数据分析数据可视化（一）

需要学习的包：
数据处理：pandas
数据计算：Numpy
数据可视化：matplotlib

下载anaconda个人主要使用spyder
1.简单的函数


```python
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 25 21:20:28 2020
@author: 13056
"""
#切片
s="abcderfwadfeg"
print(s[1:9])
#得到bcderfwa从下标一到下标9
print(s[-10:-1])
#得到derfwadfe从倒数第11个到倒数第1个
#等于倒着数的下标也从0开始#检测开头和结尾
filename='asdf.txt'
print(filename.startswith('.txt'))
#看开头
print(filename.endswith('.txt'))
#看结尾
#得到True或者False#查找是否有值
a="1234"
print(a.find("23"))
#返回1就是True#正则函数
import re
b='fwafefgegger'
b=str(b)
print(re.findall('fefge',b,flags=re.IGNORECASE))
#找到['fefge']#搜索和替换
text="ok hello my nw"
text.replace('hello','hi')
#输出'ok hi my nw'#忽略大小写的替换
text="HI oook"
print(re.sub('hi','my',text,flags=re.IGNORECASE))
#输出my oook#合并拼接字符串
b=['i','have','a','apple']
print(' '.join(b))
#输出i have a apple是一个字符串‘ ’里面是用什么连起来


大家对元组，字典，列表的一些函数如果不熟悉我可以给大家补上。2.Pandas中的数据结构
Series(系列）：是用于存储一行或者一列的数据，以及与之相关的索引的集合。```python```python#首先咱们导入包
from pandas import Series#定义，可以混合定义
x=Series(['a',True,1],index=['first','second','third'])
#索引       值
#first        a
#second    True
#third        1
#dtype:   object
y=Series(['a',True,1])
#如果没写索引默认从0开始，12345。。。
#0       a
#1    True
#2       1
#dtype: object
x['first']
#通过索引访问
x[0]
#通过下标访问#添加
x=x.append(y)
#必须用原序列接收才行#定位获取
x=x[[0,3,2]]
#first    a
#0        a
#third    1
#dtype: object
#得到相应下标的数据，常用于随机抽样。#删除
#定位删除
#根据索引删除，索引为third删除
x=x.dorp('third')
#根据下标删除，下标位3的删除
x=x.drop(x.index[3])
#根据值删除,不等于2的删除
x=x['2'!=x.values]

（2）DataFrame数据框：实用于储存多行和多列的数据集合


#首先咱们导入包
from pandas import DataFrame#建立一个带索引的数据框
data=DataFrame(data={'id':[1,2,3],'name':['join','mike','hero']},index=['first','second','third'])
#可以得到数据框
#        id  name
#first    1  join
#second   2  mike
#third    3  hero#按列查找
print(data['id'])
#first     1
#second    2
#third     3
#Name: id, dtype: int64#按行访问
print(data[1:3])
#        id  name
#second   2  mike
#third    3  hero#按行列号进行访问
print(data.iloc[0:2,0:1])
#        id
#first    1
#second   2#按行号 列名访问
print(data.at['first','name'])
#join at后面是索引+列名#修改列名
data.columns=['idd','name2']
print(data)
#        idd name2
#first     1  join
#second    2  mike
#third     3  hero
#改名成功#修改行索引
data.index=range(1,4)
print(data)
#   idd name2
#1    1  join
#2    2  mike
#3    3  hero
#修改索引成功#根据索引删除
data=data.drop(1,axis=1)
#根据列名删除
data=data.drop('name2',axis=1)
print(data)
#   idd
#1    1
#2    2
#3    3
#删除成功
#第二种删除的方法
del data['name2']#增加一行的方法
data.loc[len(data)+1]={24,"Amy"}
print(data)
df=pandas.DataFrame(data={'id':['001','002','003'],'name':['mike','join','amy']        })
df.reindex(['0','1','2','3'])
#重新构建一个4行的表格
#    id name
#0  NaN  NaN
#1  NaN  NaN
#2  NaN  NaN
#3  NaN  NaN
df.reindex(['0','1','2','3'],fill_value=0)
#  id name
#0  0    0
#1  0    0
#2  0    0
#3  0    0
#重新构建一个4行的表格#ffill向后填充，bfill向前填充
df.reindex(['0','1','2','3'],method='bfill')

3.numpy函数

import numpy
#导入包data=numpy.arange(0.1,0.3,0.01)
#得到一个矩阵，是一个等差数列
#[0.1  0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.2  0.21 0.22 0.23
#0.24 0.25 0.26 0.27 0.28 0.29]#函数式向量化运算，看data的2次方
print(numpy.power(data,2))
#[0.01   0.0121 0.0144 0.0169 0.0196 0.0225 0.0256 0.0289 0.0324 0.0361
# 0.04   0.0441 0.0484 0.0529 0.0576 0.0625 0.0676 0.0729 0.0784 0.0841]print(data[data>0.2])
#可以当作过滤用
#[0.21 0.22 0.23 0.24 0.25 0.26 0.27 0.28 0.29]#矩阵运算
print(numpy.dot(data,data.T))
#得数0.8269999999999995#apply用在循环里
from pandas import DataFrame
data1=DataFrame(data={'data1':numpy.random.randn(5),'data2':numpy.random.randn(5)})
print(data1.apply(lambda x:min(x)))
#data1   -1.244329
#data2   -1.227594
#得到最小值print(data1.apply(lambda x:min(x),axis=1))
#0   -1.244329
#1    1.112316
#2    0.209478
#3   -0.332220
#4   -1.227594
#dtype: float64
#得到行的最小值#对每一行进行判断
print(data1.apply(lambda x:numpy.all(x>0),axis=1))
#0    False
#1     True
#2     True
#3    False
#4    False
#dtype: bool#过滤
data1=data1[data1.apply(lambda x:numpy.all(x>0),axis=1)]
print(data1)
#      data1     data2
#1  1.112316  3.455548
#2  0.292658  0.209478

追加知识：匿名函数：
lambad [arg1,arg2,…argn]:expression
arg参数
expression：命令

数据分析数据可视化（一）相关推荐

Tableau数据分析数据可视化分析平台
Tableau数据分析&数据可视化分析平台本文章内涉及的资源包以及素材均来自于互联网,仅供大家用来交流学习与研究使用,努力提升自己的一篇文章.各类安装包以及素材版权归属原版权方所有,版权 ...
Python爬虫+数据分析+数据可视化（分析《雪中悍刀行》弹幕）
Python爬虫+数据分析+数据可视化(分析<雪中悍刀行>弹幕) 哔哔一下爬虫部分代码部分效果展示数据可视化代码展示效果展示视频讲解福利环节哔哔一下雪中悍刀行兄弟们都看 ...
MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测股价预测 matlab实战数据分析数据可视化时序数据预测变种RNN 股票预测
MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测股价预测 matlab实战数据分析数据可视化时序数据预测变种RNN 股票预测摘要近些年,随着计算机技术的不断发展,神 ...
动手学数据分析-数据可视化
动手学数据分析-数据可视化全部参考 datawhale-动手学数据分析开始前导入numpy和pandas import numpy as np import pandas as pd import ...
Python数据分析-数据可视化(二)
欢迎大家访问个人博客:https://jmxgodlz.xyz 文章目录前言 Matplotlib 折线图格式调整标签线条颜色线条形状折点样式线条透明度前言看到有些论文插图十分简洁美观 ...
Python爬虫实战+数据分析+数据可视化（豆瓣八佰电影影评）
一.爬虫部分爬虫说明: 1.本爬虫是以面向对象的方式进行代码架构的 2.本爬虫爬取的数据存入到MongoDB数据库中 3.爬虫代码中有详细注释代码展示 import re import time ...
python 可视化分析平台_python 数据分析数据可视化工具matplotlib
说明: 数据可视化中的数据集下载地址:(数据来源:从零开始学python数据分析和挖掘) 链接:https://pan.baidu.com/s/1zrNpzSNVHd8v1rGFRzKipQ 提取码: ...
python如何读取mat文件可视化_python 数据分析--数据可视化工具matplotlib
说明: 数据可视化中的数据集下载地址:(数据来源:从零开始学python数据分析和挖掘) 链接:https://pan.baidu.com/s/1zrNpzSNVHd8v1rGFRzKipQ 提取码: ...
项目:招聘网站信息(获取数据+数据分析+数据可视化)
在本次项目中,使用到的第三方库如下: import requestsimport timeimport randomimport jsonimport pandasimport matplotlib. ...
数据分析 | 数据可视化图表，BI工具构建逻辑
一.数据可视化 1.基础概念数据可视化,是关于数据视觉表现形式的科学技术研究.其中,这种数据的视觉表现形式被定义为,一种以某种概要形式抽取出来的信息,包括相应信息单位的各种属性和变量. 如果说的实际 ...

数据分析数据可视化（一）

数据分析数据可视化（一）相关推荐

最新文章

热门文章