【人工智能基础】想用Python处理数据？你需要的Numpy和Pandas都在这呢！
先啰嗦两句
作者：铃灵狗
这里精简的总结了Numpy和Pandas的常用用法，学会了这些，剩下的遇见一个查一个效率也很高呀！
记得不要枯燥的一个命令一个命令的练习，更不要只看不练，上网找成品的代码吧！
先来个切片，索引这个和这俩的学习没太大关系，使用时关系还是相当大的，也比较重要，我是容易忘，先记录一下。
[:, :]先行后列
[0, 0:4]第1行的第1列到第3列
[0:3, 1]第1到3行的第2列
Numpy
这里设 jason 为一个数组，jason是我小时候用过的英文名。
上面是代码，下面是解释
jason.shape
返回数组的行数和列数：（行，列）
jason.size
返回数组中的元素的个数，就是里面有多少个数。
jason.dtype
返回的是数组中数据的类型，int64呀什么的
下面是个重点：
jason = np.array([[1, 2, 3], [4, 5, 6]])
建立数组，注意前面有几个中括号就是几维数组
其中有个这么个玩应
np.asarray([])
这个玩应用法和 array 是一样的，但是不能通过索引修改数组中的值。
np.zeros([])
np.ones([])
这两个和 array 用法相同，不过多介绍了
jason = np.linspace(起始值，结束值，返回的元素的个数)
jason = np.arange(起始值，结束值，步长)
这两个是生成等差数列的，我感觉下面那个好像更常用一些。
下面是个大重点！
生成随机数组模块np.random!
接着往下
生成均匀分布数组
jason = np.random.rand()
# 生成0~1的随机数组
# 输入一个数：生成一维数组，参数为元素个数
# 输入a, b这种：生成二维数组，a行b列
jason = np.random.uniform(low, high, size = (a, b))
# 在一个左闭右开的区间生成均匀分布的数组
jason = np.random.randint()
# 用法和uniorm完全一样，只不过这个生成的是整数
这三个好像都比较常用
生成正态分布数组
jason = np.random.randn()
# 生成0~1之间的正态分布数组，参数含义同rand
jason = np.random.normal()
# 参数：均值，标准差，size=(行数，列数)
第一个相对来说更常用一些
接下来是形状修改，也很常用
jason1 = jason.reshape([3,2])
# 把jason变成了3行2列
# 如果是([-1, 2])
# 表示变成2列的就行，爱几行几行
jason.resize([])
# 用法相同，这个是改变jason原有的而不是生成
jason.T
# 转置 这个感觉看一眼这辈子都不会忘了
jason.astype(np.int32)
# 修改数组类型
貌似都比较重要
数组去重，有时候会用到
jason = np.array([[1, 2, 3], [2, 3, 4]])
np.unique(jason) # 去除同党中。。。
# 输出
([1, 2, 3, 4])
运算符，你迟早要用的上的东东
jason > 5
# 将大于5的数返回True 否则返回False
jason[jason > 5] = 1
# 大于5返回1 其他的不变~
常用于整学生成绩这一块
np.all(jason[0:4, :] > 5)
# 如果前5行全部大于5才返回True
np.any(jason[0:2, :] > 5)
# 只要前3行有大于5的，就返回True
接下来
统计
np.max(jason)
# 求最大值
np.max(jason, axis = 0)
# 求每一列的最大值，axis = 1 就是求每一行
# 这个axis行和列可能会调换
# min 最小
# median 中位数
# mean 平均值
# std 标准差
# var方差
还是统计
np.argmax(jason, axis = 0)
# 返回最大值所在的位置
# 如果不传axis，返回的还是位置，就得自己从左往右从上到下数
注意：
数组和数之间的运算是对数组中每个数进行运算
而数组和数组间运算不一定要两个数组完全相同，只要满足一下任意一个对应维数的条件：
注意是对应维数!
其中一个数组的某一维度为1 这两个数组对应维度相等若所有组对应的维数均满足上述两个条件的其中一个，则这两个数组就可以进行运算。
Pandas终于快完事了
Series一维数组
jason = pd.series([2, 9, 7], index = [1, 2, 3])
# 指定索引
# 第一个参数为传入的数组
# 索引可以不传入，即默认索引
# 也可以通过字典传入 这里就不举例了
jason.index
# 返回索引
jason.values
# 返回结果
jason[2]
# 索引
DataFrame二维数组或表格
jason = pd.DataFrame([[2, 3, 4], [3, 5, 7]])
# 下面这个比较好玩
# 这里拿不同超市里的水果举例子
supermaket = ['超市' + str(i) for i in range(jason.shape[0])]
frute = ['西瓜', '葡萄', '苹果']
data = pd.DataFrame(jason, columns = frute, index = frute)
# 这样生成的就是一个表格
# 自己练习一下
这个用字典来生成比较常见
举个栗子
jason = pd.DataFrame({'苹果': [10, 13, 9, 12]
'西瓜': [24, 21, 19, 24]
'葡萄': [17, 16, 21, 15]})
接下来是它的属性介绍
data.shape
# 返回行数和列数
data.columns
# 返回列索引
data.index
# 返回行索引
data.valus
# 返回值
data.T
# 转置
data.head(3)
# 获取前3行
data.tail(3)
# 获取后5行
# 最后这两个不输入参数默认就是5
注意：
这里修改索引只能全体一起改：
data.index = xin_de_suo_yin
data.reset_index()
# 这个命令的意思是再左侧加一列数字作为索引
# 原索引变成index自成一列
# 试一下就知道咋回事了
jason.set_index('apple')
jason.set_index(['water', 'food'])
# 以上两种方式设置新的索引值
读取数据
jason = pd.read_csv("数据保存路径/文件名.csv")
# 也可以_excel 后面就是文件名.excel
总结
终于完事了。
以上省略了部分不常用的代码和pandas的三维代码，有需要的可以自行百度。
这些都是经常能用到的生成和处理数据的命令。
作者：铃灵狗
