Pandas

北理工Python数据分析及展示之Pandas。北理工嵩天老师的Python系列课数据分析与展示最后一章的内容。
加油！

什么是Pandas

Numpy的扩展，但是关注的重点与Numpy不同，Numpy注重的是数据的组织结构，提供更为便捷的数组运算。而Pandas的目标是进行数据分析，更注重数据与索引的关系。

引入Pandas

默认方法：

import pandas as pd

验证安装pandas是否成功：

In [1]: import pandas as pdIn [2]: d = pd.Series(range(20))In [3]: d
Out[3]:
0      0
1      1
2      2
3      3
4      4
5      5
6      6
7      7
8      8
9      9
10    10
11    11
12    12
13    13
14    14
15    15
16    16
17    17
18    18
19    19
dtype: int64In [4]: d.cumsum()
Out[4]:
0       0
1       1
2       3
3       6
4      10‵‵‵
5      15
6      21
7      28
8      36
9      45
10     55
11     66
12     78
13     91
14    105
15    120
16    136
17    153
18    171
19    190
dtype: int64

说明安装成功。

Series类型

由一维ndarray以及对应的索引组成。也就是说一个Series对象包含一个一维ndarray数组和一个index对象。

比如：

In [4]: a = pd.Series([9, 8, 7, 6])In [5]: a
Out[5]:
0    9
1    8
2    7
3    6
dtype: int64

左侧一列数据表示自动索引，0，1，2，3

右侧一列数据表示数组9，8，7，6

元素类型为np.int64

也可以自己定义索引：

In [6]: b = pd.Series([9, 8, 7, 6], index=['a', 'b', 'c', 'd'])In [7]: b
Out[7]:
a    9
b    8
c    7
d    6
dtype: int64

可以看到索引变成了a,b,c,d

Series的创建

可以从以下类型创建：

列表

标量

In [9]: s = pd.Series(25, index=['a', 'b', 'c'])In [10]: s
Out[10]:
a    25
b    25
c    25
dtype: int64

可以看到有3个值为25，索引不同的数据，在这里不能省略index=

字典

In [11]: d = pd.Series({'a':9, 'b':8, 'c':7})In [12]: d
Out[12]:
a    9
b    8
c    7
dtype: int64

可以看到创建了顺序对应的Series。

还可以这样：

In [13]: e = pd.Series({'a':9, 'b':8, 'c':7}, index=['c', 'a', 'b', 'd'])In [14]: e
Out[14]:
c    7.0
a    9.0
b    8.0
d    NaN
dtype: float64

可以看到，自己指定索引时可以与之前的顺序不同，也可以增加索引。可以看作后面index参数是在选择字典中的数据。

ndarray

In [15]: n = pd.Series(np.arange(5))In [16]: n
Out[16]:
0    0
1    1
2    2
3    3
4    4
dtype: int64In [17]: m = pd.Series(np.arange(5), index=np.arange(9, 4, -1))In [18]: m
Out[18]:
9    0
8    1
7    2
6    3
5    4
dtype: int64

其他函数

如range等。

Series基本操作

取数据：

In [22]: b.index
Out[22]: Index(['a', 'b', 'c', 'd'], dtype='object')In [23]: b.values
Out[23]: array([9, 8, 7, 6])

index和values，index是一种类型专门保存索引。而values是ndarray类型。

索引：

In [24]: b[0]
Out[24]: 9In [25]: b['a']
Out[25]: 9In [30]: b[['a', 'b', 'c']]
Out[30]:
a    9
b    8
c    7
dtype: int64

混合索引貌似在当前版本已经不支持了。

切片索引：

In [33]: b = pd.Series([9, 8, 7, 6], ['a', 'b', 'c', 'd'])In [34]: b
Out[34]:
a    9
b    8
c    7
d    6
dtype: int64In [35]: b[3]
Out[35]: 6In [36]: b[:3]
Out[36]:
a    9
b    8
c    7
dtype: int64In [37]: type(b[3])
Out[37]: numpy.int64In [38]: type(b[:3])
Out[38]: pandas.core.series.Series

**注意：**切片索引出的数据还是Series类型。

Series类型也保留了numpy中的一些操作：

In [39]: b[b > b.median()]
Out[39]:
a    9
b    8
dtype: int64In [40]: np.exp(b)
Out[40]:
a    8103.083928
b    2980.957987
c    1096.633158
d     403.428793
dtype: float64

类似于字典的操作：

In [41]: b['b']
Out[41]: 8In [42]: 'c' in b
Out[42]: TrueIn [43]: 0 in b
Out[43]: FalseIn [44]: b.get('f', 100)
Out[44]: 100

get成员函数如果有’f’则返回对应的值，没有返回100.

Series对齐问题：

In [45]: a = pd.Series([1, 2, 3], ['c', 'd', 'e'])In [46]: b = pd.Series([9, 8, 7, 6], ['a', 'b', 'c', 'd'])In [47]: a + b
Out[47]:
a    NaN
b    NaN
c    8.0
d    8.0
e    NaN
dtype: float64

没有对应的值，结果为NaN，都有对应的值，则对应相加，也就是根据索引进行的运算。

Series的name属性以及索引的name属性：

In [48]: b.nameIn [49]: b.name = 'Series对象'In [50]: b.index.name = '索引列'In [51]: b
Out[51]:
索引列
a    9
b    8
c    7
d    6
Name: Series对象, dtype: int64

Series赋值：

In [56]: b['b']
Out[56]: 8In [57]: b['a'] = 15In [58]: b['b', 'c'] = 20
%也可以b[['b', 'c']] = 20In [59]: b
Out[59]:
索引列
a    15
b    20
c    20
d     6
Name: Series对象, dtype: int64

DataFrame类型

Series是一维数据构成，那DataFrame就是二维类型。

index代表行数据，axis=0；coloum代表列数据，axis=1。

DataFrame的创建

可以由：

二维ndarray对象

In [104]: d = pd.DataFrame(np.arange(10).reshape(2, 5))In [105]: d
Out[105]: 0  1  2  3  4
0  0  1  2  3  4
1  5  6  7  8  9

最左边的列和最上面的行都是自动索引。

一维ndarray，列表，字典，元组或者Series构成的字典

In [111]: dt = {'one': pd.Series([1, 2, 3], index = ['a', 'b', 'c']),...: 'two': pd.Series([9, 8, 7, 6], index = ['a', 'b', 'c', 'd'])}In [112]: d = pd.DataFrame(dt)%行索引就是字典中Series中的index，列索引就是字典的键，没有值自动补齐，填充NaN
In [113]: d
Out[113]: one  two
a  1.0    9
b  2.0    8
c  3.0    7
d  NaN    6%自定义列索引，three没有，自己不全NaN
In [114]: pd.DataFrame(dt, index=['b', 'c', 'd'], columns=['two', 'three'])
Out[114]: two three
b    8   NaN
c    7   NaN
d    6   NaN

DataFrame关心数据，索引如果给定就用给定的，而行索引来自index，列索引来自字典的键。

import numpy as np
import pandas as pd dl = {'城市': ['北京', '上海', '广州', '深圳', '沈阳'],'环比': [101.5, 101.2, 101.3, 102.0, 100.1],'同比': [120.7, 127.3, 119.4, 140.9, 101.4],'定基': [121.4, 127.8, 120.0, 145.5, 101.6]}d = pd.DataFrame(dl, index=['c1', 'c2', 'c3', 'c4', 'c5'])
print(d)In [2]: d
Out[2]: 城市     环比     同比     定基
c1  北京  101.5  120.7  121.4
c2  上海  101.2  127.3  127.8
c3  广州  101.3  119.4  120.0
c4  深圳  102.0  140.9  145.5
c5  沈阳  100.1  101.4  101.6In [3]: d.index
Out[3]: Index(['c1', 'c2', 'c3', 'c4', 'c5'], dtype='object')In [4]: d.columns
Out[4]: Index(['城市', '环比', '同比', '定基'], dtype='object')In [5]: d.values
Out[5]:
array([['北京', 101.5, 120.7, 121.4],['上海', 101.2, 127.3, 127.8],['广州', 101.3, 119.4, 120.0],['深圳', 102.0, 140.9, 145.5],['沈阳', 100.1, 101.4, 101.6]], dtype=object)

这里虽然看着生成的DataFrame和之前的顺序相同，实则是无序的，因为字典是无序的。

这里课程录制的时间有点早应该是2017年，课程录制完成后DataFrame的ix方法被弃用，改为更为精确的loc和iloc。

loc方法用于根据行索引名字来索引，iloc根据行号索引：

In [24]: d['同比']
Out[24]:
c1    120.7
c2    127.3
c3    119.4
c4    140.9
c5    101.4
Name: 同比, dtype: float64In [25]: d.loc['c2']
Out[25]:
城市       上海
环比    101.2
同比    127.3
定基    127.8
Name: c2, dtype: objectIn [26]: d.iloc[1]
Out[26]:
城市       上海
环比    101.2
同比    127.3
定基    127.8
Name: c2, dtype: objectIn [27]: d['同比']['c2']
Out[27]: 127.3

Series类型
其他的DataFrame类型

Pandas相关操作

重新索引

reindex函数：

In [28]: d
Out[28]: 城市     环比     同比     定基
c1  北京  101.5  120.7  121.4
c2  上海  101.2  127.3  127.8
c3  广州  101.3  119.4  120.0
c4  深圳  102.0  140.9  145.5
c5  沈阳  100.1  101.4  101.6In [29]: d = d.reindex(index=['c5', 'c4', 'c3', 'c2', 'c1'])In [30]: d
Out[30]: 城市     环比     同比     定基
c5  沈阳  100.1  101.4  101.6
c4  深圳  102.0  140.9  145.5
c3  广州  101.3  119.4  120.0
c2  上海  101.2  127.3  127.8
c1  北京  101.5  120.7  121.4

reindex参数解释（不全，全部自己看帮助文档）

args	comment
index, columns	新的行列自定义索引
fill_value	重新索引中，用于填充确实位置的值
method	填充方法，ffill当前值向前填充，bfill向后填充
limit	最大填充量
copy	默认True，生成新对象，否则，如果新旧相等，不生成新对象

fill_value参数实例：

In [3]: newc = d.columns.insert(4, '新增')In [4]: newd = d.reindex(columns=newc, fill_value=200)In [5]: newd
Out[5]: 城市     环比     同比     定基   新增
c1  北京  101.5  120.7  121.4  200
c2  上海  101.2  127.3  127.8  200
c3  广州  101.3  119.4  120.0  200
c4  深圳  102.0  140.9  145.5  200
c5  沈阳  100.1  101.4  101.6  200

Index对象

Index对象是不可改变的。

Index对象常用的方法：

method	comment
.append(idx)	链接另一个Index对象，产生新的Index对象
.diff(idx)	计算差集，产生新的Index对象
.intersection(idx)	计算交集
.union(idx)	计算并集
.delete(loc)	删除loc位置处的元素
.insert(loc, e)	在loc位置增加一个元素e

这里在跑课程中的实例时出现了问题：

In [36]: nc = d.columns.delete(2)In [37]: ni = d.index.insert(5, 'c0')In [38]: nd = d.reindex(index=ni, columns=nc, method='ffill')
#这一句会报错，错误原因是索引不是单调的，所以填充失败。经查资料，该问题暂时无法解决，可能是因为删除引起的，只好先删除，再调用填充方法。In [39]: nc = d.columns.delete(2)In [40]: ni = d.index.insert(5, 'c0')In [41]: nd = d.reindex(index=ni, columns=nc)In [42]: nd.ffill()
Out[42]: 城市     环比     定基
c5  沈阳  100.1  101.6
c4  深圳  102.0  145.5
c3  广州  101.3  120.0
c2  上海  101.2  127.8
c1  北京  101.5  121.4
c0  北京  101.5  121.4

删除索引对象

.drop

In [53]: a
Out[53]:
a    9
b    8
c    7
d    6
dtype: int64In [54]: a.drop(['b' ,'c'])
Out[54]:
a    9
d    6
dtype: int64In [61]: d
Out[61]: 城市     环比     同比     定基
c5  沈阳  100.1  101.4  101.6
c4  深圳  102.0  140.9  145.5
c3  广州  101.3  119.4  120.0
c2  上海  101.2  127.3  127.8
c1  北京  101.5  120.7  121.4In [62]: d.drop('c5')
Out[62]: 城市     环比     同比     定基
c4  深圳  102.0  140.9  145.5
c3  广州  101.3  119.4  120.0
c2  上海  101.2  127.3  127.8
c1  北京  101.5  120.7  121.4In [63]: d.drop('同比', axis=1)#注意：这里要指定axis，否则会认为删除的是0轴上的元素
Out[63]: 城市     环比     定基
c5  沈阳  100.1  101.6
c4  深圳  102.0  145.5
c3  广州  101.3  120.0
c2  上海  101.2  127.8
c1  北京  101.5  121.4

Pandas相关运算

广播

广播：

In [107]: a = np.arange(10, 20).reshape(2, 5)In [108]: b = np.arange(22, 32).reshape(2, 5)In [109]: a + b
Out[109]:
array([[32, 34, 36, 38, 40],[42, 44, 46, 48, 50]])In [110]: a + 1.0/b
Out[110]:
array([[10.04545455, 11.04347826, 12.04166667, 13.04      , 14.03846154],[15.03703704, 16.03571429, 17.03448276, 18.03333333, 19.03225806]])
#这里1.0/b就用到了广播

In [112]: a = np.arange(0, 10).reshape(2, 5)In [113]: 2*a
Out[113]:
array([[ 0,  2,  4,  6,  8],[10, 12, 14, 16, 18]])
#这里也用到了广播

广播是指在numpy数组间，就算不同形也可以计算的性质，在Pandas中DataFrame和Series也有类似的性质。当然可以广播进行广播是有前提的，要符合广播机制。

广播机制

若两个数组维度不同，但是后缘维度的轴长相同，或者其中有一个轴长为1，则广播兼容

后缘维度：从数组的shape元组后面数就叫后缘维度。

In [112]: a = np.arange(0, 10).reshape(2, 5)In [113]: 2*a
Out[113]:
array([[ 0,  2,  4,  6,  8],[10, 12, 14, 16, 18]])
#后缘维度为5In [116]: b = np.arange(10)In [117]: b.shape
Out[117]: (10,)
#后缘维度10

后缘维度相同：

In [121]: arr1 = np.array([[0, 0, 0], [1, 1, 1,], [2, 2, 2], [3, 3, 3]])In [122]: arr2 = np.array([1, 2, 3])In [123]: print(arr1.shape, arr2.shape)
(4, 3) (3,)In [124]: arr_sum = arr1 + arr2In [125]: arr_sum
Out[125]:
array([[1, 2, 3],[2, 3, 4],[3, 4, 5],[4, 5, 6]])

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & 2 & 3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\end{bmatrix}

\begin{bmatrix}
1 & 2 & 3\
2 & 3 & 4\
3 & 4 & 5\
4 & 5 & 6
\end{bmatrix}
$$

后缘维度中有1：

In [130]: arr1 = np.array([[0, 0, 0], [1, 1, 1,], [2, 2, 2,], [3, 3, 3]])In [131]: arr2 = np.array([[1], [2], [3], [4]])In [132]: print(arr1.shape, arr2.shape)
(4, 3) (4, 1)In [133]: arr1+arr2
Out[133]:
array([[1, 1, 1],[3, 3, 3],[5, 5, 5],[7, 7, 7]])

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & \textcolor{blue} 1 & \textcolor{blue} 1\
2 & \textcolor{blue} 2 & \textcolor{blue} 2\
3 & \textcolor{blue} 3 & \textcolor{blue} 3\
4 & \textcolor{blue} 4 & \textcolor{blue} 4\
\end{bmatrix}

\begin{bmatrix}
1 & 1 & 1\
3 & 3 & 3\
5 & 5 & 5\
7 & 7 & 7
\end{bmatrix}
$$

Pandas运算法则

算数运算根据索引进行运算，补齐后进行运算，默认浮点数
补齐时缺项填充NaN
不同维进行广播运算
使用±*/符号进行运算产生新的对象

算数运算：

In [135]: a = pd.DataFrame(np.arange(12).reshape(3, 4))In [136]: b = pd.DataFrame(np.arange(20).reshape(4, 5))In [137]: a
Out[137]: 0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11In [138]: b
Out[138]: 0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19In [139]: a + b
Out[139]: 0     1     2     3   4
0   0.0   2.0   4.0   6.0 NaN
1   9.0  11.0  13.0  15.0 NaN
2  18.0  20.0  22.0  24.0 NaN
3   NaN   NaN   NaN   NaN NaNIn [140]: a * b
Out[140]: 0     1      2      3   4
0   0.0   1.0    4.0    9.0 NaN
1  20.0  30.0   42.0   56.0 NaN
2  80.0  99.0  120.0  143.0 NaN
3   NaN   NaN    NaN    NaN NaN

方法形式：

method	comment
.add(d, **argws)	加法，带可选参数
.sub(d, **argws)	减肥，带可选参数
.mul(d, **argws)	乘法，带可选参数
.div(d, **argws)	除法，带可选参数

这种形式相对于符号运算形式是有优点的，可以看到符号形式在自动补齐的地方全是NaN，这种可以指定填充字符：

In [141]: b.add(a, fill_value=100)
Out[141]: 0      1      2      3      4
0    0.0    2.0    4.0    6.0  104.0
1    9.0   11.0   13.0   15.0  109.0
2   18.0   20.0   22.0   24.0  114.0
3  115.0  116.0  117.0  118.0  119.0In [142]: a.mul(b, fill_value=0)
Out[142]: 0     1      2      3    4
0   0.0   1.0    4.0    9.0  0.0
1  20.0  30.0   42.0   56.0  0.0
2  80.0  99.0  120.0  143.0  0.0
3   0.0   0.0    0.0    0.0  0.0
#使用fill_value补齐数值

不同维度（类型）的运算

注意Pandas的广播机制和numpy不同

默认在1轴广播，不同维也可广播，填充NaN

In [160]: b
Out[160]: 0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19In [161]: c
Out[161]:
0    0
1    1
2    2
3    3
dtype: int64In [162]: b - c
Out[162]: 0     1     2     3   4
0   0.0   0.0   0.0   0.0 NaN
1   5.0   5.0   5.0   5.0 NaN
2  10.0  10.0  10.0  10.0 NaN
3  15.0  15.0  15.0  15.0 NaN

可以指定0轴广播：

In [164]: b.sub(c, axis=0)
Out[164]: 0   1   2   3   4
0   0   1   2   3   4
1   4   5   6   7   8
2   8   9  10  11  12
3  12  13  14  15  16

比较运算，产生bool对象：

In [165]: a = pd.DataFrame(np.arange(12).reshape(3, 4))In [166]: a
Out[166]: 0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11In [167]: d = pd.DataFrame(np.arange(12, 0, -1).reshape(3, 4))In [168]: d
Out[168]: 0   1   2  3
0  12  11  10  9
1   8   7   6  5
2   4   3   2  1In [169]: a > d
Out[169]: 0      1      2      3
0  False  False  False  False
1  False  False  False   True
2   True   True   True   TrueIn [170]: a == d
Out[170]: 0      1      2      3
0  False  False  False  False
1  False  False   True  False
2  False  False  False  False

比较运算与算数运算不同的是，比较运算只能比较相同索引的元素，不进行补齐。

二维一维，一维零维间为广播运算。使用符号进行的比较运算产生bool对象。

In [179]: a = pd.DataFrame(np.arange(12).reshape(3, 4))In [180]: a
Out[180]: 0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11In [181]: c = pd.Series(np.arange(4))In [182]: c
Out[182]:
0    0
1    1
2    2
3    3
dtype: int64In [183]: a > c
Out[183]: 0      1      2      3
0  False  False  False  False
1   True   True   True   True
2   True   True   True   TrueIn [184]: c > 0
Out[184]:
0    False
1     True
2     True
3     True
dtype: bool
#1轴广播运算，与0维数的运算

Pandas库数据分析

看到这里，我觉得目前没必要继续下去了，要回归主线AI了。接下俩可能会看看Pytorch，OpenCV，接着看学了一半的C++，并且开个矩阵论和自动驾驶原理的头。

【Pandas】北理工嵩天老师Python数据分析与展示之Pandas相关推荐

Matplotlib入门北理工嵩天老师python数据分析与展示单元4随堂笔记
Matplotlib入门北理工嵩天老师python数据分析与展示单元4随堂笔记 Matplotlib库的使用 Matplotlib库由各种可视化类构成,内部结构复杂,受Matlab启发. matp ...
嵩天《Python数据分析与展示》实例4：引力波的绘制
这一部分讲解的是如何利用已有的数据文件绘制引力波图形,相关讲解见注释,数据文件分别为H1_Strain.wav.L1_Strain.wav.wf_template.txt,可从嵩天老师提供的网址下载: ...
北理嵩天老师 Python程序设计课后作业易错题总结
Python程序设计课后作业易错题总结最近小c君在学习北理的嵩天老师在中国大学MOOC上发布的,<Python程序设计>课程. 下面是我总结该课程课后作业的易错题,分享给大家.同时非常推 ...
Python数据分析与展示：pandas库统计分析函数-13
基本的统计分析函数适用于Series和DataFrame类型方法说明 .sum() 计算数据的总和,按0轴计算,下同 .count() 非NaN值的数量 .mean() .median() 计算 ...
北理工嵩天Python语言程序设计笔记（10 Python计算生态概览）
前言本文是对<北理工嵩天/黄天宇/礼欣 Python语言程序设计>的学习笔记,供自己查阅使用. 文章目录北理工嵩天Python语言程序设计笔记(目录) 北理工嵩天Python语言程序 ...
2022中国大学python语言程序设计测试六答案（北理工嵩天、黄天羽、礼欣）
本文章为大家准备2022中国大学python语言程序设计答案,与教学同步,但是还是希望同学们自己可以自己写. 测试一:http://t.csdn.cn/W7fWE 测试二:2022中国大学python ...
北理工嵩天Python语言程序设计笔记（8 文件和数据格式化）
前言本文是对<北理工嵩天/黄天宇/礼欣 Python语言程序设计>的学习笔记,供自己查阅使用. 文章目录北理工嵩天Python语言程序设计笔记(目录) 北理工嵩天Python语言程序 ...
2022中国大学python语言程序设计测试五答案（北理工嵩天、黄天羽、礼欣）
本文章为大家准备2022中国大学python语言程序设计答案,与教学同步,但是还是希望同学们自己可以自己写. 测试一:http://t.csdn.cn/W7fWE 测试二:2022中国大学python ...
利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍一、pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包，主
利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍一.pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包,主要目 ...
Python 数据分析与展示笔记4 -- Pandas 库基础
Python 数据分析与展示笔记4 – Pandas 库基础 Python 数据分析与展示系列笔记是笔者学习.实践Python 数据分析与展示的相关笔记课程链接: Python 数据分析与展示参考 ...

【Pandas】北理工嵩天老师Python数据分析与展示之Pandas

Pandas

什么是Pandas

引入Pandas

Series类型

Series的创建

Series基本操作

DataFrame类型

DataFrame的创建

Pandas相关操作

重新索引

Index对象

删除索引对象

Pandas相关运算

广播

广播机制

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & 2 & 3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\end{bmatrix}

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & \textcolor{blue} 1 & \textcolor{blue} 1\
2 & \textcolor{blue} 2 & \textcolor{blue} 2\
3 & \textcolor{blue} 3 & \textcolor{blue} 3\
4 & \textcolor{blue} 4 & \textcolor{blue} 4\
\end{bmatrix}

Pandas运算法则

Pandas库数据分析

【Pandas】北理工嵩天老师Python数据分析与展示之Pandas相关推荐

最新文章

热门文章

【Pandas】北理工嵩天老师Python数据分析与展示之Pandas

Pandas

什么是Pandas

引入Pandas

Series类型

Series的创建

Series基本操作

DataFrame类型

DataFrame的创建

Pandas相关操作

重新索引

Index对象

删除索引对象

Pandas相关运算

广播

广播机制

$$ \begin{bmatrix} 0 & 0 & 0\ 1 & 1 & 1\ 2 & 2 & 2\ 3 & 3 & 3 \end{bmatrix} + \begin{bmatrix} 1 & 2 & 3\ \textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\ \textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\ \textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\ \end{bmatrix}

$$ \begin{bmatrix} 0 & 0 & 0\ 1 & 1 & 1\ 2 & 2 & 2\ 3 & 3 & 3 \end{bmatrix} + \begin{bmatrix} 1 & \textcolor{blue} 1 & \textcolor{blue} 1\ 2 & \textcolor{blue} 2 & \textcolor{blue} 2\ 3 & \textcolor{blue} 3 & \textcolor{blue} 3\ 4 & \textcolor{blue} 4 & \textcolor{blue} 4\ \end{bmatrix}

Pandas运算法则

Pandas库数据分析

【Pandas】北理工嵩天老师Python数据分析与展示之Pandas相关推荐

最新文章

热门文章

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & 2 & 3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\textcolor{blue} 1 & \textcolor{blue}2 & \textcolor{blue}3\
\end{bmatrix}

$$
\begin{bmatrix}
0 & 0 & 0\
1 & 1 & 1\
2 & 2 & 2\
3 & 3 & 3
\end{bmatrix}
+
\begin{bmatrix}
1 & \textcolor{blue} 1 & \textcolor{blue} 1\
2 & \textcolor{blue} 2 & \textcolor{blue} 2\
3 & \textcolor{blue} 3 & \textcolor{blue} 3\
4 & \textcolor{blue} 4 & \textcolor{blue} 4\
\end{bmatrix}