小編寫這篇文章的主要目的，主要是來給大家去做一個(gè)介紹的，介紹的內(nèi)容主要還是涉及到python的一些相關(guān)事情，比如我們可以利用python去進(jìn)行搭建數(shù)字建模的相關(guān)平臺(tái)。其中，主要的內(nèi)容有加深Numpy和Pandas的相關(guān)學(xué)習(xí)，具體內(nèi)容，下面給大家詳細(xì)解答下。

　　Numpy學(xué)習(xí)

　　#Numpy的基本使用
　　'''
　　Numpy提供了兩種基本的對(duì)象：ndarray存儲(chǔ)單一數(shù)據(jù)類型的多維數(shù)組；
　　ufunc是能夠?qū)?shù)組進(jìn)行處理的函數(shù)
　　1-導(dǎo)入函數(shù)
　　import numpy as np
　　2-數(shù)組創(chuàng)建
　　2-1 array可將列表或元組轉(zhuǎn)化為ndarray數(shù)組
　　2-2 arange在給定區(qū)間內(nèi)創(chuàng)建等差數(shù)組，格式：
　　arange(start=None,stop=None,step=None,dtype=None)
　　【step表示步長(zhǎng)間隔】
　　2-3 linspace在給定區(qū)間內(nèi)創(chuàng)建間隔相等的數(shù)組，格式：
　　linspace(start,stop,num=50,endpoint=True)
　　【間隔相等的num個(gè)數(shù)據(jù)，其num默認(rèn)值是50】
　　2-4 logspace在給定區(qū)間內(nèi)生成等比數(shù)組，格式：
　　logspace(start,stop,num=50,endpoint=True,base=10.0)
　　【默認(rèn)生成區(qū)間[10start(次方),10stop()次方]上的num個(gè)數(shù)據(jù)的等比數(shù)組】
　　以及ones、zeros、empty和ones_like等系列函數(shù)的運(yùn)用：
　　'''

　　1-numpy.array

　　#numpy.array
　　#array()函數(shù)，括號(hào)內(nèi)可以是列表、元組、數(shù)組、迭代對(duì)象、生成器
　　import numpy as np
　　print(np.array([6,6,6]))#列表
　　print(np.array((8,8,8)))#元組
　　print(np.array(np.array([9,9,9])))#數(shù)組
　　print(np.array(range(10)))#迭代對(duì)象/整型
　　print(np.array([i**2 for i in range(10)]))#生成器
　　#創(chuàng)建10以內(nèi)的奇數(shù)的數(shù)組：
　　print(np.array([i for i in range(1,10,2)]))
　　print(np.array([i for i in range(10)if i%2!=0]))
　　#創(chuàng)建10以內(nèi)的偶數(shù)的數(shù)組：
　　print(np.array([i for i in range(0,10,2)]))
　　print(np.array([i for i in range(10)if i%2==0]))
　　#列表中元素類型不相同
　　print(np.array([5,2,'0']))#['5''2''0']
　　#浮點(diǎn)型
　　print(np.array([3,4,5.2]))
　　#二維數(shù)組：【嵌套序列（列表、元組均可）】
　　print(np.array([[6,7,8],('lxw','cw','wl')]))
　　print(np.array([[6,7,8],('lxw','cw','wl')]).ndim)#ndim(維度）:2
　　#嵌套數(shù)量不一致：【強(qiáng)制轉(zhuǎn)化為一維，推薦不用】
　　print(np.array([[6,7,8],('lxw','cw','wl','npy')],dtype=object))
　　print(np.array([[6,7,8],('lxw','cw','wl','npy')],dtype=object).ndim)#ndim(維度）：1
　　print(np.array([[6,7,8],('lxw','cw','wl','npy')],dtype=object).shape)#運(yùn)行結(jié)果：(2,)
　　print(np.array([[6,7,8],[9,9,6,9]],dtype=object))
　　print(np.array([[6,7,8],[9,9,6,9]],dtype=object).ndim)#ndim(維度）：1
　　print(np.array([[6,7,8],[9,9,6,9]],dtype=object).shape)#運(yùn)行結(jié)果：(2,)->代表兩行一列

　　2-numpy.empty

　　#numpy.empty
　　'''
　　numpy.empty方法用來創(chuàng)建一個(gè)指定形狀（shape）、數(shù)據(jù)類型（dtype）且未初始化的數(shù)組
　　numpy.empty(shape,dtype=float,order='C')
　　參數(shù)說明：
　　參數(shù)描述
　　shape數(shù)組形狀
　　dtype數(shù)據(jù)類型，可選
　　order有"C"和"F"兩個(gè)選項(xiàng),分別代表，行優(yōu)先和列優(yōu)先，在計(jì)算機(jī)內(nèi)存中的存儲(chǔ)元素的順序
　　'''
　　import numpy as np
　　lxw=np.empty([3,4],dtype=int)
　　print(lxw)#注意：數(shù)組元素為隨機(jī)值，因?yàn)樗鼈兾闯跏蓟?/pre>
　　3-numpy.zeros

　　#numpy.zeros
　　'''
　　創(chuàng)建指定大小的數(shù)組，數(shù)組元素以0來填充：
　　numpy.zeros(shape,dtype=float,order='C')
　　參數(shù)說明：
　　order:'C'用于C的行數(shù)組，或者'F'用于FORTRAN的列數(shù)組
　　'''
　　import numpy as np
　　lxw=np.zeros(6)#默認(rèn)為浮點(diǎn)數(shù)
　　print(lxw)
　　lxw2=np.zeros((6,),dtype=int)#設(shè)置類型為整數(shù)
　　print(lxw2)
　　#自定義類型
　　lxw3=np.zeros((2,2),dtype=[('lxw','i2'),('lxw2','i4')])
　　print(lxw3)

　　4-numpy.ones

　　#numpy.ones
　　'''創(chuàng)建指定形狀的數(shù)組，數(shù)組元素以1來填充：
　　numpy.ones(shape,dtype=None,order='C')
　　'''
　　import numpy as np
　　lxw4=np.ones(8)#默認(rèn)浮點(diǎn)數(shù)
　　print(lxw4)
　　lxw5=np.ones([2,2],dtype=int)
　　print(lxw5)

　　NumPy從已有的數(shù)組創(chuàng)建數(shù)組

　　1-numpy.asarray

　　#numpy.asarray
　　'''
　　numpy.asarray類似numpy.array，但numpy.asarray參數(shù)只有三個(gè)，比numpy.array少兩個(gè)。
　　numpy.asarray(a,dtype=None,order=None)
　　參數(shù)說明：
　　參數(shù)描述
　　a任意形式的輸入?yún)?shù)，可以是，列表,列表的元組,元組,元組的元組,元組的列表，多維數(shù)組
　　'''
　　#將列表轉(zhuǎn)換為ndarray:
　　import numpy as np
　　x=[5,2,0]
　　lxw6=np.asarray(x)
　　print(lxw6)
　　#將元組轉(zhuǎn)換為ndarray
　　import numpy as np
　　x2=(1,3,1,4)
　　lxw7=np.asarray(x2)
　　print(lxw7)
　　#設(shè)置了dtype參數(shù)
　　import numpy as np
　　x4=[6,6,9]
　　lxw9=np.asarray(x4,dtype=float)
　　print(lxw9)
　　2-numpy.frombuffer

　　#numpy.frombuffer
　　'''
　　numpy.frombuffer用于實(shí)現(xiàn)動(dòng)態(tài)數(shù)組;接受buffer輸入?yún)?shù)，以流的形式讀入轉(zhuǎn)化成ndarray對(duì)象。
　　格式如下：
　　numpy.frombuffer(buffer,dtype=float,count=-1,offset=0)
　　注：buffer是字符串的時(shí)候，Python3默認(rèn)str是Unicode類型，所以要轉(zhuǎn)成bytestring在原str前加上b。
　　參數(shù)說明：
　　參數(shù)描述
　　buffer可以是任意對(duì)象，會(huì)以流的形式讀入。
　　dtype返回?cái)?shù)組的數(shù)據(jù)類型，可選
　　count讀取的數(shù)據(jù)數(shù)量，默認(rèn)為-1，讀取所有數(shù)據(jù)。
　　offset讀取的起始位置，默認(rèn)為0
　　'''
　　import numpy as np
　　s=b'lxw_pro'
　　lxw10=np.frombuffer(s,dtype='S1')
　　print(lxw10)
　　3-numpy.fromiter

　　#numpy.fromiter
　　'''
　　numpy.fromiter方法從可迭代對(duì)象中建立ndarray對(duì)象，返回一維數(shù)組。
　　numpy.fromiter(iterable,dtype,count=-1)
　　'''
　　import numpy as np
　　lst=range(6)
　　it=iter(lst)
　　lxw11=np.fromiter(it,dtype=float)
　　print(lxw11)

　　NumPy從數(shù)值范圍創(chuàng)建數(shù)組

　　1-numpy.arange

　　#numpy.arange
　　'''
　　numpy包中的使用arange函數(shù)創(chuàng)建數(shù)值范圍并返回ndarray對(duì)象，函數(shù)格式如下：
　　numpy.arange(start,stop,step,dtype)
　　根據(jù)start與stop指定的范圍以及step設(shè)定的步長(zhǎng)，生成一個(gè)ndarray。
　　參數(shù)說明：
　　參數(shù)描述
　　start起始值，默認(rèn)為0
　　stop終止值（不包含）
　　step步長(zhǎng)，默認(rèn)為1
　　dtype返回ndarray的數(shù)據(jù)類型，如果沒有提供，則會(huì)使用輸入數(shù)據(jù)的類型
　　'''
　　#生成0和5的數(shù)組
　　import numpy as np
　　a=np.arange(6)
　　print(a)
　　#設(shè)置返回類型位float
　　import numpy as np
　　a2=np.arange(6,dtype=float)
　　print(a2)
　　#設(shè)置了起始值、終止值及步長(zhǎng)
　　import numpy as np
　　a3=np.arange(20,52,5)
　　print(a3)
　　2-numpy.linspace

　　#numpy.linspace
　　'''
　　numpy.linspace函數(shù)用于創(chuàng)建一個(gè)一維數(shù)組，數(shù)組是一個(gè)等差數(shù)列構(gòu)成的，格式如下：
　　np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
　　參數(shù)說明：
　　參數(shù)描述
　　start序列的起始值
　　stop序列的終止值，如果endpoint為true，該值包含于數(shù)列中
　　num要生成的等步長(zhǎng)的樣本數(shù)量，默認(rèn)為50
　　endpoint該值為true時(shí)，數(shù)列中包含stop值，反之不包含，默認(rèn)是True。
　　retstep如果為True時(shí)，生成的數(shù)組中會(huì)顯示間距，反之不顯示。
　　dtype ndarray的數(shù)據(jù)類型
　　'''
　　#類似等差數(shù)列
　　import numpy as np
　　a4=np.linspace(1,10,5)
　　print(a4)
　　#設(shè)置元素全部是1的等差數(shù)列
　　import numpy as np
　　a5=np.linspace(1,1,10)
　　print(a5)
　　#將endpoint設(shè)為false，不包含終止值
　　import numpy as np
　　a6=np.linspace(8,22,4,endpoint=False)
　　print(a6)
　　#注：將endpoint設(shè)為true，則會(huì)包含22
　　a6=np.linspace(8,22,4,endpoint=True)
　　print(a6)
　　#設(shè)置間距
　　import numpy as np
　　a7=np.linspace(5,10,5).reshape([5,1])
　　print(a7)

　　3-numpy.logspace

　　#numpy.logspace
　　'''
　　numpy.logspace函數(shù)用于創(chuàng)建一個(gè)于等比數(shù)列。格式如下：
　　np.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)
　　base參數(shù)意思是取對(duì)數(shù)的時(shí)候log的下標(biāo)。
　　參數(shù)描述
　　start序列的起始值為：base**start
　　stop序列的終止值為：base**stop。如果endpoint為true，該值包含于數(shù)列中
　　num要生成的等步長(zhǎng)的樣本數(shù)量，默認(rèn)為50
　　endpoint該值為true時(shí)，數(shù)列中中包含stop值，反之不包含，默認(rèn)是True。
　　base對(duì)數(shù)log的底數(shù)。
　　dtype ndarray的數(shù)據(jù)類型
　　'''
　　import numpy as np
　　a8=np.logspace(1,2,num=10)#默認(rèn)底數(shù)是10
　　print(a8)
　　#將對(duì)數(shù)的底數(shù)設(shè)置為2
　　import numpy as np
　　a9=np.logspace(0,8,9,base=2)
　　print(a9)
　　綜合運(yùn)用【array、arange、linspace、lonspace】:

　　#綜合運(yùn)用
　　import numpy as np
　　ltw=np.array([3,3,4,4])#生成整型數(shù)組
　　ltw2=ltw.astype(float)#轉(zhuǎn)為浮點(diǎn)數(shù)
　　ltw3=np.array([5,2,1],dtype=float)#浮點(diǎn)數(shù)
　　print(ltw)
　　print(ltw2)
　　print(ltw3)
　　#比較類型
　　print(ltw.dtype,ltw2.dtype,ltw3.dtype)
　　aa=np.array([
　　[2,5,8],
　　[9,6,2]
　　])
　　print(aa)
　　bb=np.arange(2,9)
　　print(bb)#運(yùn)行結(jié)果為：[2 3 4 5 6 7 8]
　　cc=np.linspace(2,5,4)
　　print(cc)#運(yùn)行結(jié)果為：[2.3.4.5.]
　　dd=np.logspace(1,4,4,base=2)#base控制的是幾次方
　　print(dd)#運(yùn)行結(jié)果為：[2.4.8.16.]

　　綜合運(yùn)用【ones、zeros、empty、ones_like】

　　#綜合運(yùn)用【ones、zeros、empty、ones_like】
　　import numpy as np
　　a=np.ones(6,dtype=int)
　　print(a)#運(yùn)行結(jié)果為：[1 1 1 1 1 1]
　　b=np.ones((6,),dtype=int)
　　print(b)#運(yùn)行結(jié)果為：[1 1 1 1 1 1]
　　c=np.ones((3,1))
　　print(c)#輸出3行一列的數(shù)組
　　#運(yùn)行結(jié)果為：
　　#[[1.]
　　#[1.]
　　#[1.]]
　　d=np.zeros(4)
　　print(d)#運(yùn)行結(jié)果為：[0.0.0.0.]
　　e=np.empty(3)
　　print(e)#生成3個(gè)元素的空數(shù)組行向量
　　#運(yùn)行結(jié)果為：[1.1.1.]
　　f=np.eye(3)
　　print(f)#生成3階單位陣
　　#運(yùn)行結(jié)果為：
　　#[[1.0.0.]
　　#[0.1.0.]
　　#[0.0.1.]]
　　g=np.eye(3,k=1)
　　print(g)#生成第k對(duì)角線的元素為1，其他元素為0的3階方陣
　　#運(yùn)行結(jié)果為：
　　#[[0.1.0.]
　　#[0.0.1.]
　　#[0.0.0.]]
　　h=np.zeros_like(b)
　　print(h)#生成與a同維數(shù)的全0數(shù)組
　　#運(yùn)行結(jié)果為：[0 0 0 0 0 0]

　　1.NumPy切片和索引

　　#NumPy切片和索引
　　'''
　　ndarray對(duì)象的內(nèi)容可以通過索引或切片來訪問和修改，與Python中l(wèi)ist的切片操作一樣。
　　ndarray數(shù)組可以基于0-n的下標(biāo)進(jìn)行索引，
　　切片對(duì)象可以通過內(nèi)置的slice函數(shù)，并設(shè)置start,stop及step參數(shù)進(jìn)行，從原數(shù)組中切割出一個(gè)新數(shù)組
　　'''
　　import numpy as np
　　#通過arange()函數(shù)創(chuàng)建ndarray對(duì)象
　　a=np.arange(10)
　　lxw=slice(2,9,3)#索引從2到9，間隔為3
　　print(a[lxw])#[2 5 8]
　　#通過切片操作
　　a=np.arange(10)
　　lxw2=a[2:9:3]#這里的切片操作和Python中l(wèi)ist的操作是一樣的
　　print(lxw2)#[2 5 8]
　　#比如：
　　import numpy as np
　　lxw3=np.arange(10)
　　print(lxw3[6])#6
　　print(lxw3[6:])#[6 7 8 9]
　　print(lxw3[2:7])#[2 3 4 5 6]
　　#多維數(shù)組同樣適用上述索引提取方法
　　import numpy as np
　　lxw4=np.array([
　　[6,6,6],
　　[5,2,0],
　　[5,8,9]
　　])
　　print(lxw4)
　　print(lxw4[1:])
　　#切片還可以包括省略號(hào)…，來使選擇元組的長(zhǎng)度與數(shù)組的維度相同。
　　#如果在行位置使用省略號(hào)，它將返回包含行中元素的ndarray
　　import numpy as np
　　lxw5=np.array([
　　[1,2,9],
　　[2,5,4],
　　[3,4,8]
　　])
　　print(lxw5[1,...])#[2 5 4]第二行元素
　　print(lxw5[...,2])#[9 4 8]第三列元素
　　print(lxw5[1:,...])#第二行及剩下元素
　　print(lxw5[...,1:])#第二列及剩下元素
　　NumPy高級(jí)索引

　　Numpy中的array數(shù)組與Python基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)列表（list)的區(qū)別是：

　　列表中的元素可以是不同的數(shù)據(jù)類型array數(shù)組只允許存儲(chǔ)相同的數(shù)據(jù)類型

　　NumPy比一般的Python序列提供更多的索引方式。

　　除了之前看到的用整數(shù)和切片的索引外，數(shù)組可以由

　　整數(shù)數(shù)組索引布爾索引花式索引

　　1-整數(shù)數(shù)組索引

　　#1-整數(shù)數(shù)組索引
　　import numpy as np
　　b=np.array([
　　[6,2,9],
　　[4,3,9],
　　[5,2,3]
　　])
　　lxw6=b[
　　[0,1,2],[1,2,1]
　　]
　　print(lxw6)#輸出[2 9 2]
　　#獲取四個(gè)角元素
　　import numpy as np
　　aq=np.array([
　　[1,2,3,4],
　　[2,3,4,5],
　　[3,4,5,6],
　　[4,5,6,7]
　　])
　　print(aq)
　　hj=np.array([[0,0],[3,3]])
　　lj=np.array([[0,3],[0,3]])
　　yq=aq[hj,lj]
　　print(yq)
　　print()
　　#可借助切片:或…與索引數(shù)組組合:
　　import numpy as np
　　jz=np.array([
　　[3,5,9],
　　[5,2,6],
　　[2,9,8]
　　])
　　jz1=jz[:2,:2]
　　print(jz1)
　　jz2=jz[:2,[0,1]]
　　print(jz2)
　　jz3=jz[...,1:]
　　print(jz3)

　　2-布爾索引

　　#布爾索引
　　#布爾索引可通過布爾運(yùn)算（如：比較運(yùn)算符）來獲取符合指定條件的元素的數(shù)組
　　#獲取大于5的元素：
　　import numpy as np
　　br=np.array([
　　[6,7,8],
　　[5,2,1],
　　[6,6,9],
　　[2,4,5]
　　])
　　print(br)
　　print(br[br>5])#輸出[6 7 8 6 6 9]
　　#使用~（取補(bǔ)運(yùn)算符）來過濾NaN：
　　import numpy as np
　　bu=np.array([5,np.nan,2,0,np.nan,np.nan,5,8])
　　print(bu[~np.isnan(bu)])#輸出[5.2.0.5.8.]
　　#從數(shù)組中過濾掉非復(fù)數(shù)元素：
　　import numpy as np
　　lv=np.array([2+2.9j,4,9,2+8.2j,8])
　　print(lv[np.iscomplex(lv)])#輸出[2.+2.9j 2.+8.2j]

　　3-花式索引

　　#花式索引【利用整數(shù)數(shù)組進(jìn)行索引】
　　#花式索引根據(jù)索引數(shù)組的值作為目標(biāo)數(shù)組的某個(gè)軸的下標(biāo)來取值。
　　#對(duì)于使用一維整型數(shù)組作為索引，如果目標(biāo)是一維數(shù)組，那么索引的結(jié)果就是對(duì)應(yīng)下標(biāo)的行，
　　#如果目標(biāo)是二維數(shù)組，那么就是對(duì)應(yīng)位置的元素。
　　#注：花式索引跟切片不一樣，它總是將數(shù)據(jù)復(fù)制到新數(shù)組中。
　　#1.傳入順序索引數(shù)組
　　import numpy as np
　　sx=np.arange(32).reshape(8,4)
　　print(sx[[5,2,1,6]])
　　#2.傳入倒序索引數(shù)組
　　import numpy as np
　　dx=np.arange(32).reshape(8,4)
　　print(dx[[-5,-2,-1,-6]])
　　#3.傳入多個(gè)索引數(shù)組（要使用np.ix_）
　　import numpy as np
　　dg=np.arange(32).reshape(8,4)
　　print(dg[np.ix_([2,3,5,1],[3,2,0,1])])
　　三個(gè)實(shí)用小方法：

　　條件加小括號(hào)

　　使用np.logical_and方法

　　使用np.all方法

　　import numpy as np
　　sy=np.array([
　　[3,5,6],
　　[2,6,2],
　　[5,2,0],
　　[3,3,4]
　　])
　　#原數(shù)組
　　print(sy)
　　#1-
　　print(sy[(sy>3)&(sy<6)])#條件記得加小括號(hào)
　　#2-
　　print(sy[np.logical_and(sy>3,sy<6)])
　　#3-
　　print(sy[np.all([sy>3,sy<6],axis=0)])
　　綜合運(yùn)用【數(shù)組元素的索引】

　　相關(guān)代碼如下：

　　import numpy as np
　　x=np.arange(16).reshape(4,4)
　　print(x)#生成4行4列的數(shù)組
　　x2=x[2][1]
　　print(x2)#輸出9
　　x3=x[2,1]
　　print(x3)#輸出9
　　x4=x[1:2,2:4]
　　print(x4)#輸出[[6 7]]
　　xx=np.array([0,1,2,1])
　　print(x[xx==1])#輸出x的第2、4行元素

　　Pandas學(xué)習(xí)（續(xù)）

　　#Pandas學(xué)習(xí)（續(xù)）
　　#Pandas庫是在Numpy庫基礎(chǔ)上開發(fā)的一種數(shù)據(jù)分析工具
　　'''
　　Pandas主要提供了三種數(shù)據(jù)結(jié)構(gòu)：
　　1-Series:帶標(biāo)簽的一維數(shù)組
　　2-DataFrame：帶標(biāo)簽且大小可變得二維表格結(jié)構(gòu)
　　3-Panel：帶標(biāo)簽且大小可變得三維數(shù)組
　　'''
　　#生成二維數(shù)組
　　#生成服從標(biāo)準(zhǔn)正態(tài)分布的24*4隨機(jī)數(shù)矩陣，并保存為DataFrame數(shù)據(jù)結(jié)構(gòu)。
　　import pandas as pd
　　import numpy as np
　　dates=pd.date_range(start='20220622',end='20220707',freq='D')
　　print(dates)
　　運(yùn)行效果如下：
　　lxw1=pd.DataFrame(np.random.randn(16,4),index=dates,columns=list('ABCD'))
　　lxw2=pd.DataFrame(np.random.randn(16,4))
　　print(lxw1)
　　print(lxw2)

　　運(yùn)行結(jié)果如下：
　　1將數(shù)據(jù)寫入excel、csv文件

　　#將lxw1的數(shù)據(jù)寫入excel文件
　　lxw1.to_excel('假期培訓(xùn)時(shí)間.xlsx')
　　lxw1.to_excel("時(shí)間任意.xlsx",index=False)#不包含行索引
　　#將lxw2的數(shù)據(jù)寫入csv文件
　　lxw2.to_csv('假期培訓(xùn)時(shí)間.csv')
　　lxw2.to_csv("時(shí)間隨意.csv",index=False)#不包含行索引
　　#創(chuàng)建文件對(duì)象
　　f=pd.ExcelWriter('培訓(xùn)時(shí)間（格式）.xlsx')
　　#把lxw1寫入Excel文件
　　lxw1.to_excel(f,"Shell1")
　　#把lxw2寫入Excel文件
　　lxw2.to_excel(f,"Sheet2")
　　f.save()
　　
  #從文件中讀入數(shù)據(jù)：
　　import pandas as pd
　　lxw3=pd.read_csv("假期培訓(xùn)時(shí)間.csv",usecols=range(1,4))
　　print(lxw3)

　　運(yùn)行結(jié)果如下：
　　lxw4=pd.read_excel("培訓(xùn)時(shí)間（格式）.xlsx","Sheet2",usecols=range(1,3))
　　print(lxw4)
　　2數(shù)據(jù)的一些預(yù)處理
　　#數(shù)據(jù)的一些預(yù)處理
　　#DataFrame數(shù)據(jù)的拆分、合并和分組計(jì)算：
　　import pandas as pd
　　import numpy as np
　　lxw5=pd.DataFrame(np.random.randint(1,6,(10,4)),columns=list('ABCD'))
　　print(lxw5)
　　lxww=lxw5[:5]#獲取前五行數(shù)據(jù)
　　print(lxww)
　　wy=pd.concat([lxww,lxwy])#數(shù)據(jù)行合并
　　print(wy)
　　q1=lxw5.groupby('A').mean()#數(shù)據(jù)分組求均值
　　print(np.around(q1,decimals=2))#decimals表示保留幾位小數(shù)
　　q2=lxw5.groupby('A').apply(sum)#數(shù)據(jù)分組求和
　　print(q2)
　　3數(shù)據(jù)的選取與操作

　　#數(shù)據(jù)的選取與操作
　　'''
　　對(duì)DataFrame進(jìn)行選取，要從3個(gè)層次考慮：行列、區(qū)域、單元格
　　1-選用中括號(hào)[]選取行列
　　2-使用行和列的名稱進(jìn)行標(biāo)簽定位的df.loc[]
　　3-使用整型索引（絕對(duì)位置索引）的df.iloc[]
　　當(dāng)然，在數(shù)據(jù)預(yù)處理中，需要對(duì)缺失值等進(jìn)行一些特殊處理
　　'''
　　#數(shù)據(jù)操作：
　　import pandas as pd
　　import numpy as np
　　qq=pd.DataFrame(np.random.randint(1,5,(6,4)),
　　index=['a','b','c','d','e','f'],
　　columns=['one','two','three','four'])
　　qq.loc['c','two']=np.nan#修改第三行第二列的數(shù)據(jù)
　　print(qq)
　　ww=qq.iloc[1:4,0:2]#提取第二、三、四行，第一、二列數(shù)據(jù)
　　print(ww)
　　qq['five']='lxw'#增加第五列數(shù)據(jù)
　　print(qq)
　　qq2=qq.reindex(['a','b','c','d','e','f','g'])#增加行名
　　print(qq2)
　　qq3=qq2.dropna()#刪除有不確定值的行

　　print(qq3)#從輸出不難看出，刪除了c行和g行

　　到的問題：

　　1-代碼運(yùn)行錯(cuò)誤是很正常的事，只要自己能解決，那遲早也是對(duì)的，是吧！每次運(yùn)行錯(cuò)誤，我都會(huì)自己先找找原因，要么多看幾眼代碼，要么直接復(fù)制運(yùn)行報(bào)錯(cuò)的代碼，去百度翻譯自己查查是什么意思，在結(jié)合意思查詢相關(guān)資料以修正代碼！

　　2-后面再去看看【模型與算法】，發(fā)現(xiàn)自己所存儲(chǔ)的知識(shí)不夠，所以還得繼續(xù)學(xué)習(xí)新的知識(shí)，一次一次地突破！

　　總結(jié)：

　　面臨著一次次的運(yùn)行錯(cuò)誤，一次又一次的解決，或許解決的難題越多，你懂的就會(huì)越來越多吧，就如同你經(jīng)歷的一樣，你經(jīng)歷的越多，知道的就越多！