Numpy np.array() #数组的存储数据类型必须是统一的，如果不是统一的会按照 #str>float>int #转换为统一类型 np.array([1,2,3]) #返回一个一维数组 arry = np.array([[1,2,3],[1,1,1],[1,1,1]]) #返回二维数组 arry.shape() arry.shape(arry) #传入一个数组 返回数组的形状 np.full() np.full(shape=(5,6),fill_value = 55) #返回一个指定纬度的制定值的数组 np.linspace() np.linspace(0,100,num=10) #返回一个指定区间等差数列 一维数组 np.arange() np.arange(0,100,2) #返回一个指定区间的一维数组 np.random.randint() np.random.randint(0,100,size=(6,7)) #返回指定维度,指定区间的,随机数组 np.random.seed() np.random.seed(10) #固定随机因子 np.random.random() np.random.random(size=(4,5)) #返回0到1之间 ,指定维度的二维数组 属性 arry.ndim # 返回数组的形状 arry.size #返回数组的大小 arry.dtype #返回数组元素的类型 切片 #,左边是行 右边是列 arr[0:2] #切前两行 arr[:,0:2] 切前两列 arr[::-1] #行倒叙 arr[:,::] #列倒序 变形 #保证改变的形状要可以装的下原本形状 arr1.reshape((4)) # 指定数组的形状 arr1.reshape((2,-1)) #-1是计算机自己计算 级联 #0 是列 1是行 #必须保证级联的 行/列 是一样的 a1 = np.random.randint(0,10,size=(4,5)) a2 = np.random.randint(0,10,size=(4,5)) np.concatenate((a1,a2),axis=0) 切分 #0是行 1是列 np.split(al,[2],axis=1) 聚合 0是列 1是行 不写是全部 a1.sum(axis=0) #求每一列的和 a1.sum() #求全部的和 排序 0是列 1是行 np.sort(a1,axis=0) #每一列从小到大排序 返回新的数组 a1.sort(axis=1) #没一行排序 映射会原数组 Pandas 导包 impost pandas as pd from pandas import Series,DataFrame Series #Series必须是一维 s1 = Series(data=[1,2,3,4,5]) #创建一个Series对象 隐式索引 s1[0] #1 s2 = Series(data=[1,2,3,4,5],index=['a','b','c','d','e') #创建一个Series对象 隐式索引 和显示索引 s2['a'] #1 a1[[1,2,3]] #1,2,3 loc显示索引 iloc 是隐私索引 a['7'] = 7 增加一个值 notnill #值是nitll返回Flase isnill #值是nitll返回True DataFrame 创建 DataFrame(data=np.random.randint(60,120,size=(3,3),index=['a','b','c'],columns=['A','B','C']) #data 数据源 size 形状 index 行显示索引 columns 列显示索引 #字典的 key是列索引 dfc = { '张三':[150,150,150], '李四':[0,0,0,0] } DataFrame(data=dic) 属性 df.values() #显示数据源 df.index() #返回行索引 df.columns() #返回列索引 df.shape() #返回DataFrame的形状 修改索引 df.index = ['值','值']修改行索引 df.columns = ['值','值'] 修改列索引 取值 #中括号中显示索引 获取列 df['lisi'] #获取列 df[['lisi','张三']]#获取多列 loc # 显示索引 ,左边是行 右边是列 df.loc['语文'] #获取行 iloc # 隐式索引 ,左边是行 右边是列 df.iloc[0] #获取行的 df.ioc[['理综','数学'],'张三'] #取得一列的多行 切片 左边是行 右边是列 直接[]代表行 df[0:2] #获取前两行 df.iloc[:,0:2] #获取前两列 df.loc[:,'张三':'李四'] #显示索引切出前两列 df['语文':'数学'] #显示索引取出前两行 运算 qizhong = df qimo = df qimo['张三'] = [145,140,150,138] #修改qimo中张三列的行成绩 (qizhong + qimo)/2 #qizhong 加上 qimo 除与2 qizhong.loc['数学',zhangsan] = 0 #取出张三列,的数学成绩全部改为0 数据清洗 all,any 1是行 0是列 df.isnill #把所有的值以布尔值显示是nill的显示True df.isnill().any(axis=1) #any只要有true就显示true or df.isnill().all(axis=1) #全部是true就返回True否则返回Flse drop_index = df.loc[df.isnill().any(axis=1)].index #获取所有带有空值的行索引 drop行是0 列是1 df.drop(labels=drop_index,axis=0) #删除索引对应的行 df.dropna(axis=0) #删除有空值的行 filna 1是行 0是列 df.filna(value=33) # 用333填充所有空值 df.filna(method='bfill',axis=0) # 用列下面的值进行填充 df.filna(method='ffill',axis=0) # 用列上面的值进行填充 df.filna(method='ffill',axis=1) # 用行前面的值进行填充 df.filna(method='bfill',axis=1) # 用行后面的值进行填充 matplotlib plt.imread() img_arr = plt.imread('./cat.jpg') #返回一个图片对应维度的数组 img_arr = img_arr - 50 #可以进行减法操作 plt.imshow() plt.imshow(img_arr) #放入图片对应维度的数组显示图片