Python数据处理：NumPy与Pandas入门指南

### Python 数据处理：NumPy 与 Pandas 入门指南 在 Python 的数据处理领域，NumPy 和 Pandas 是两个至关重要的库。NumPy 提供了高效的多维数组对象和处理这些数组的工具，而 Pandas 则专注于数据操作和分析，提供了 Series 和 DataFrame 等数据结构。下面将详细介绍这两个库的基本使用方法。 #### 1. NumPy 数组基础 NumPy 是 Python 中用于科学计算的基础库，它提供了多维数组对象和一系列处理数组的函数。 ##### 1.1 数组属性 可以通过以下代码查看数组的各种属性： ```python import numpy as np array_attributes = np.array([[10, 20, 30], [14, 12, 16]]) print("维度:", array_attributes.ndim) print("形状:", array_attributes.shape) print("元素数量:", array_attributes.size) print("数据类型:", array_attributes.dtype) print("元素大小:", array_attributes.itemsize) print("内存地址:", array_attributes.data) ``` 上述代码创建了一个二维数组，并打印了该数组的维度、形状、元素数量、数据类型、元素大小和内存地址。 ##### 1.2 数组创建 NumPy 提供了多种函数来创建具有初始占位内容的数组，如下表所示： | 函数名 | 描述 | | ---- | ---- | | np.zeros() | 创建一个全零数组 | | np.ones() | 创建一个全一数组 | | np.empty() | 创建一个空数组 | | np.full() | 创建一个填充指定值的数组 | | np.eye() | 创建一个单位矩阵 | | np.random.random() | 创建一个包含随机值的数组 | | np.arange() | 返回给定区间内均匀间隔的值 | | np.linspace() | 返回指定区间内均匀间隔的指定数量的样本 | 以下是这些函数的使用示例： ```python import numpy as np print("全零数组:\n", np.zeros((2, 3))) print("全一数组:\n", np.ones((3, 4))) print("空数组:\n", np.empty((2, 3))) print("填充数组:\n", np.full((3, 3), 2)) print("单位矩阵:\n", np.eye(2, 2)) print("随机数组:\n", np.random.random((2, 2))) print("arange 函数:\n", np.arange(10, 30, 5)) print("linspace 函数:\n", np.linspace(0, 2, 9)) ``` 当使用 `arange()` 函数处理浮点数参数时，由于浮点数精度的限制，通常难以预测获得的元素数量。因此，建议使用 `linspace()` 函数，它允许指定要生成的元素数量。 #### 2. 数组索引、切片和迭代 一维数组的索引、切片和迭代操作与 Python 列表类似： ```python import numpy as np a = np.arange(5) print("数组 a:", a) print("索引操作:", a[2]) print("切片操作:", a[2:4]) a[:4:2] = -999 print("修改后的数组 a:", a) print("反转数组:", a[::-1]) for each_element in a: print(each_element) ``` 对于多维数组，可以为每个轴指定索引或切片： ```python import numpy as np a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print("二维数组 a:\n", a) print("整数索引:", a[1, 3]) print("混合索引和切片:", a[:2, 1:3]) print("一维子数组:", a[1, :]) print("二维子数组:", a[1:2, :]) print("指定列元素:", a[:, 1]) print("指定列子数组:", a[:, 1:2]) for row in a: print(row) for each_element in a.flat: print(each_element) ``` 整数数组索引允许使用另一个数组的数据构造任意数组，布尔数组索引则允许选择满足特定条件的元素： ```python import numpy as np a = np.array([[1, 2], [3, 4], [5, 6]]) print("整数数组索引:", a[[0, 1, 2], [0, 1, 0]]) a = np.array([[11, 12], [13, 14], [15, 16]]) print("布尔数组索引:", a[a > 13]) ``` #### 3. 数组的基本算术运算 基本数学函数可以对数组进行元素级操作，既可以使用运算符重载，也可以使用 NumPy 模块中的函数： ```python import numpy as np a = np.array([20, 30, 40, 50]) b = np.arange(4) print("加法:", a + b) print("NumPy 加法函数:", np.add(a, b)) print("减法:", a - b) print("NumPy 减法函数:", np.subtract(a, b)) A = np.array([[1, 1], [6, 1]]) B = np.array([[2, 8], [3, 4]]) print("乘法:", A * B) print("NumPy 乘法函数:", np.multiply(A, B)) print("除法:", A / B) print("NumPy 除法函数:", np.divide(A, B)) print("矩阵乘法:", np.dot(A, B)) print("数组元素平方:", B**2) ``` #### 4. NumPy 中的数学函数 NumPy 支持各种数学函数，以下是一些常用函数的示例： ```python import numpy as np a = np.array([20, 30, 40, 50]) print("正弦函数:", np.sin(a)) print("余弦函数:", np.cos(a)) print("正切函数:", np.tan(a)) a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0]) print("向下取整:", np.floor(a)) print("向上取整:", np.ceil(a)) print("平方根:", np.sqrt([1, 4, 9])) print("元素级最大值:", np.maximum([2, 3, 4], [1, 5, 2])) print("元素级最小值:", np.minimum([2, 3, 4], [1, 5, 2])) print("求和:", np.sum([0.5, 1.5])) print("按列求和:", np.sum([[0, 1], [0, 5]], axis=0)) print("按行求和:", np.sum([[0, 1], [0, 5]], axis=1)) ``` #### 5. 数组形状的改变 可以使用 `ravel()` 和 `re