Pandas_1_预备知识

Chapter1_Python基础

1.1 Python基础

推导式： 两个对象之间的映射关系，类似于实数之间关系变换的函数，只不过对象变成了矩阵。

    # Ex1-1

    vacabulary = ['conform', 'deem', 'indispensiable', 'intensify', 'ascribe']

    {i: len(i) for i in vacabulary}

    # Ex1-2

    emm..大概知道是怎么个意思，但好像不会写呢

匿名函数： 关键字lambda，后紧接形参名，和映射关系以冒号分开

    # Ex1-3

    list(filter(lambda x: sum(1 if i%3 == 0 else 0 for i in x) > 0, my_list))

打包函数： 用于处理两个列表相同位置上元素关系

    # Ex1-4

    L3 = ["0", "1", "2", "3", "4"]

    for l3, l2 in zip(L3, L2):

        print(l3, l2)

1.2 NumPy基础

1.2.1 NumPy数组的构造

等差数列：

    np.linspace(闭起始点，闭终止点， 样本个数)

    np.arange(闭起始点，开终止点，步长)

特殊矩阵：

    np.zeros((2, 3, 4))     # 创建全零数组

    np.ones((2, 1, 2))      # 创建全一数组

    np.full((2, 3), 10)     # 创建全十数组

    np.zeros_like(arr)      # 创建和给定数组相同大小的全零数组

    np.ones_like(arr)       # 创建和给定数组相同大小的全一数组

    np.full_like(arr, [100, 200])

    np.eyes(n)              # 创建n×n的单位矩阵

随机数组：

    np.random.uniform(闭区间起始点, 闭区间终止点, size)

    np.random.rand(size)                            # 默认取值区间[0,1]

    np.random.normal(mu, sigma, size)               # 生成服从N[mu, sigma]的正态分布数组

    np.random.randn(size)                           # 标准正态分布

    np.random.randint(闭起始点, 开终止点, size)      # 生成区间左开右闭的随机整数数组

    np.random.choice(arr, size, replace=False, p)   # 以给定概率在已知数组中进行不放回抽样

    np.random.permutation(arr)                      # 打散原列表

1.2.2 NumPy数组的变形

由元素组织方式变化导致的变形：

    array = array.transpose(2, 0, 1)                        # 括号内为新的维度顺序

    array = array.T                                         # 将原先的维度顺序逆向变换

    array = np.swapaxes(array, a, b)                        # 仅变换多维数组中的两个维度

    my_matrix = np.arange(8).reshape((2, 4), order = 'C')   # 括号内为欲构造数组的维度,order = 'C'/'F'来决定行/列优先填充

    array = np.expand_dims(array, (0, 2))                   # 在第一和第三维度插入维数为一的维度

    array = np.squeeze(array, (0, 2))                       # 将第一和第三维度压缩

由合并和拆分导致的变形：

    res = np.stack([pop_man, pop_women], axis=2)                # 异质性连接，新增一个维度

    res = np.concatenate([pop_1_6, pop_7_12], axis=1)           # 同质性连接，在原有唯独基础上进行延长

    res = np.split(pop_1_6, indices_or_sections=3, axis=1)      # 以第二维度均匀划分成三个部分

    res = np.split(pop_1_6, indices_or_sections=[1, 4], axis=1) # 自定义分割点

    array = np.repeat(array, repeats=2)                         # repeat后接重复的次数

    # Ex1-5

    concadate(),类似于同质性的划分

    # Ex1-6

    array = np.zeros((10, 10))

    print(array)

    array[0] = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

    array[:, 0] = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

    print(array)

    # arr1 = np.repeat(array, repeats=10, axis=1)

    # arr2 = np.repeat(array, repeats=10, axis=0)

    # print(arr1)

    # print(arr2)

1.2.3 NumPy数组的切片

    target[0:3, :, 1:3]

    target[[True, False, True, False], :, :]

    target[:, np.newaxis, np.newaxis].shape         # 类似于expand_dims()操作

1.2.4 广播机制

    # Ex1-8

    判断是否符合广播机制的条件：从后往前进行比对，如满足一下任一条件则符合广播机制，广播结果的维度以高纬度者为准：①值相等；②值为1.

1.2.5 常用函数

计算函数：

    max()       # 最大值

    min()       # 最小值

    mean()      # 平均值

    median()    # 中位数

    std()       # 标准差

    var()       # 方差

    sum()       # 总和

    quantile()  # 分位数

计算函数：

    max()       # 最大值

    min()       # 最小值

    mean()      # 平均值

    median()    # 中位数

    std()       # 标准差

    var()       # 方差

    sum()       # 总和

    quantile()  # 分位数

Pandas_1_预备知识的相关教程结束。