weimingchao的博客

matplotlib——3D图实验目的熟练掌握matplotlib中3D图的绘制方法实验原理Matplotlib 也可以绘制 3D 图像，与二维图像不同的是，绘制三维图像主要通过 mplot3d 模块实现。但是，使用 Matplotlib 绘制三维图像实际上是在二维画布上展示，所以一般绘制三维图像时，同样需要载入 pyplot 模块。mplot3d 模块下主要包含 4 个大类，分别是：mpl_toolkits.mplot3d.axes3d()mpl_toolkits.mplot3d.axis3

matplotlib——散点图实验目的了解scatter函数的每个参数的含义掌握使用matplotlib画散点图的方法实验原理散点图：matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None

matplotlib——饼状图实验目的了解pie函数的每个参数的含义掌握使用matplotlib画饼状图的方法实验原理函数pie如下所示，它画出数组x表示的饼形图，每一份的比例为x/sum(x)；如果sum(x）的和小于1，那么，直接用x的值当作比例，不会去标准化它。默认的块是逆时针，从x轴开始。pie(x, explode=None, labels=None,colors=(‘b’, ‘g’, ‘r’, ‘c’, ‘m’, ‘y’, ‘k’, ‘w’),autopct=None, pctdis

matplotlib——直方图大中小实验目的了解hist函数的每个参数的含义掌握使用matplotlib画直方图的方法实验原理直方图函数原型：matplotlib.pyplot.hist(x, bins=None, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype=’bar’, align=’mid’, orientation=’vertical’, rwidth=None, log=F

按照函数进行分组实验环境Python 3.6.1Jupyter实验内容数据聚合函数的应用代码部分import numpy as npimport pandas as pd1.创建三行四列的随机整数DataFrame对象，整数范围1-6df1 = pd.DataFrame(np.random.randint(1,6,(3,4)))df1 0 1 2 3 0

内置函数的数据聚合实验环境Python 3.6.1PyCharm实验内容数据聚合函数的应用代码部分import numpy as npimport pandas as pd1.创建六行五列的随机整数DataFrame对象，列索引为：A-E，行索引为：1,2，3,4,50,51整数范围1-8df1 = pd.DataFrame(np.random.randint(1,8,(6,5)),columns=list('ABCDE'),index=['1','2','3','4','50','5

实验目的了解bar函数的每个参数的含义掌握使用matplotlib画条形图的方法实验原理条形图：（1）函数原型:matplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, **kwargs)创建一个水平条形图。创建一个带有矩形边界的水平条，设置如下：left, left + width, bottom, bottom + height(left, right, bottom and top edges)输入参

pandas——DataFrame基本操作(一)实验目的熟练掌握pandas中DataFrame的基本操作实验原理DataFrame提供的是一个类似表的结构，由多个Series组成，而Series在DataFrame中叫columns。一、查看数据（查看对象的方法对于Series来说同样适用）1.查看DataFrame前xx行或后xx行a=DataFrame(data);a.head(6)表示显示前6行数据，若head()中不带参数则会显示全部数据。a.tail(6)表示显示后6行数据，若

常用创建数组方法：numpy属性：Numpy常用函数：实验环境Python 3.6Jupyter实验代码1、Numpy.ndarray函数1.ndarray的属性import numpy as npa = np.arange(15).reshape(3,5)aarray([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])1）使用shape查看a的形状a.s

常用函数：实验代码：import numpy as np1、切片与索引1.1维数组索引1）创建一个数组a，对a进行反向切片操作a=np.arange(10) aarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])a[::-1] array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])2) 间隔取值a[::2]array([0, 2, 4, 6, 8])3) 取数组a前5个元素a[:5]array([0, 1, 2

Pandas用法import pandas as pdimport numpy as np1.创建Series1）创建一个空Seriess = pd.Series()s<ipython-input-3-85850638a114>:1: DeprecationWarning: The default dtype for empty Series will be 'object' instead of 'float64' in a future version. Specify a

实验环境Python 3.6.1Jupyter使用Numpy中的random模块中常用函数的使用方法numpy.random.rand(d0,d1,…,dn)rand函数根据给定维度生成[0,1)之间的随机浮点数或N维浮点数组，包含0，不包含1dn表格每个维度返回值为指定维度的arraynumpy.random.randn(d0,d1,…,dn)randn函数返回一个或一组样本，具有标准正态分布。dn表格每个维度返回值为指定维度的array标准正态分布介

实验目的熟练掌握pandas中DataFrame的修改元素值、缺失值处理、合并操作的方法实验原理concat合并：pd.concat(objs, axis=0, join=‘outer’, join_axes=None, ignore_index=False,keys=None, levels=None, names=None, verify_integrity=False)参数：objs: series，dataframe或者是panel构成的序列lsit。axis： 需要合并链接的轴，0

pandas的基本函数实验目的熟练掌握pandas基本函数使用方法实验原理列转行方法stack函数：pandas.DataFrame.stack(self, level=-1, dropna=True)，对于普通的DataFrame而言，直接列索引转换到最内层行索引，生一个Series对象。对于层次化索引的DataFrame而言，可以将指定的索引层转换到行上，默认是将最内层的列索引转换到最内层行。unstack函数：pandas.DataFrame.unstack(self, level=-1

pandas–groupby相关操作pandas——groupby操作实验目的熟练掌握pandas中的groupby操作实验原理groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False）参数说明：by：是指分组依据（列表、字典、函数，元组，Series）axis：是作用维度（0为行，1为列）level：根据索引级别分组sort：对groupby分组后新的dat

重塑层次化索引练习参考文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.stack.htmlhttps://pandas.pydata.org/pandas-docs/stable/user_guide/reshaping.html#reshaping-by-stacking-and-unstackingimport numpy as npimport pandas as pddf1 =

import numpy as npimport pandas as pd参考文档: https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.combine_first.html合并重叠数据练习df1 = pd.DataFrame(np.random.rand(4,3))df1 0 1 2

import numpy as npimport pandas as pd轴向堆叠练习两个 Data Frame 对象， dfl 的列索弓 l 为［ 0 , 1 , 2 , 3 ] ，行索引为0- 5 , df2 的列索引为[2,3,4 , 5 ] ，行索引为0-4 ，数据随机整数，范围 3 一 9df1 = pd.DataFrame(np.random.randint(3,9,(6,4)))df1 0 1 2

import numpy as npimport pandas as pd标记重复值&删除重复值df1 = pd.DataFrame({"A":[1,1,5,1],"B":[2,2,2,5],"C":[1,1,3,6],"D":[3,3,5,6],"E":[8,8,1,1]})df1 A B C D E 0 1 2

工具：jupyter Python3数据排序import numpy as npimport pandas as pd参数说明：1、axis：轴索引(排序的方向)，0代表index(行)，1代表columns(列)2、ascending：是否升序排序，默认为True，表示升序，降序(False)3、by：表示排序的列(按值进行排序)更多参数详见：https://pandas.pydata.org/docs/user_guide/dsintro.html#dataframeDataFr.

工具/原料：jupyter notebookPython3统计计算函数练习import pandas as pdimport numpy as np1、创建DataFrame对象，3行5列随机整数，范围0-9df1 = pd.DataFrame(np.random.randint(0,10,(3,5)))df1 0 1 2 3 4 0 .

开发工具：jupyter notebook（Python3）series索引操作import numpy as npimport pandas as pd一个Serie对象，其值为随机randn产生的6个浮点数，索引值为A,B,C,D,E,Fser1 = pd.Series(np.random.randn(6),index=['A','B','C','D','E','F'])ser1A -1.917343B -0.557361C 0.508091D 1.489.

import numpy as npimport pandas as pdDataFrame创建程序创建行列索引arr1 = np.arange(10).reshape(2,5)arr1array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]])demo1 = pd.DataFrame(arr1,index=['a','b'],columns=['A','B','C','D','E'])demo1 A