4.4 扩展库Scipy

• Numpy
• Matplotlib
• Panadas

Numpy

Numpy主要实现的是数据结构，比如线性矩阵

Numpy介绍

import numpy as np
a = np.ones((3,4))
print(a)

Scipy核心库

简单来说科学计算主要集中在里头啦

Scipy核心库

Matplotlib

方便作图，曲线直方图等等

Matplotlib

Pandas

核心在于高效的Series和DataFrame数据结构

Pandas

4.5 ndarray

基本分类

• Python中的列表（list、tuple）元素可以是任何类型，所以保存的是指向元素的指针

• array模块
  通过array函数来创建数组，array.array("B", range(5)),不支持多维数组，数组方法也不尽够用

• ndarray
  NumPy中的基本数据结构，别名array，结构如下

ndarray基本结构

基本属性有：

• ndarray.ndim(秩)
• ndarray.shape(维度)
• ndarray.size(元素个数)
• ndarray.type(元素类型）
• ndarray.itemsize(元素大小）

ndarray的创建

• array()
  参数为序列

np.array([1,2,3])
np.array([(1,2,3),(4,5,6)])

• arange()
  和range类似，但此处可以处理浮点数

np.arange(1,5, 0.5)

• random()

np.random.random(2,2)

• linspace()

np.linspace(1, 2, 10, endpoint = False)

• ones()、zeros（）
• fromfunction()

np.fromfunction(lambda i, j: (i+1)*(j+1), (9,9))

ndarray的操作

• 切片

  
  ndarray切片

• arrray.reshape()
  改变原有形状，更像矩阵里面的转秩

ndarray的运算

常用的加减乘除皆可使用，形状不同也可适应，源于广播的理念
NumPy中较小的数组会广播到较大数组的大小，使它们的形状兼容，其中较小数组维度的长度为1，例如：

a = np.array([1, 2, 3])
b = np.array([[4, 5, 6], [7, 8, 9]])
#将数组a按数组b扩展成了维度为(2, 3)的数组，第1行新值与第0行一样为“[1, 2, 3]”

• sum()、min()、max()可再numpy运算函数方法

aArray = np.array([(1,2,3), (4,5,6)])

aArray.sum()
Out[25]: 21

aArray.sum(axis = 0)
Out[26]: array([5, 7, 9])

aArray.sum(axis = 1)
Out[27]: array([ 6, 15])

aArray.min()
Out[28]: 1

aArray.max()
Out[29]: 6

4.6变长字典Series

• 类似一维数组对象
• 由数据和索引组成

from pandas import Series
aSer = pd.Series([1,2,3,'a'],index = [1,2,3])

aSer.index
Out[16]: Index(['a', 'b', 'c', 'd'], dtype='object')

aSer.values
Out[17]: array([1, 2, 3, 'a'], dtype=object)

基本操作

• 基本加减乘除以及乘方等
• 数据对齐

#eg1
data = {'AXP':'86.40', 'CSCO':'112.64', 'BA':'99.44'}
sindex = ['AXP','CSCO','AAPL','BA']
aSer = pd.Series(data, index = sindex)
aSer
Out[26]: 
AXP      86.40
CSCO    112.64
AAPL       NaN
BA       99.44
dtype: object

#eg2
bSer = {'AXP':'86.40', 'CSCO':'112.64', 'CVX':'23.78'}
cSer = pd.Series(bSer)
aSer + cSer
Out[29]: 
AAPL             NaN
AXP       86.4086.40
BA               NaN
CSCO    112.64112.64
CVX              NaN
dtype: object

• name属性

aSer.name = 'SeriesTest'
aSer.index.name = 'Volume'
aSer
Out[32]: 
Volume
AXP      86.40
CSCO    112.64
AAPL       NaN
BA       99.44
Name: SeriesTest, dtype: object

4.7 DataFrame

相较于series的一维结构，DataFrame是一个二维表格型数据结构可以看做是**共享同一个index的Series集合

data = {'name':['Wangdachui', 'Linling', 'Niuyun'], 'sallery':[4000, 5000, 6000]}
frame = pd.DataFrame(data)
print(frame)
Out[35]: 
         name  sallery
0  Wangdachui     4000
1     Linling     5000
2      Niuyun     6000

基本操作

• 获取DataFrame对象的列和行可获得Series（即可对数据进行列分析）

frame['name']
frame['sallery']

• DataFrame对象的修改和删除

frame['name'] = 'Admin'
frame
Out[40]: 
    name  sallery
1  Admin     4000
2  Admin     5000
3  Admin     6000

del frame['name']
frame
Out[42]: 
   sallery
1     4000
2     5000
3     6000

• 对index.name 进行设置