numpy

基本属性

n维数组；数值运算
创建数组： np.array(list,dtype=)
数组维度：array.ndim
数组形状：array.shape
数组元素个数：array.size

创建数组

普通创建：np.array(list)
全0数组：np.zeros((row,col))
全1数组：np.ones((row,col))
有序数列：np.arange(num); np.arange(start,end,by)
改变形状：array.reshape((row,col))
生成线段：np.linspace(start,end,num)

基础运算

    a = np.array([1,2,3,4]).reshape((2,2))b = np.arange(4).reshape((2,2))

np.fun(array) 多数情况等于 arrary.fun()
加减乘除等运算都是作用于元素: a*b;sin(a);a<3:返回布尔值
矩阵相乘：np.dot(a,b); 有第一点，还可以表示为a.dot(b)
矩阵转置：np.transpose(a);a.T
随机矩阵（元素为0-1的随机数）：np.random.rand(row,col)
随机矩阵（元素服从标准正态分布）：np.random.randn(row,col)
数组求和：np.sum(a)
数组求最值：np.max(a);np.min(a)
行/列操作：np.sum(a,axis=0/1) 0表示跨行（垂直）；1表示跨列（水平）
最值索引：np.argmin(a);np.argmax(a)
平均：np.mean(a)
中位数：np.median(a)
累加：np.cumsum(a)
累差：np.diff(a)
逐行排序：np.sort(a)
截取矩阵：np.clip(a,min,max) 所有小于min的数=min，大于max的数=max

索引切片

i行：a[i]
j列：a[:,j]
i行j列：a[i][j];a[i,j]
i行n-m列：a[i, n:m]
把数组展为1维数组：a.flatten()

合并

垂直合并： np.vstack((a,b))
水平合并：np.hstack((a,b))
多个数组合并：np.concatenate((a,b,c,d),axis=0/1)

分割

等量分割：np.split(a,n,axis=) （n表示分割成几块）
不等量分割：np.array_split(a,n,axis=)
竖直分割：np.vsplit(a,n)
水平分割：np.hsplit(a,n)

浅拷贝和深拷贝

浅拷贝：b复制a，修改a后b跟着改变；增加指针指向已存在的内存地址。b = a
深拷贝：b复制a，修改a后b不跟着改变；增加指针且申请了一个新的内存地址。b = a.copy()

pandas

基本属性

数据框；数据处理；基于numpy
创建df：pd.DataFrame(data,index,columns)
df类型：df.dtypes
df 行名/列名/值：df.index/df.columns/df.values
df描述：df.describe()
df转置：df.T
按索引排序：df.sort_index(axis=0/1,ascending=bool)
按值排序：df.sort_values(by=col_name,ascending)

选择数据

df = pd.DataFrame(data,columns=['A','B','C'],index=[1,2,3])

选择某列：df[‘A’];df.A
选择某行：df[i:i+1]
按标签选择：df.loc[ [1,2],[‘A’,'B’] ]
按位置选择：df.iloc[i,j];df.iloc[i:j,k:l];df.iloc[[1,2,4],1:4]
混合选择：df.ix[]
条件选择：df[df.A<3]

处理缺失值

丢弃：df.dropna(axis,how=‘any’/‘all’)
填充：df.fillna(value=0)
检查：df.isna().sum()

导入/导出数据

导入csv：pd.read_csv(’…csv’)
导出数据：df.to_csv(‘文件名’)

concat合并

concat([df1,df2,df3],axis,ignore_index,join,join_axes)

axis: 0纵向/1横向
ignore_index: True表示对旧index整合成新的index
join：inner取交集；outer取并集
join_axes:选择对齐的索引

df1.append([df2,df3])

纵向合并，将df2，df3添加到df1下面

merge合并

pd.merge(left,right,on=[‘key1’,‘key2’],how=‘inner’/‘outer’/‘left’/‘right’,indicator,suffixes)

on：以某个列名作为连接键
how：连接方式
indicator：取值为True时，显示merge方式
suffixes=[左表后缀名，右表后缀名]：为列名增添后缀

pd.merge(left,right,left_index=True,right_index=True,how=’’)

left_index/right_index:取值为True时，按行名连接

matplotlib.pyplot

Series

data = pd.Series(...)
data.plot() / plt.plot(data)
plt.show()

数据分析知识体系 Python篇相关推荐

数据分析知识体系与校招时间线
一.数据分析知识体系整理 1.统计学(数据分析核心理论基础之一) 具体知识点: 统计学两大基础定理:大数定理,中心极限定理常见分布的图像,性质与应用(ex. 正态分布,泊松分布-) 假设检验 &am ...
聊聊后端程序员的知识体系-第一篇
聊聊后端程序员的知识体系-第一篇原文链接:https://www.fpthinker.com/backend_knowledge_architecture/knowledge.htmll 亲爱的读者 ...
张俊红数据分析知识体系（持续更新中......）
本文从用户思维.数据分析思维.数据分析技能.学习能力四个方面进行自我总结. 01 | 用户思维数据分析终究是围绕用户的一系列行为进行展开的,所以做数据分析第一门需要掌握的知识是懂用户. 首先得知 ...
python数据分析知识体系_数据分析知识体系
[数据获取] 一.获取原始数据 1.从数据库 / 数据仓库中获取(数据库 + 数据仓库 + SQL提数) 2.爬虫爬取(R语言爬虫 + Python爬虫) 3.手工整理(问卷数据录入.数据表制作等) ...
Python知识体系-Python工具大全
1.环境管理:管理 Python 版本和环境的工具 p – 非常简单的交互式 python 版本管理工具. pyenv – 简单的 Python 版本管理工具. Vex – 可以在虚拟环境中执行命令. ...
数据分析师知识体系业务篇
目录分析框架事件分析漏斗分析 AARRR模型获取用户激发活跃提高留存增加收入病毒传播三大增长引擎 1.粘着式增长引擎 2. 付费式增长引擎 3.爆发式增长引擎指标异常分析问题定位 ...
包邮再送500份！我们自制了一张【数据分析知识鼠标垫】，抓紧领取
之前,我们自制了一款<数据分析全栈知识鼠标垫>,做了500张送给粉丝,很快就抢没了,获得了不错的反馈,来看看大家的晒图: 感谢粉丝们的口口相传,这张鼠标垫现在也算小有名气了,现在还经常有读 ...
python知识体系_python学习知识体系梳理
工作后,先后几份工作都是跟数据处理相关的,但是没有什么技术含量,有感于手上没有一门精通的技术实在很限制个人的发展,所以想选择一门编程语言来增强自己的本领,提升自己的价值.之所以选择Python,是因为 ...
[知识图谱实战篇] 三.Python提取JSON数据、HTML+D3构建基本可视化布局
前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

数据分析知识体系 Python篇

numpy

基本属性

创建数组

基础运算

索引切片

合并

分割

浅拷贝和深拷贝

pandas

基本属性

选择数据

处理缺失值

导入/导出数据

concat合并

merge合并

matplotlib.pyplot

Series

数据分析知识体系 Python篇相关推荐

最新文章

热门文章

数据分析 知识体系 Python篇

numpy

基本属性

创建数组

基础运算

索引切片

合并

分割

浅拷贝和深拷贝

pandas

基本属性

选择数据

处理缺失值

导入/导出数据

concat合并

merge合并

matplotlib.pyplot

Series

数据分析 知识体系 Python篇相关推荐

最新文章

热门文章

数据分析知识体系 Python篇

数据分析知识体系 Python篇相关推荐