教学课件第3章数据分析的基础.pptx

第3章数据分析的基础 第3章 数据分析的基础 3.1 认识Numpy和Pandas 3.2 Numpy的基本使用 3.3 Pandas的基本使用 3.1 认识Numpy和Pandas Numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。Numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 Pandas（Python Data Analysis Library）是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量的数据分析函数库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。除此以外，Pandas还提供了大量能使快速便捷地处理数据的函数和方法，使得Python成为强大而高效的数据分析环境的重要因素之一。 3.2 Numpy的基本使用 3.2.1 创建ndarray数组 ndarray数组是一个N维数组对象（矩阵），它里面设置的所有元素必须是相同的类型。现在通过如下的代码，先来尝试的创建一个ndarray数组。 import numpy as np  x=np.array([1,2,3,4])  print(x) print(type(x)) 3.2 Numpy的基本使用 如果设定的值为不相同类型，那么会统一按照其某一种类型进行统一。 import numpy as np y=np.array([[1,2.,3],[4,5,6]]) print(y) print(type(y)) 类型 类型代码 说明 int8、uint8 i1、u1 有符号和无符号的8bit（1个字节）整型 int16、uint16 i2、u2 有符号和无符号的16位（2个字节）整型 int32、uint32 i4、u4 有符号和无符号的32位（4个字节）整型 int64、uint64 i8、u8 有符号和无符号的64位（8个字节）整型 float16 f2 半精度浮点数 float32 f4/f 标准的单精度浮点数 float64 f8/d 标准的双精度浮点数。 float128 f16/g 扩展精度浮点数 complex64、complex128、complex256 c8、c16、c32 分别用2个32位、64位或128位浮点数表示的复数 bool ? 存储True和False值得布尔类型 object O Python对象类型 string_ S 固定长度的字符串类型（每个字符1个字节） unicode_ U 固定长度的unicode类型（字节数由平台决定） 3.2 Numpy的基本使用 3.2 Numpy的基本使用 3.2.2 运用ndarray数组 ndarray数组是一个多维的数组，多维数组中的维度称之为“轴”（axis），想要了解一个新的数据参数它是多少维度，可以通过ndim属性来进行访问。而shape属性是可以用来访问多少维度以及每一个维度所对应的它的长度。 1、ndarray的算术运算 2、ndarray的切片 3.2 Numpy的基本使用 1、ndarray的算术运算 ndarray数组使用非常的灵活，它不需要使用循环就可以对列表里的元素执行算术运算，语法和对标量元素的操作一样。 3.2 Numpy的基本使用 2、ndarray的切片 切片（slice）是指从数据的位置中找出符合对应位置的数据出来。在进行切片时，通常需要为数组的每个维度指定一个切片位置，每个维度之间用逗号分割，如果没有逗号，表示只在第一维上进行切片。 3.3 Pandas的基本使用 3.3.1 Series数据结构 1、创建Series数据结构 在Pandas中的Series数据结构是一个像数组一样的一维对象，可以存储很多类型的数据。 3.3 Pandas的基本使用 2、访问Series的元素 Series可以同时使用下标和标签两种方式进行访问。 3.3 Pandas的基本使用 3.3.2 DataFrame数据结构 1、DataFrame数据结构的创建 Series对象的index数组存放有每一个元素的标签，而DataFrame对象则有所不同，它有两个索引数组，第一个数组与行相关，它与Series的索引数组极为相似。每个标签与标签所在行的所有元素相关联。而第二个数组包含一系列列标签，每个标签与一列数据相关联。 3.3 Pandas的基本使用 2、DataFrame数据结构的创建 访问DataFrame，需要先使用列的名称，如图3-2所示通过名字、成绩和ID，得到该列对应的Series对象，然后使用下标或者标签访问Series中的元素。