day18-常用模块III (numpy、pandas、matplotlib)
numpy模块
计算速度快，提供了数组操作、数组运算、以及统计分布和简单的数学模型，用来存储和处理大型矩阵
创建矩阵
创建一维矩阵
import numpy as np
np.array([1,2,3]) # 一维数组
array([1, 2, 3])
创建二维矩阵
np.array([[1,2,3],[4,5,6]]) # 二维数组
array([[1, 2, 3],
[4, 5, 6]])
创建三维矩阵
np.array([[[1,2,3],[4,5,6]],[[3,2,1],[6,5,4]]]) # 三维数组
array([[[1, 2, 3],
[4, 5, 6]],
[[3, 2, 1],
[6, 5, 4]]])
获取矩阵的行列数
arr = np.array([[1,2,3],[4,5,6]])
arr.shape # 获取多维数组的行和列
(2, 3) # 矩阵的行arr.shape[0],矩阵的列arr.shape[1]
切割矩阵
切分矩阵类似于列表的切割，但是与列表的切割不同的是，矩阵的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。
arr[1,2] # 取第二行第三列的元素
6
arr[0,:] # 取第一行的元素
array([1, 2, 3])
arr[:,1] # 取第二列的元素
array([2, 5])
arr[arr>3] # 取大于3的元素，返回一个数组
array([4, 5, 6])
矩阵元素替换
矩阵元素的替换，类似于列表元素的替换，并且矩阵也是一个可变类型的数据，即如果对矩阵进行替换操作，会修改原矩阵的元素
arr[0,:]=0 # 将第一行的元素赋值为0
arr
array([[0, 0, 0],
[4, 5, 6]])
arr[1,1] = 1 # 将第二行第二列元素赋值为1
arr
array([[0, 0, 0],
[4, 1, 6]])
矩阵的合并
arr1 = np.array([[1,2,5],[1,7,2]])
arr2 = np.array([[3,4,2],[1,0,1]])
print(arr1)
print(arr2)
[[1 2 5]
[1 7 2]]
[[3 4 2]
[1 0 1]]
np.vstack((arr1,arr2)) # 合并两个矩阵的列，矩阵应该有相同的列
array([[1, 2, 5],
[1, 7, 2],
[3, 4, 2],
[1, 0, 1]])
np.hstack((arr1,arr2)) # 合并两个矩阵的行，矩阵应该具有相同的行
array([[1, 2, 5, 3, 4, 2],
[1, 7, 2, 1, 0, 1]])
np.concatenate((arr1,arr2),axis=0) # 合并两个矩阵，axis=0表示合并两个矩阵的列
array([[1, 2, 5],
[1, 7, 2],
[3, 4, 2],
[1, 0, 1]])
np.concatenate((arr1,arr2),axis=1) # axis=1表示合并两个矩阵的行
array([[1, 2, 5, 3, 4, 2],
[1, 7, 2, 1, 0, 1]])
通过函数创建矩阵
np.arange(1,10) # 通过arange创建一维数组
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
np.ones((3,4)) # 创建3行4列全为1的二维数组
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
np.ones((3,4),dtype=int) # dytpe=int表示数组内的数是整型
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
np.zeros((2,3)) # 构造2*3的全0矩阵
array([[0., 0., 0.],
[0., 0., 0.]])
np.eye(3) # 构造单位矩阵
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
矩阵的运算
| 运算符 | 说明 |
|---|---|
| + | 两个矩阵对应元素相加 |
| - | 两个矩阵对应元素相减 |
| * | 两个矩阵对应元素相乘 |
| / | 两个矩阵对应元素相除 |
| % | 两个矩阵对应元素相除后取余数 |
| **n | 单个矩阵每个元素都取n次方 |
arr1+arr2
array([[4, 6, 7],
[2, 7, 3]])
矩阵的点乘与转置
矩阵的点乘必须满足第一个矩阵的列数等于第二个矩阵的行数
np.dot(arr1,arr2.T)
array([[21, 6],
[35, 3]])
arr2.T
array([[3, 1],
[4, 0],
[2, 1]])
矩阵的逆
矩阵行和列相同时，矩阵才可逆
np.linalg.inv(np.dot(arr1,arr2.T))
array([[-0.02040816, 0.04081633],
[ 0.23809524, -0.14285714]])
矩阵的其他操作
arr1.max() # 获取矩阵所有元素中的最大值
7
arr1.min() # 获取矩阵所有元素中的最小值
1
arr1.argmax(axis=1) # 获取矩阵最大元素的索引位置
arr1.mean() # 获取矩阵所有元素的平均值
arr1.mean(axis=0) # 获取矩阵每一列的平均值
arr1.mean(axis=1) # 获取矩阵每一行的平均值
arr1.var() # 获取矩阵所有元素的方差
arr1.var(axis=0) # 获取矩阵每一列的元素的方差
arr1.var(axis=1) # 获取矩阵每一行的元素的方差
arr1.std() # 获取矩阵所有元素的标准差
arr1.std(axis=0) # 获取矩阵每一列的元素的标准差
arr1.std(axis=1) # 获取矩阵每一行的元素的标准差
np.median(arr1) # 获取矩阵所有元素的中位数
np.median(arr1,axis=0) # 获取矩阵每一列的元素的中位数
np.median(arr1,axis=1) # 获取矩阵每一行的元素的中位数
arr1.sum() # 对矩阵的每一个元素求和
arr1.sum(axis=0) # 对矩阵的每一列求和
arr1.sum(axis=1) # 对矩阵的每一行求和
arr1.cumsum() # 累加和，如arr1=[1,2,3],arr1.cumsum=[1,3,6],第n个元素为前n-1个元素累加
numpy.random生成随机数
np.random.rand(3,4) # 产生[0,1)内的均匀分布的随机
array([[0.20445225, 0.87811744, 0.02738759, 0.67046751],
[0.4173048 , 0.55868983, 0.14038694, 0.19810149],
[0.80074457, 0.96826158, 0.31342418, 0.69232262]])
固定随机数
np.random.seed(1) # 随机种子，固定随机数
np.random.rand(3,4)
array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],
[1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],
[3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])
rs = np.random.RandomState(1) # 固定随机数
rs.rand(3,4)
array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],
[1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],
[3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])
pandas模块
pandas基于Numpy，可以看成是处理文本或者表格数据。pandas中有两个主要的数据结构，其中Series数据结构类似于Numpy中的一维数组，DataFrame类似于多维表格数据结构。
pandas是python数据分析的核心模块。它主要提供了五大功能:
- 支持文件存取操作，支持数据库(sql)、html、json、pickle、csv(txt、excel)、sas、stata、hdf等。
- 支持增删改查、切片、高阶函数、分组聚合等单表操作，以及和dict、list的互相转换。
- 支持多表拼接合并操作。
- 支持简单的绘图操作。
- 支持简单的统计分析操作
Series
import pandas as pd
pd.Series([1,2,3,4]) # 类似于一维数组，只能放一维的数组
0 1
1 2
2 3
3 4
dtype: int64
DataFrame
pd.DataFrame(np.array([[1,2,3],[3,2,1]])) # 两维以上的数组
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1 | 2 | 3 |
| 1 | 3 | 2 | 1 |
dates = pd.date_range('2019-5-15',periods = 7)
goods_list = ['tesla', 'transformer', 'faladi', 'wawa']
prices = np.random.rand(7,4)
df = pd.DataFrame(prices, index=dates, columns=goods_list)
df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| tesla | transformer | faladi | wawa | |
|---|---|---|---|---|
| 2019-05-15 | 0.860028 | 0.538831 | 0.552822 | 0.842031 |
| 2019-05-16 | 0.124173 | 0.279184 | 0.585759 | 0.969596 |
| 2019-05-17 | 0.561030 | 0.018647 | 0.800633 | 0.232974 |
| 2019-05-18 | 0.807105 | 0.387861 | 0.863542 | 0.747122 |
| 2019-05-19 | 0.556240 | 0.136455 | 0.059918 | 0.121343 |
| 2019-05-20 | 0.044552 | 0.107494 | 0.225709 | 0.712989 |
| 2019-05-21 | 0.559717 | 0.012556 | 0.071974 | 0.967276 |
DataFrame属性
df.dtypes # 查看数据类型
tesla float64
transformer float64
faladi float64
wawa float64
dtype: object
df.index # 查看行序列或者索引
DatetimeIndex(['2019-05-15', '2019-05-16', '2019-05-17', '2019-05-18',
'2019-05-19', '2019-05-20', '2019-05-21'],
dtype='datetime64[ns]', freq='D')
df.columns # 查看各列的标签
Index(['tesla', 'transformer', 'faladi', 'wawa'], dtype='object')
df.values # 查看数据框内的数据
array([[0.86002795, 0.53883106, 0.55282198, 0.84203089],
[0.12417332, 0.27918368, 0.58575927, 0.96959575],
[0.56103022, 0.01864729, 0.80063267, 0.23297427],
[0.8071052 , 0.38786064, 0.86354185, 0.74712164],
[0.55624023, 0.13645523, 0.05991769, 0.12134346],
[0.04455188, 0.10749413, 0.22570934, 0.71298898],
[0.55971698, 0.01255598, 0.07197428, 0.96727633]])
df.describe() # 查看数据每一列的极值，均值，中位数，只可用于数值型数据
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| tesla | transformer | faladi | wawa | |
|---|---|---|---|---|
| count | 7.000000 | 7.000000 | 7.000000 | 7.000000 |
| mean | 0.501835 | 0.211575 | 0.451480 | 0.656190 |
| std | 0.311727 | 0.198347 | 0.333747 | 0.343075 |
| min | 0.044552 | 0.012556 | 0.059918 | 0.121343 |
| 25% | 0.340207 | 0.063071 | 0.148842 | 0.472982 |
| 50% | 0.559717 | 0.136455 | 0.552822 | 0.747122 |
| 75% | 0.684068 | 0.333522 | 0.693196 | 0.904654 |
| max | 0.860028 | 0.538831 | 0.863542 | 0.969596 |
df.transpose() # 转置、行列互换
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 2019-05-15 00:00:00 | 2019-05-16 00:00:00 | 2019-05-17 00:00:00 | 2019-05-18 00:00:00 | 2019-05-19 00:00:00 | 2019-05-20 00:00:00 | 2019-05-21 00:00:00 | |
|---|---|---|---|---|---|---|---|
| tesla | 0.860028 | 0.124173 | 0.561030 | 0.807105 | 0.556240 | 0.044552 | 0.559717 |
| transformer | 0.538831 | 0.279184 | 0.018647 | 0.387861 | 0.136455 | 0.107494 | 0.012556 |
| faladi | 0.552822 | 0.585759 | 0.800633 | 0.863542 | 0.059918 | 0.225709 | 0.071974 |
| wawa | 0.842031 | 0.969596 | 0.232974 | 0.747122 | 0.121343 | 0.712989 | 0.967276 |
df.sort_index() # 排序，可按行或列index排序输出
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| tesla | transformer | faladi | wawa | |
|---|---|---|---|---|
| 2019-05-15 | 0.860028 | 0.538831 | 0.552822 | 0.842031 |
| 2019-05-16 | 0.124173 | 0.279184 | 0.585759 | 0.969596 |
| 2019-05-17 | 0.561030 | 0.018647 | 0.800633 | 0.232974 |
| 2019-05-18 | 0.807105 | 0.387861 | 0.863542 | 0.747122 |
| 2019-05-19 | 0.556240 | 0.136455 | 0.059918 | 0.121343 |
| 2019-05-20 | 0.044552 | 0.107494 | 0.225709 | 0.712989 |
| 2019-05-21 | 0.559717 | 0.012556 | 0.071974 | 0.967276 |
df.sort_values(by='wawa') # 按指定的数据排序
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| tesla | transformer | faladi | wawa | |
|---|---|---|---|---|
| 2019-05-19 | 0.556240 | 0.136455 | 0.059918 | 0.121343 |
| 2019-05-17 | 0.561030 | 0.018647 | 0.800633 | 0.232974 |
| 2019-05-20 | 0.044552 | 0.107494 | 0.225709 | 0.712989 |
| 2019-05-18 | 0.807105 | 0.387861 | 0.863542 | 0.747122 |
| 2019-05-15 | 0.860028 | 0.538831 | 0.552822 | 0.842031 |
| 2019-05-21 | 0.559717 | 0.012556 | 0.071974 | 0.967276 |
| 2019-05-16 | 0.124173 | 0.279184 | 0.585759 | 0.969596 |
读取CSV文件
test_data = '''
c1,c2,c3,'c4'
5.1,,12,23
23,,,12
,12,11,11
1,2,2,2
1,1,1,1
1,2,3,4
5,6,7,8
’’’
'''
from io import StringIO
test_data = StringIO(test_data)
df = pd.read_csv(test_data)
df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 0 | 5.1 | NaN | 12.0 | 23.0 |
| 1 | 23 | NaN | NaN | 12.0 |
| 2 | NaN | 12.0 | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
| 7 | ’’’ | NaN | NaN | NaN |
处理丢失数据
df.dropna(axis=0) # 把有空值的行删除，不改变df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
df.dropna(axis=1) # 把有空值的列删除，不改变df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 0 |
|---|
| 1 |
| 2 |
| 3 |
| 4 |
| 5 |
| 6 |
| 7 |
df.dropna(thresh=6,axis=1) # 将行（列）中非空值个数小于thresh的行（列）删除，（axis=0表示行，1表示列）
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c3 | 'c4' | |
|---|---|---|---|
| 0 | 5.1 | 12.0 | 23.0 |
| 1 | 23 | NaN | 12.0 |
| 2 | NaN | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 |
| 5 | 1 | 3.0 | 4.0 |
| 6 | 5 | 7.0 | 8.0 |
| 7 | ’’’ | NaN | NaN |
df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 0 | 5.1 | NaN | 12.0 | 23.0 |
| 1 | 23 | NaN | NaN | 12.0 |
| 2 | NaN | 12.0 | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
| 7 | ’’’ | NaN | NaN | NaN |
df.dropna(subset=['c2']) # 把c2列中空值的那行删除
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 2 | NaN | 12.0 | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
df.fillna(value=0) # 将空值用value填充
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 0 | 5.1 | 0.0 | 12.0 | 23.0 |
| 1 | 23 | 0.0 | 0.0 | 12.0 |
| 2 | 0 | 12.0 | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
| 7 | ’’’ | 0.0 | 0.0 | 0.0 |
合并数据
df1 = pd.DataFrame(np.array([[1,2,3],[4,5,6]]))
df2 = pd.DataFrame(np.array([[4,5,6],[1,2,3]]))
pd.concat((df1,df2),axis=1) # axis=0时合并列，axis=1合并行
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| 0 | 1 | 2 | 0 | 1 | 2 | |
|---|---|---|---|---|---|---|
| 0 | 1 | 2 | 3 | 4 | 5 | 6 |
| 1 | 4 | 5 | 6 | 1 | 2 | 3 |
取值
df.loc[7] # 通过索引取值
c1 ’’’
c2 NaN
c3 NaN
'c4' NaN
Name: 7, dtype: object
df.iloc[0,:] # 取第一行
c1 5.1
c2 NaN
c3 12
'c4' 23
Name: 0, dtype: object
df.iloc[0,:] = 0 # 将第一行赋值为0
df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|
| 0 | 0 | 0.0 | 0.0 | 0.0 |
| 1 | 23 | NaN | NaN | 12.0 |
| 2 | NaN | 12.0 | 11.0 | 11.0 |
| 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 5 | 6.0 | 7.0 | 8.0 |
| 7 | ’’’ | NaN | NaN | NaN |
导入导出数据
df.to_excel('test.xlsx')
df = pd.read_excel('test.xlsx')
df
.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| Unnamed: 0 | c1 | c2 | c3 | 'c4' | |
|---|---|---|---|---|---|
| 0 | 0 | 0 | 0.0 | 0.0 | 0.0 |
| 1 | 1 | 23 | NaN | NaN | 12.0 |
| 2 | 2 | NaN | 12.0 | 11.0 | 11.0 |
| 3 | 3 | 1 | 2.0 | 2.0 | 2.0 |
| 4 | 4 | 1 | 1.0 | 1.0 | 1.0 |
| 5 | 5 | 1 | 2.0 | 3.0 | 4.0 |
| 6 | 6 | 5 | 6.0 | 7.0 | 8.0 |
| 7 | 7 | ’’’ | NaN | NaN | NaN |
matplotlib模块
图形可视化，主要用来画图。它可以创建常用的统计图，包括条形图、箱型图、折线图、散点图和直方图
条形图
# 导入模块
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
%matplotlib inline # 只有在使用jupyter时使用这行
font = FontProperties(fname='E:\msyh.ttc') #fname是中文字体路径
classes = ['1班','2班','3班','4班']
student_amounts = [30,10,20,40]
classes_index = range(len(classes))
# 绘制条形图
plt.bar(classes_index,student_amounts)
plt.xticks(classes_index,classes,FontProperties=font)
plt.xlabel('班级',FontProperties=font) # x方向加上标签
plt.ylabel('学生人数',FontProperties=font) # y方向加上标签
plt.title('班级-学生人数',FontProperties=font) # 给图添加标题
# 给条形图的上方加上各班级的人数
for ind,student_amount in enumerate(student_amounts):
plt.text(ind,student_amount+1,student_amount)
plt.show()
直方图
mu1,mu2,sigma = 50,100,10
x1 = mu1 + sigma * np.random.randn(10000) # 生成10000个正态分布随机数
x2 = mu2 + sigma * np.random.randn(10000)
# 修改背景
plt.style.use('ggplot')
fig = plt.figure() # 生成一张画布
ax1 = fig.add_subplot(121) # 121表示将画布分成1行2列，第二个1表示第一个
ax2 = fig.add_subplot(122) # 122表示将画布分成1行2列，第二个2表示第二个
# 绘制直方图
ax1.hist(x1,bins=100,color='red')
ax2.hist(x2,bins=200,color='green')
# 分别给两个图加标题
ax1.set_title('红色',fontproperties=font)
ax2.set_title('绿色',fontproperties=font)
# 给整个加大标题
fig.suptitle('大标题',fontproperties=font,fontsize=15,weight='bold') # fontsize字体大小，weight字体粗细bold表示加粗
plt.show()
折线图
data1 = np.random.rand(40) # 生成40个数字
# 画折线图
plt.plot(data1)
# linestyle是线的类型有“-、--、：、-.”四种，alpha表示透明度，label表示标记
plt.plot(data1,color='green',linestyle='--',alpha=0.9,label='红色')
plt.legend(prop=font) # 显示label
plt.show()
# 生成多条折线
arr = np.array([1,2,3,4])
arr2 = arr.cumsum()
plt.plot(arr)
plt.plot(arr2)
plt.show()
散点图
x = np.arange(1,20)
y_linear = x ** 2
y_log = np.log(x) # 取x的对数
# 画散点图
plt.scatter(x,y_linear)
plt.scatter(x,y_log,color='green',marker='*',s=100) # color颜色，marker记号，s表示大小
plt.title('散点图',FontProperties=font)
plt.show()
day18-常用模块III (numpy、pandas、matplotlib)的更多相关文章
- 常用统计分析python包开源学习代码 numpy pandas matplotlib
常用统计分析python包开源学习代码 numpy pandas matplotlib 待办 https://github.com/zmzhouXJTU/Python-Data-Analysis
- python 数据分析工具之 numpy pandas matplotlib
作为一个网络技术人员,机器学习是一种很有必要学习的技术,在这个数据爆炸的时代更是如此. python做数据分析,最常用以下几个库 numpy pandas matplotlib 一.Numpy库 为了 ...
- 第一章：AI人工智能 の 数据预处理编程实战 Numpy, Pandas, Matplotlib, Scikit-Learn
本课主题 数据中 Independent 变量和 Dependent 变量 Python 数据预处理的三大神器:Numpy.Pandas.Matplotlib Scikit-Learn 的机器学习实战 ...
- numpy+pandas+ matplotlib模块(day18)
目录 numpy模块 二维数组 numpy数组的属性 T 数组的装置 dtype 数组元素的数据类型 size 数组元素的个数 ndim 数组的维数 shape数组的维度大小 astype 类型转换 ...
- numpy, pandas, matplotlib等常用库的学习手册
pandas介绍: 待续 参考资料: 中文:https://www.cnblogs.com/skying555/p/5914391.html 英文:http://www.datadependence. ...
- Python模块简介及安装 [numpy,pandas,matplotlib,scipy,statsmodels,Gensim,sklearn,keras]
https://pan.baidu.com/s/1bpVv3Ef 67bd 模块安装文件下载地址 pip install "numpy-1.12.0b+mkl-cp35- ...
- 11-2 numpy/pandas/matplotlib模块
目录 numpy模块 一维数组 二维数组 列表list和numpy的区别 获取多维数组的行和列 多维数组的索引 高级功能 多维数组的合并 通过函数方法创建多维数组 矩阵的运算 求最大值最小值 nump ...
- numpy+pandas+matplotlib+tushare股票分析
一.数据导入 安装tushare模块包 pip install tushare http://tushare.org/ tushare是一个财经数据接口包 import numpy as np imp ...
- python 安装anaconda, numpy, pandas, matplotlib 等
如果没安装anaconda,则这样安装这些库: pip install numpy pip install pandas pip install matplotlib sudo apt-get ins ...
随机推荐
- UML——用例图
用例图是在需求分析阶段开发人员和用户对需求规格达成的某种共识.它描写叙述了待开发系统的功能需求. UML视频使我们对用例图的基本组成元素.属性.粒度等有了理论上的理解,我们还须要自己亲自己主动手画一画 ...
- Java VS .NET：Java与.NET的特点对比 单点登录（SSO）的设计
一.前言 为什么要写Java跟.NET对比? .NET出生之后就带着Java的影子.从模仿到创新,.NET平台也越来越成熟.他们不同的支持者也经常因为孰弱孰强的问题争论不休.但是本文并不是为了一分高下 ...
- 我和nupt集训队的故事
纯水文,如有不适请ctrl+w撤离 亚洲赛刚结束.看了不少巨巨的退役贴以及岛娘在知乎上的那篇感天动地的人生经历.多少有点夜深忽梦少年事的错觉.作为一个两年前就打出gg的高龄选手,之后又强行以1次队员和 ...
- GuiLite 1.2 发布（希望通过这100+行代码来揭示：GuiLite的初始化，界面元素Layout，及消息映射的过程）
经过开发群的长期验证,我们发现:即使代码只有5千多行,也不意味着能够轻松弄懂代码意图.痛定思痛,我们发现:虽然每个函数都很简单(平均长度约为30行),可以逐个击破:但各个函数之间如何协作,却很难说明清 ...
- Mac系统打开命令行终端及查看操作系统版本号的方法
Mac系统打开命令行终端的方法: 应用程序 --> 实用工具 --> 终端 Mac系统终端查看操作系统版本号的方法: 输入:#more /System/Library/CoreServic ...
- bzoj 1497(最大权闭合子图）
1497: [NOI2006]最大获利 Time Limit: 5 Sec Memory Limit: 64 MBSubmit: 6410 Solved: 3099[Submit][Status] ...
- 计算属性 computed
计算属性 computed 计算缓存 vs Methods <div id="example"> <p>Original message: "{{ ...
- 准确率，精确率，召回率，F-measure 之间的关系
总结:(图上 R的计算的分母应该是 :40+10 )(笔误) 模型条件放宽,负类被误判为正类的可能性就变大(即FP变大)精确率和准确率会受影响(变小) 模型条件变严格,正类有可能被误判为负类(即FN变 ...
- 台哥原创：java 连连看源码
2010年,迷上了玩连连看 随手就做了这个,正好手头有这些图片素材 游戏启动时,界面先铺上了一层透明幕布,然后这些兵器图片交替从上到下,从左到右出现.. 鼠标停在兵器格子上时,所在格子会有红色 ...
- tomcat8的session共享实现方案
tomcat8的session共享实现 下载tomcat 版本:apache-tomcat-8.0.53.zip 实现步骤,只需要两步 两个tomcat的server.xml都增加一样cluster配 ...