Study：day06—Numpy科学计算与Pandas数据分析

Study：day06—Numpy科学计算与Pandas数据分析

• Numpy科学计算
  • 什么是Numpy？
  • 为什么要使用Numpy
  • Numpy中的数据类型
  • 数组的创建
  • Numpy数组的索引和切片聚合
  • Numpy的数组操作
  • Numpy的IO操作
• Pandas数据分析
  • Pandas的数据结构
  • Pandas的IO操作
  • 数据增删改查
  • Pandas的SAC操作
  • A部分的ATF操作
  • C部分合并，补充操作
  • Pandas的时序处理
  • Pandas数据清洗
    • 缺失值/异常值/重复值
    • 数据标准化

1.1 Numpy科学计算

import numpy as np
np.__version__

'1.26.4'

基于Numpy的算法要比纯python快10-100倍，甚至更快，使用的内存更小

import sys
print(sys.getsizeof(my_list2))
print(sys.getsizeof(my_arr2))

a = [0,1,2,3,4]
b = [9,8,7,6,5]
a = np.array(a)
b = np.array(b)

a**2+b**3

array([729, 513, 347, 225, 141])

1.1.1 数组对象ndarray

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images
/20230724024159.png?origin_url=.%2Fimage%2F1.png&pos_id=img-7Qf0otmV-1727171957354)
![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/202307240
24159.png?origin_url=.%2Fimage%2F2.png&pos_id=img-FwcEuzUf-1727171957355)
![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/im
ages/20230724024159.png?origin_url=.%2Fimage%2F3.png&pos_id=img-ntz8p6Z3-1727171957355)

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/202307
24024159.png?origin_url=.%2Fimage%2F4.png&pos_id=img-4xj8dCbs-1727171957355)

1.1.2 ndarray对象的属性

a = np.array([
    [0,1,2,3,4],
    [9,8,7,6,5]
])

print( a.shape )  # 查看数组对象的形状
print( a.ndim )  # 查看维度数量 或者族的数量
print( a.size )  # 查看对象元素的个数
print( a.dtype )  # 查看元素类型

(2, 5)
2
10
int32

b = np.array([
    [0,1,2,3,4],
    [9,8,7,6,5]
],dtype='int8')  # 使用int8进行存储，可以占用更少的字节数量，更省空间
print( b.dtype )
print( b.itemsize )

int8
1

1.2数组对象的创建

使用np.array创建数组

np.array([1,2,3]) # 创建一位数组
np.array((4,5,6)) # 也可以使用元组

np.array([1,2,3],ndmin=2) # 这是一个二维的数组
np.array([
    [1,2],[3,4]
])

np.array([
    [[1,2,3],
     [3,4,3]],
    [[1,2,1],
     [3,4,4]],
    [[1,2,1],
     [3,4,4]],
    [[1,2,1],
     [3,4,4]],
]) # 三维数组,先描述第三个维度,其次才是1,2维度

array([[[1, 2, 3],
        [3, 4, 3]],

       [[1, 2, 1],
        [3, 4, 4]],

       [[1, 2, 1],
        [3, 4, 4]],

       [[1, 2, 1],
        [3, 4, 4]]])

1.