qq_45746668的博客

Matplotlib包中的图像模块提供加载，重新缩放和显示图像所需的功能。Pillow库支持加载图像数据。Matplotlib仅支持PNG图像。如果本机读取失败，下面显示的命令将回退到Pillow。此示例中使用的图像是PNG文件，但请记住数据的Pillow要求。imread()函数用于读取float32 dtype的ndarray对象中的图像数据。

Matplotlib具有广泛的文本支持，包括对数学表达式的支持，对光栅和矢量输出的TrueType支持，具有任意旋转的换行符分隔文本以及unicode支持。Matplotlib包含自己的matplotlib.font_manager，它实现了一个跨平台，符合W3C标准的字体查找算法。

线框图采用值网格并将其投影到指定的三维表面上，并且可以使得到的三维形式非常容易可视化。plot_wireframe()函数用于此目的。

尽管Matplotlib最初设计时只考虑了二维绘图，但是在后来的版本中，Matplotlib的二维显示器上构建了一些三维绘图实用程序，以提供一组三维数据可视化工具。通过导入Matplotlib包中包含的mplot3d工具包，可以启用三维图。可以通过将关键字projection ='3d'传递给任何法线轴创建例程来创建三维轴。

箱形图也称为须状图，显示包含最小值，第一四分位数，中位数，第三四分位数和最大值的一组数据的摘要。在方块图中，绘制从第一个四分位数到第三个四分位数的方框。垂直线穿过中间的框。须状从每个四分位数到最小值或最大值。

饼图只能显示一系列数据。饼图在一个数据系列中显示项目的大小(称为楔形)，与项目的总和成比例。饼图中的数据点显示为整个饼图的百分比。Matplotlib API有一个pie()函数，它生成一个表示数组中数据的饼图。每个楔形的分数面积由x/sum(x)给出。如果sum(x

条形图或条状图是一种图表或图形，它显示带有矩形条的分类数据，其高度或长度与它们所代表的值成比例。可以垂直或水平绘制条形。条形图显示了离散类别之间的比较。图表的一个轴显示要比较的特定类别，另一个轴表示测量值。

刻度是表示轴上数据点的标记。到目前为止，Matplotlib在我们之前的所有实例中都自动接管了轴上间隔点的任务。Matplotlib的默认刻度定位器和格式化器在很多常见情况下通常都足够了。可以明确提及刻度线的位置和标签以满足特定要求。

axes对象的grid()函数将图中网格的可见性设置为on或off。还可以显示网格的主要/次要(或两者)刻度。另外，可以在grid()函数中设置color，linestyle和linewidth属性。

在当前图中，该函数创建并返回一个Axes对象，在ncolsaxes的nrows网格的位置索引处。索引从1到nrows * ncols，以行主顺序递增。如果nrows，ncols和index都小于10。索引也可以作为单个，连接，三个数字给出。例如，subplot(2, 3, 3)和subplot(233)都在当前图形的右上角创建一个轴，占据图形高度的一半和图形宽度的三分之一。创建子图将删除任何与其重叠的预先存在的子图，而不是共享边界。

虽然使用matplotlib.pyplot模块很容易快速生成绘图，但建议使用面向对象的方法，因为它可以更好地控制和自定义绘图。matplotlib.axes.Axes类中也提供了大多数函数。使用更正式的面向对象方法背后的主要思想是创建图形对象，然后只调用该对象的方法或属性。这种方法有助于更好地处理其上有多个绘图的画布。

在本章中，我们将学习如何使用Matplotlib创建一个简单图。假设要在Matplotlib中显示一个简单的角度线图，以弧度为单位，与正弦值相对应。首先，导入Matplotlib包中的pyplot模块，并使用别名为plt。

Anaconda是Python和R编程语言的免费开源发行版，用于大规模数据处理，预测分析和科学计算。 该分发使包管理和部署变得简单容易。 Matplotlib和许多其他有用的(数据)科学工具构成了分发的一部分。 包版本由包管理系统Conda管理。 Anaconda的优势在于可以访问超过720个软件包，可以使用Anaconda的Conda，软件包，依赖项和环境管理器轻松安装。Anaconda发行版可在 https://www.anaconda.com/download/ 找到下载安装。

Matplotlib是用于数据可视化的最流行的Python包之一。 它是一个跨平台库，用于根据数组中的数据制作2D图。 它提供了一个面向对象的API，有助于使用Python GUI工具包（如PyQt，WxPythonotTkinter）在应用程序中嵌入绘图。 它也可以用于Python和IPython shell，Jupyter笔记本和Web应用程序服务器。

Pandas SQL操作的具体实例由于许多潜在的Pandas用户都对SQL有所了解，因此本页面旨在提供一些示例说明如何使用Pandas执行各种SQL操作。

Pandas 稀疏数据操作实例当省略与特定值（NaN /缺失值，尽管可以选择任何值）匹配的任何数据时，稀疏对象将被“压缩”。一个特殊的SparseIndex对象跟踪数据被“分散”的位置。在一个示例中，这将更加有意义。所有标准的Pandas数据结构都应用to_sparse方法：

Pandas IO操作实例读取文本文件的两个主要功能是read_csv()和read_table()。他们都使用相同的解析代码将表格数据智能地转换为DataFrame对象

Pandas 可视化是指使用 Pandas 库中的函数和方法来创建数据可视化图表。Pandas 提供了一些基本的绘图功能，例如折线图、柱状图、饼图等，可以通过调用相应的函数来创建这些图表。

Pandas 分类数据的操作实例数据通常实时包含重复的文本列。性别，国家/地区和代码等功能始终是重复的。这些是分类数据的示例。分类变量只能采用有限的且通常是固定数量的可能值。除固定长度外，分类数据可能还具有顺序，但不能执行数字运算。分类是Pandas数据类型。

Pandas 日期函数操作实例扩展时间序列，日期功能在财务数据分析中起着重要作用。使用日期数据时，我们经常会遇到以下情况-生成日期序列将日期序列转换为不同的频率。

Pandas 连接的操作实例Pandas提供了各种功能，可以轻松地将Series，DataFrame和Panel对象组合在一起。

Pandas 连接的操作实例Pandas具有与SQL等关系数据库非常相似的功能齐全的高性能内存中连接操作。Pandas提供单个功能merge作为DataFrame对象之间所有标准数据库联接操作的入口点

任何groupby操作都会对原始对象进行以下操作：拆分对象应用函数合并结果在许多情况下，我们将数据分成几组，然后在每个子集上应用一些功能。在Apply功能中，我们可以执行以下操作-聚合 − 计算汇总统计转换 − 分组操作过滤 − 在某些条件下过滤数据现在我们创建一个DataFrame对象并对其执行所有操作。

Pandas 数据丢失的操作实例在现实生活中，数据丢失始终是一个问题。机器学习和数据挖掘等领域在模型预测的准确性方面面临严重问题，因为缺少值会导致数据质量较差。在这些领域中，缺失值处理是使模型更准确和有效的主要重点。

Pandas 聚合的操作实例创建滚动，扩展和ewm对象后，可以使用多种方法对数据执行聚合。

Pandas 窗口函数的操作实例为了处理数字数据，Pandas提供了一些变体，例如滚动，扩展和按指数移动权重以进行窗口统计。其中包括和，均值，中位数，方差，协方差，相关性等。

Pandas 统计函数的操作实例统计方法有助于理解和分析数据的行为。现在，我们将学习一些统计函数，可以将它们应用于Pandas对象。百分比变化Series，DatFrames和Panel都具有功能pct_change()。此函数将每个元素与其先前的元素进行比较，并计算更改百分比。

Pandas 自定义选项操作实例Pandas因为提供了API来自定义行为，所以被广泛使用。自定义API中有五个相关功如下：

Pandas 文本处理操作实例在本章中，我们将使用基本的Series / Index讨论字符串操作。在随后的章节中，我们将学习如何在DataFrame上应用这些字符串函数。Pandas提供了一组字符串函数，可以轻松地对字符串数据进行操作。最重要的是，这些函数忽略（或排除）缺少的/ NaN值。

Pandas的排序方式有两种：按 标签按实际值我们看一个下面的示例。

在Pandas对象上进行基本迭代的行为取决于类型。在Series上进行迭代时，它等同于数组。其他数据结构（例如DataFrame和Panel）遵循类似dict的语法，即在对象的键上进行迭代。

重建索引 会更改DataFrame的行标签和列标签。重新索引是指使数据与特定轴上的一组给定标签匹配。通过索引可以完成多个操作，例如-重新排序现有数据以匹配一组新标签。在标签数据不存在的标签位置中插入缺失值(NA)标记。

CSV（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。CSV 是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。Pandas 可以很方便的处理 CSV 文件，本文以 nba.csv 为例，你可以下载 nba.csv 或打开 nba.csv 查看。

DataFrame 是 Pandas 中的另一个核心数据结构，用于表示二维表格型数据。DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。

Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。Series 的数据结构是非常有用的，因为它可以处理各种数据类型，同时保持了高效的数据操作能力。

安装 pandas 需要基础环境是 Python，Pandas 是一个基于 Python 的库，因此你需要先安装 Python，然后再通过 Python 的包管理工具 pip 安装 Pandas。

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。Pandas 名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。

NumPy 提供了线性代数函数库 linalg，该库包含了线性代数所需的所有功能，可以看看下面的说明：

NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。一个 的矩阵是一个由行（row）列（column）元素排列成的矩形阵列。

NumPy 提供了多种排序的方法。 这些排序函数实现不同的排序算法，每个排序算法的特征在于执行速度，最坏情况性能，所需的工作空间和算法的稳定性。 下表显示了三种排序算法的比较。