【Python】Python入门知识（4）

matplotlib基础

matplotlib须知

matplotlib是python最著名的绘图库，它提供了—整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。

其中，matplotlib的pyplot子库提供了和matlab类似的绘图API，方便用户快速绘制2D图标。
matplotlib中的快速绘图的函数库可以通过如下语句载入：

import matplotlib.pyplot as plt

接下来调用figure创建一个绘图对象，并且使他成为当前的绘图对象：

plt.figure(figsize=(8,4))

其中，figsize参数可以指定绘图对象的宽度和高度，单位为英尺；
此外，还有dpi的值，即绘图对象的分辨率，也就是每英寸包含多少个像素，缺省值为80。因此本例子中所创建的图标窗口的宽度为8*80=640像素。

关于figure函数：
①也可以不创建绘图对象直接调用接下来的plot函数直接绘图。
②如果需要同时绘制多幅图标的话，可以是给figure传递一个整数参数指定图标的序号。
③如果所指定序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。

plot函数绘制折线图

相关函数：
①label：给所绘制的曲线一个名字，此名字在图示（legend）中显示
②color：指定曲线的颜色
③linewidth：指定曲线的宽度
④其中‘b–’参数指定的是曲线的颜色和线型
⑤xlabel/ylabel：设置x轴/y轴的文字
⑥title：设置图表的标题
⑦ylim：设置y轴的范围
⑧legend：显示图示
代码如下：

import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(8,4))
x=np.linspace(0,10,100)
y=np.sin(x)
z=np.cos(x**2)
plt.plot(x,y,label='sin(x)',color='red',linewidth=2)
plt.plot(x, z, 'b--', label='cos(x^2)')
plt.xlabel('Time(s)')
plt.ylabel('volt')
plt.title('PyPlot First Example')
plt.ylim(-1.2,1.2)
plt.legend()
plt.show()

第一、二行：numpy和pyplot包的导入。
第三行：创建一张八英寸宽，四英寸高的画布。
第四行：用numpy中的linspace函数创建一个在0~10之间递增的序列并均分为1000份，然后存入变量x中。
第五行：将刚创建好的x变量带入numpy中自带的正弦函数中，得出相应的序列y。
第六行：将变量x的平方带入numpy中自带的余弦函数中，得出相应的序列z。
第七行：向plot函数中分别传入横轴数据、纵轴数据，曲线名称（label），曲线颜色（color），线的粗细（linewidth）
第八行：向plot函数中分别传入横轴数据、纵轴数据，曲线的颜色和样式（b–），以及曲线名称（cos（x^2））。
第九行：横坐标名。
第十行：纵坐标名。
第十一行：图标名。
第十二行：y轴范围大小设置
第十三行：显示图注
第十四行：显示图示

运行结果：

在得到图表后，我们可以通过调用plt.savefig()将当前的figure对象保存成图像文件，图像格式由图像文件的扩展名决定。

plt.savefig('D:\test.jpg',dpi=600)

实际上不需要调用show()显示图表，可以直接用savefig()将图表保存成图像文件，使用这种方法可以很容易编写出批量输出图表的程序。

Pandas基础

Pandas须知

Pandas是Python的一个数据分析包。
Pandas纳入大量库和标准数据类型，提供高效的操作数据集所需的工具。
Pandas提供大量能使我们快速便捷地处理数据的函数和方法。
Pandas是字典形式，基于NumPy创建，让NumPy为中心的应用变得更加简单。
Pandas最核心的就是Series和DataFrame两个数据结构：

名称	维度	说明
Series	1维	带有标签的同结构类型数组
DataFrame	2维	表格结构，带有标签，大小可变，且可以包含异构数组

注：一个DataFrame中可以包含若干个Series。

Pandas的数据结构

利用Series和DataFrame函数进行列表或字典导入：

import pandas as pd # 引入模块别名
x=pd.Series(list/dictionary)
x=pd.DataFrame(list/dictionary)

Series

Series类似于numpy中的一维数组，除了通吃一维数组可用的函数或方法，而且其可通过索引标签的方式获取数据，还具有索引的自动对齐功能；
有常用的两种方式创建：
①通过列表创建
②通过字典创建

应用实例①，通过列表创建：

import numpy as np # 基于numpy的pandas
import pandas as pd
arr1 = np.arange(10)
s1 = pd.Series(arr1)
print(s1)

运行结果：

其中左边为索引号，右边为索引值，最下面显示的是数据类型（32位整型）。

应用实例②，通过字典创建：

#import numpy as np
import pandas as pd
dic1={'a':10, 'b':20, 'c':30, 'd':40, 'e':50}
s2 = pd.Series(dic1)
print(s2)

运行结果：

其中左边为关键字，右边为索引值，最下面显示的是数据类型（64位整型）。

DataFrame

DataFrame类似于numpy中的二维数组，同样可以通用numpy数组的函数和方法，而且还具有其他灵活应用。
也是有常用的两种方式创建：
①通过列表创建
②通过字典创建

应用实例①，通过列表创建：

import numpy as np
import pandas as pd
arr2 = np.arange(12).reshape(4,3)
df1 = pd.DataFrame(arr2)
print(df2)

运行截图：

默认的行列索引和列名都是[0,N-1]的形式。

应用实例②，通过字典创建：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
print(df2)

运行结果：

应用实例③，在创建DataFrame的时候指定列名和索引。以列表为例：

import numpy as np
import pandas as pd
arr2 = np.arange(12).reshape(4,3)
df1 = pd.DataFrame(arr2)
df1.columns={'colm1', 'colm2', 'colm3'}
print(df1)

运行结果：

注：
①DataFrame的不同列可以是不同的数据类型。
②如果以Series数组来创建DataFrame，每个Series将成为一行，而不是一列。

Pandas索引

序列或数据框的索引有两大用处：
①通过索引值或索引标签获取目标数据。
②通过索引，可以使序列或数据框的计算、操作实现自动化对齐。

一维序列索引——Series

①使用s1[index]索引

import numpy as np
import pandas as pd
arr1 = np.arange(10)
s1 = pd.Series(arr1)
#print(s1,'\n')
print(s1[5],'\n')
#print(s1[0:3])

运行结果:

②使用s1[:]切片

import numpy as np
import pandas as pd
arr1 = np.arange(10)
s1 = pd.Series(arr1)
#print(s1,'\n')
#print(s1[5],'\n')
print(s1[0:3])

运行结果：

多维序列索引——DataFrame

①通过标签选择
loc：通过行和列的索引来访问数据，用例如下：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
print(df2)
print(df2.loc[0])

运行截图：

在这里我们就用loc函数取出了字典中标签为‘0’的一行。

②通过标签来在多个轴上进行选择，如图：

代码如下：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.loc[:,['a','b']])

运行结果：

③标签切片，如图：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.loc['1':'3',['a','c']])

可以看到，在对标签进行切片时，切片结果是闭区间而不是左闭右开区间，这里需要注意。
④通过位置进行选择：
iloc：通过行和列的下标来访问数据
这里我们通过传递数值进行位置选择（选行）：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.iloc[3])

⑤通过数值进行切片

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.iloc[1:3,0:2])

运行结果：

可以看出，当我们在用位置或是说数值进行切片访问的时候(iloc)，采取了左闭右开区间的方式，与之前的认知相符合，要和标签切片访问(loc)做好区分。

⑥通过指定一个位置的列表
这里我们通过相邻或者不相邻的几个位置来打印数据，用例如下：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.iloc[[0,1,3],[2,3]])

运行截图：

⑦对行进行切片
这里仍然是左闭右开区间：

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.iloc[1:3,:])

运行截图：

⑧对列进行切片

#import numpy as np
import pandas as pd
dic2 = {'a':[1,2,3,4], 'b':[5,6,7,8], 'c':[9,10,11,12], 'd':[13,14,15,16]}
df2 = pd.DataFrame(dic2)
#print(df2)
print(df2.iloc[:,1:4])

运行截图：

结束语

本篇博客主要介绍了Python中matplotlib的绘图以及pandas基础等内容，Python的入门内容就告一段落了。后面将继续更新Python面向对象编程、机器学习算法等内容，感谢观看。