DataFrame     1. 通过ndarray构建DataFrame 2. 通过dict构建DataFrame 3. 通过列索引获取列数据（Series类型） 4. 增加列数据 5. 删除列      Pandas的数据结构 import pandas as pd  Pandas有两个最主要也是最重要的数据结构： Series 和 DataFrame...

文章目录  Pandas的索引操作   索引对象Index     1. Series和DataFrame中的索引都是Index对象 2. 索引对象不可变，保证了数据的安全 常见的Index种类   Series索引     1. index 指定行索引名 2. 行索引 3. 切片索引 4. 不连续索引 5. 布尔索引   DataFrame索引     1. columns 指定列索引名 2. 列索引 3. 不连续索引   高级索引：标签、位置和混合     1. loc 标签索引 2. iloc 位置索引 3. ix 标签与位置混合索引 注意      Pandas的索引操作  索引对象I...

文章目录  Pandas的对齐运算   Series的对齐运算     1. Series 按行、索引对齐 2. Series的对齐运算   DataFrame的对齐运算     1. DataFrame按行、列索引对齐 2. DataFrame的对齐运算   填充未对齐的数据进行运算     1. fill_value      Pandas的对齐运算 是数据清洗的重要过程，可以按索引对齐进行运算，如果没对齐的位置则补NaN，最后也可以填充NaN  Series的对齐运算  1. Series 按行、索引对齐 示例代码： s1 = pd.Series(range(10, 20), index...

文章目录  Pandas的函数应用   apply 和 applymap     1. 可直接使用NumPy的函数 2. 通过apply将函数应用到列或行上 3. 通过applymap将函数应用到每个数据上   排序     1. 索引排序 2. 按值排序   处理缺失数据     1. 判断是否存在缺失值：isnull() 2. 丢弃缺失数据：dropna() 3. 填充缺失数据：fillna()      Pandas的函数应用  apply 和 applymap  1. 可直接使用NumPy的函数 示例代码： # Numpy ufunc 函数 df = pd.DataFrame(np.r...

文章目录  层级索引（hierarchical indexing）   MultiIndex索引对象 选取子集     1. 外层选取： 2. 内层选取：   交换分层顺序     1. swaplevel()   交换并排序分层     sortlevel()      层级索引（hierarchical indexing）  下面创建一个Series， 在输入索引Index时，输入了由两个子list组成的list，第一个子list是外层索引，第二个list是内层索引。  示例代码： import pandas as pd import numpy as np ser_obj = pd.Se...

文章目录  Pandas统计计算和描述   常用的统计计算     sum, mean, max, min…   常用的统计描述     describe 产生多个统计数据   常用的统计描述方法：    Pandas统计计算和描述 示例代码： import numpy as np import pandas as pd df_obj = pd.DataFrame(np.random.randn(5,4), columns = ['a', 'b', 'c', 'd']) print(df_obj)  运行结果：  a b c d 0 1.469682 1.948965 1.373124 -0....

文章目录  Pandas分组与聚合   分组 (groupby)   一、GroupBy对象：DataFrameGroupBy，SeriesGroupBy   1. 分组操作 2. 分组运算 3. 按自定义的key分组  二、GroupBy对象支持迭代操作   1. 单层分组 2. 多层分组 三、GroupBy对象可以转换成列表或字典 1. 按列分组、按数据类型分组 2. 其他分组方法 3. 通过字典分组 4. 通过函数分组，函数传入的参数为行索引或列索引 5. 通过索引级别分组   聚合 (aggregation)     1. 内置的聚合函数 2. 可自定义函数，传入agg方法中 3. 应...