Pandas常用方法

常用属性

np.array(list,dtype=np.int) 创建一个数组 np.shape 显示np数组属性 np.ndim 显示数组维度 np.dtype 显示数组元素类型 np.itemsiex 数组元素所占字节大小 np.size 数组元素个数 np.arange(1,11) 产生一个1-11的等差数列 np.arange(1,11).reshape([2,5]) 从新调整矩阵的行数、列数、维度 axis=0 是列 axis=1 是行

常用生成数组函数

np.arange range的数组版 np.asarray 将输入转换成ndarray，就是将str类型转换 np.ones 根据给定形状和类型生成全1的数组 np.ones_like 根据给定数组生成形状一样的全1数组 np.zeros 根据给定形状和类型生成全0的数组 np.zeros_like 根据给定数组生成形状一样的全1数组 np.eye 生成N*N的特征矩阵 np.linspance 返回在间隔[开始，停止]上计算的num个均匀间隔的样式

常用方法

n.ndim 返回数组的维度个数 n.shape 数组的维度，返回几行几列 n.size 数组元素的个数 n.dtype 元素的类型 n.itemsize 数组元素的大小

数组形状转换

n.T 转置函数，对一维数组无影响 n.reshape() 更改数组的形状 n.resize() 当后面的数组个数大于前面的数量就随机填充

np.resize(np.arange(12), (3, 5)) n.resize(3,5)

数组的类型

int8，uint8 8整位整数 int16，uint16 16整位整数 int32，uint32 32整位整数 int64，uint64 64整位整数 float16 半精度 float32 单精度 float64 双精度 bool 布尔 类型转换astype

ar1 = np.arange(10, dtype=float) ar2 = ar1.astype(np.int64)

数组堆叠

np.hstack() 横向链接 np.vstack() 竖向链接 np.stack() 任意堆叠，当axis=1是竖向堆叠

数组拆分

np.hsplit((ar,2)) 纵向拆分 np.vsplit((ar,2)) 横向拆分

常用计算函数

np.mean() 平局值 np.max() 最大值 np.min() 最小值 np.gtd() 标准差 np.var() 方差 np.sum() 参数axis=0按列求和axis=1按行求和

Numpy随机数

np.random.rand() 生成一个0-1的随机浮点数或N维浮点数 --均匀分布 np.random.randn() 正态分布 np.random.randint() 随机整数 np.random.randint(2,10) 在2-10之间随机整数 np.random.randint(10,50,size=(2,5)) 在10-50之间生成包含10个元素的二维数组

存储/读取数组

ar = np.random.rand(5,5) np.save('arraydata.npy', ar) ar_load = np.load('arraydata.npy')

存储/读取文本数据(Txt)

ar = np.random.rand(5,5) np.savetxt('a.txt', ar, fmt='%d', delimiter=',') ar_loadtxt = np.loadtxt('a.txt', delimiter=',')

方法

df['c'].isin(['内容1','内容2']) # 和内容是否相等 df.loc[df['c'].str.contains('内容1|内容2')] # 是否包含内容 crime.Year = pd.to_datetime(crime.Year, format='%Y') # 将Data类型的年，转换datetime64 crime.set_index('Year', drop = True) # 设置为数据框的索引，默认True删除 all_data = pd.concat([data1, data2]) # 按照行连接两个DataFrame，axis = 1是按照列 df.index.is_unique # 是否有重复数据 有索引或部分索引重叠的两个数据集。可用Series和DataFrame的combine_first方法。 duplicated() 查看列是否重复