numpy和pandas简单使用
numpy和pandas简单使用
import numpy as np
import pandas as pd
一维数据分析
numpy中使用array, pandas中使用series
numpy一维数组array
1.基本使用
a= np.array([2,3,4,5])
a
array([2, 3, 4, 5])
a[0]
2
a[1:3]
array([3, 4])
a.dtype
dtype('int64')
2.向量化计算
a=np.array([1,2,3])
b=np.array([4,5,6])
a + b
array([5, 7, 9])
a * b
array([ 4, 10, 18])
3.统计功能
np.mean(a)
2.0
np.std(a)
0.816496580927726
pandas一维数据结构series
1.基本使用
stocks=pd.Series([54.74,190.0,173.14,1050.3,181.86,1139.49],index=['腾讯','阿里巴巴','苹果', '谷歌', 'Facebook', '亚马逊'])
- 描述统计信息
stocks.describe()
count 6.000000
mean 464.921667
std 491.284358
min 54.740000
25% 175.320000
50% 185.930000
75% 835.225000
max 1139.490000
dtype: float64
- 按照位置取值
stocks.iloc[0]
54.74
- 按照索引取值
stocks.loc['腾讯']
54.74
2.向量化计算
s1 = pd.Series([1,2,3,4], index=['a', 'b', 'c', 'd'])
s2 = pd.Series([10,20,30,40], index=['a', 'b', 'e', 'f'])
s3 = s1 + s2
s3
a 11.0
b 22.0
c NaN
d NaN
e NaN
f NaN
dtype: float64
- 相同index名称相加,index不同默认结果为NaN
- 下面两种去除NaN的方法
s3.dropna()
a 11.0
b 22.0
dtype: float64
s3 = s1.add(s2, fill_value=0)
s3
a 11.0
b 22.0
c 3.0
d 4.0
e 30.0
f 40.0
dtype: float64
二维数据分析
numpy二维数组array
1.基本使用
a = np.array([[1,2,3, 4],[5,6,7,8],[9,10,11,12]])
a
array([[ 1, 2, 3, 4],[ 5, 6, 7, 8],[ 9, 10, 11, 12]])
a[0,2]
3
- 取第一行
a[0,:]
array([1, 2, 3, 4])
- 取第一列
a[:, 0]
array([1, 5, 9])
- 按行计算均值 axis=1 按行 axis=0 按列
a.mean(axis=1)
array([ 2.5, 6.5, 10.5])
pandas二维数据结构DataFrame
1.基本使用
- 向DataFrame中传入一个字典
salesDict = {'购药时间': ['2018-01-01 星期五', '2018-01-02 星期六', '2018-01-06 星期三'],'社保卡号': ['001616528', '001616528', '0012602828'],'商品编码': [236701, 236701, 236701],'商品名称': ['强力VC银翘片', '清热解毒口服液', '感康'],'销售数量': [6,1,2],'应收金额': [82.8,28,16.8],'实收金额': [69, 24.64, 15]
}
saleDf=pd.DataFrame(salesDict)
saleDf
购药时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
---|---|---|---|---|---|---|---|
0 | 2018-01-01 星期五 | 001616528 | 236701 | 强力VC银翘片 | 6 | 82.8 | 69.00 |
1 | 2018-01-02 星期六 | 001616528 | 236701 | 清热解毒口服液 | 1 | 28.0 | 24.64 |
2 | 2018-01-06 星期三 | 0012602828 | 236701 | 感康 | 2 | 16.8 | 15.00 |
- 使用OrderedDict保证数据有序
from collections import OrderedDict
salesOrderDict = OrderedDict(salesDict)
salesDf = pd.DataFrame(salesOrderDict)
salesDf
购药时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
---|---|---|---|---|---|---|---|
0 | 2018-01-01 星期五 | 001616528 | 236701 | 强力VC银翘片 | 6 | 82.8 | 69.00 |
1 | 2018-01-02 星期六 | 001616528 | 236701 | 清热解毒口服液 | 1 | 28.0 | 24.64 |
2 | 2018-01-06 星期三 | 0012602828 | 236701 | 感康 | 2 | 16.8 | 15.00 |
- 统计功能
salesDf.mean()
商品编码 236701.000000
销售数量 3.000000
应收金额 42.533333
实收金额 36.213333
dtype: float64
- 按照位置读取数据
salesDf.iloc[0,1]
'001616528'
- 读取第一行数据
salesDf.iloc[0,:]
购药时间 2018-01-01 星期五
社保卡号 001616528
商品编码 236701
商品名称 强力VC银翘片
销售数量 6
应收金额 82.8
实收金额 69
Name: 0, dtype: object
- 读取第一列数据
salesDf.iloc[:,0]
0 2018-01-01 星期五
1 2018-01-02 星期六
2 2018-01-06 星期三
Name: 购药时间, dtype: object
- 按照列名称读取数据
- 读取某一列或某几列数据
salesDf.loc[:,'商品名称']
0 强力VC银翘片
1 清热解毒口服液
2 感康
Name: 商品名称, dtype: object
salesDf.loc[:, ['商品名称', '销售数量']]
商品名称 | 销售数量 | |
---|---|---|
0 | 强力VC银翘片 | 6 |
1 | 清热解毒口服液 | 1 |
2 | 感康 | 2 |
- 读取列数据的简单写法
salesDf['商品名称']
0 强力VC银翘片
1 清热解毒口服液
2 感康
Name: 商品名称, dtype: object
2.筛选查询
- 构建查询条件
querySet = salesDf.loc[:, '销售数量'] > 1
type(querySet)
pandas.core.series.Series
querySet
0 True
1 False
2 True
Name: 销售数量, dtype: bool
- 应用查询条件
salesDf.loc[querySet,:]
购药时间 | 社保卡号 | 商品编码 | 商品名称 | 销售数量 | 应收金额 | 实收金额 | |
---|---|---|---|---|---|---|---|
0 | 2018-01-01 星期五 | 001616528 | 236701 | 强力VC银翘片 | 6 | 82.8 | 69.0 |
2 | 2018-01-06 星期三 | 0012602828 | 236701 | 感康 | 2 | 16.8 | 15.0 |
3.pandas读取execl
这里依赖于xlrd
fileNameStr = './手机销售情况.xlsx'
xls = pd.ExcelFile(fileNameStr)
salesDf = xls.parse('Sheet1')
- 读取前5行
salesDf.head()
商品名称 | 单价 | 销量 | |
---|---|---|---|
0 | IphoneXsMax | 9900 | 100000 |
1 | IphoneXR | 5000 | 500000 |
2 | 小米9 | 2999 | 2000000 |
3 | IpadMini5 | 2999 | 100000000 |
- 查看数据类型
salesDf.loc[:, '单价'].dtype
dtype('int64')
salesDf.dtypes
商品名称 object
单价 int64
销量 int64
dtype: object
- 查看数据行数列数
salesDf.shape
(4, 3)
- 每一列的描述统计信息
salesDf.describe()
单价 | 销量 | |
---|---|---|
count | 4.000000 | 4.000000e+00 |
mean | 5224.500000 | 2.565000e+07 |
std | 3256.603599 | 4.957341e+07 |
min | 2999.000000 | 1.000000e+05 |
25% | 2999.000000 | 4.000000e+05 |
50% | 3999.500000 | 1.250000e+06 |
75% | 6225.000000 | 2.650000e+07 |
max | 9900.000000 | 1.000000e+08 |
转载于:https://www.cnblogs.com/Peter2014/p/10611010.html
numpy和pandas简单使用相关推荐
- Numpy和Pandas的简单使用
Numpy和Pandas的简单使用 Numpy Numpy基本数据结构 Numpy基本操作和属性 Numpy矩阵运算 Pandas pandas数据读取 pandas数据展示 Pandas数据处理 P ...
- 让数据分析更便捷快速,了解这12种Numpy和Pandas函数
选自TowardsDataScience 作者:Kunal Dhariwal 机器之心编译 我们都知道,Numpy 是 Python 环境下的扩展程序库,支持大量的维度数组和矩阵运算:Pandas 也 ...
- python做数据分析的包_用Python做数据分析,Numpy,Pandas,matp
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 用Python做数据分析,Numpy,Pandas,matplotlib是怎么也绕不开的三个包,我最开始学习pandas是看的<利用Python进行 ...
- NumPy和Pandas常用库
NumPy和Pandas常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组. 用于对整组数 ...
- python使用教程pandas-python学习教程之Numpy和Pandas的使用
前言 本文主要给大家介绍了关于python中Numpy和Pandas使用的相关资料,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍吧. 它们是什么? NumPy是Python语言的一个扩 ...
- Python 学习 —— Numpy 、Pandas 傻傻分不清楚
之前的文章里面谈到过,我从R转到Python上,一个很大的不习惯就是R的数据结构比较简单,但是Python的数据类型比较多,很容易就令人头脑混乱.但是今天学习了一下Udacity的课程,顿时就清楚多了 ...
- 加速数据分析,这12种高效Numpy和Pandas函数为你保驾护航
我们都知道,Numpy 是 Python 环境下的扩展程序库,支持大量的维度数组和矩阵运算:Pandas 也是 Python 环境下的数据操作和分析软件包,以及强大的数据分析库.二者在日常的数据分析中 ...
- [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
- 每天10分钟用python学数据分析_用Python做数据分析,Numpy,Pandas,matp
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 用Python做数据分析,Numpy,Pandas,matplotlib是怎么也绕不开的三个包,我最开始学习pandas是看的<利用Python进行 ...
最新文章
- 生化医学文章模式图素材
- python爬虫正则表达式实例-Python爬虫(十一)_案例:使用正则表达式的爬虫
- Android 混淆打包
- 微信数据分析包准备(Python)
- Visual Studio 2017 社区版的安装与组件修改(C++)
- RUNOOB python练习题5
- 经典数据结构——堆的实现
- mysql实际应用在哪里_MySQL数据库的实际应用步骤
- 函数指针c语言typedef,typedef 函数指针的用法(附例子)
- 2021-2025年中国窗帘行业市场供需与战略研究报告
- 记录CodeForces第一次比赛经历
- python基础之流程控制(if判断和while、for循环)
- 面试题ajax干什么的,ajax面试题
- 【Java】JavaSocket编程开发聊天室-客户端核心部分
- pandas绘图plot函数
- pycharm前进、后退快捷键
- Linux nodejs 安装以及配置环境
- ios(ipad,iphone)屏幕旋转检测通用方法
- Android R上展讯平台CameraAPP的Settings设置项管理
- Linux:GRO generic offload; TSO