Панды
Pandas - один из пакетов Python, ориентированных на данные, который значительно упрощает импорт и анализ данных. Pandas построен на Numpy и matplot, что делает манипулирование данными и визуализацию более удобными.
Импорт панд
Перед импортом на вашу платформу нам необходимо сначала установить его. Руководство по установке pandas можно найти здесь: › https://pandas.pydata.org/pandas-docs/stable/install.html .
import pandas as pd
Загрузка данных
from .csv
rev=pd.read_csv("ifg.csv")
from dictionary
rev=pd.Dataframe(dict)
from database[docs]
from pandas.io import sql
import sqlite3
conm=sqlite3.connect(/Users/gjreda/Dropbox/gregreda.co)
que="select * from towed where make='TOWER'"
res=sql.read_sql(que,con=conm)
res.head()
Команда головой и хвостом
rev.head() rev.tail()
Команда head используется для возврата первых N строк в фрейме данных, тогда как tail используется для получения последних N строк.
Dataframe
Dataframe - это двумерная помеченная структура данных со столбцами потенциально разных типов.
df = pd.DataFrame([[y, x1_1, x2_1, ...], [y, x1_2, x2_2, ...], ... ])df.columns = ['class', 'x1', 'x2', ...]
Базовое описание фрейма данных: df.shape
Описание фрейма данных: df.describe()
Типы столбцов списка: df.dtypes
Перечислить уникальные значения в столбце: df['columnName'].unique()
Numpy
Numpy - это библиотека для вычислений на Python, которая предоставляет высокопроизводительный объект многомерного массива и инструменты для работы с массивами.
Импорт
import numpy as np
a = np.array([1, 2, 3])
print(type(a))
print(a.shape)
print(a[0], a[1], a[2])
a[0] = 5
print(a)
b = np.array([[1,2,3],[4,5,6]])
print(b.shape)
print(b[0, 0], b[0, 1], b[1, 0])
Создание массивов
import numpy as np
a = np.zeros((2,2))
print(a)
b = np.ones((1,2)) # Create an array of all ones
print(b) # Prints "[[ 1. 1.]]"
c = np.full((2,2), 7) # Create a constant array
print(c) # Prints "[[ 7. 7.]
# [ 7. 7.]]"
d = np.eye(2) # Create a 2x2 identity matrix
print(d) # Prints "[[ 1. 0.]
# [ 0. 1.]]"
Индексирование массива
import numpy as np # Create the following rank 2 array with shape (3, 4) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) # Use slicing to pull out the subarray consisting of the first 2 rows # and columns 1 and 2; b is the following array of shape (2, 2): # [[2 3] # [6 7]] b = a[:2, 1:3] # A slice of an array is a view into the same data, so modifying it # will modify the original array. print(a[0, 1]) # Prints "2" b[0, 0] = 77 # b[0, 0] is the same piece of data as a[0, 1] print(a[0, 1]) # Prints "77"import numpy as np # Create the following rank 2 array with shape (3, 4) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) # Two ways of accessing the data in the middle row of the array. # Mixing integer indexing with slices yields an array of lower rank, # while using only slices yields an array of the same rank as the # original array: row_r1 = a[1, :] # Rank 1 view of the second row of a row_r2 = a[1:2, :] # Rank 2 view of the second row of a print(row_r1, row_r1.shape) # Prints "[5 6 7 8] (4,)" print(row_r2, row_r2.shape) # Prints "[[5 6 7 8]] (1, 4)" # We can make the same distinction when accessing columns of an array: col_r1 = a[:, 1] col_r2 = a[:, 1:2] print(col_r1, col_r1.shape) # Prints "[ 2 6 10] (3,)" print(col_r2, col_r2.shape) # Prints "[[ 2] # [ 6] # [10]] (3, 1)"
Типы данных
import numpy as np
x = np.array([1, 2]) # Let numpy choose the datatype
print(x.dtype) # Prints "int64"
x = np.array([1.0, 2.0]) # Let numpy choose the datatype
print(x.dtype) # Prints "float64"
x = np.array([1, 2], dtype=np.int64) # Force a particular datatype
print(x.dtype)
Вы можете найти меня в Twitter, связаться со мной в Linkedin здесь
Помогите нам работать в позднюю ночную смену, купив нам чашку кофе
