axis

数据分析day03 4.基于pandas的数据清洗 处理丢失数据 有两种丢失数据： None np.nan(NaN) In [1]: import numpy as np import pandas as pd from pandas import Series,DataFrame import tushare as ts#财经数据接口包 import matplotlib.pyplot as plt 两种丢失数据的区别 In [2]: type(np.nan) Out[2]: float In [5]: np.nan + 3 Out[5]: nan In [3]: type(None) Out[3]: NoneType pandas中的None和NAN In [10]: df = DataFrame(data=np.random.randint(0,100,size=(8,5))) df Out[10]: 0 1 2 3 4 0 44 91 92 51 55 1 23 22 92 35 83 2 21 52 40 63 29 3 94 51 24 70 59 4 27 78 1 21 17 5 94 57 5 43 22 6 87 31 58 30 82 7 93 28 54 7 93 In [12]: df.iloc[1,2] = None df.iloc[3,4] =

NumPy 8 - 数组操作 文章目录 NumPy 8 - 数组操作 一、修改数组形状 所有函数方法 1、numpy.reshape 修改形状 实例 2、numpy.ndarray.flat 迭代器 3、numpy.ndarray.flatten 数组拷贝 4、numpy.ravel 展平 二、翻转数组 1、numpy.transpose numpy.ndarray.T 2、numpy.rollaxis 3、numpy.swapaxes 交换数组的两个轴 三、修改数组维度 1、numpy.broadcast 2、numpy.broadcast_to 广播到新形状 3、numpy.expand_dims 插入拓展 4、numpy.squeeze 四、连接数组 1、numpy.concatenate 沿指定轴连接 2、numpy.stack 沿新轴连接 3、numpy.hstack 水平堆叠 4、numpy.vstack 垂直堆叠 五、分割数组 1、numpy.split 2、numpy.hsplit 水平分割数组 3、numpy.vsplit 沿着垂直轴分割 六、数组元素的添加与删除 1、numpy.resize 2、numpy.append 3、numpy.insert 4、numpy.delete 5、numpy.unique 转载编辑自： https://www.runoob

Pandas 什么是Pandas 数据结构 Series DataFrame 获取数据源 导入文件 查看数据表的大小 查看数据类型 查看数值分布情况 数据预处理 判断哪个是NAN 删除缺失值 填充缺失值 删除重复值 数据类型转换 设置索引 数据选择 选择列 选择行 筛选行 行列同时选择 loc方法 iloc方法 布尔索引+普通索引 连续的行列 单个行/列+连续列/行 数值操作 数值替换 数值排序 数值排名 数值删除 删除列 删除行 数值计算 计数 获取唯一值 数值查找 区间切分 插入列 行列互换 层次化索引 数据运算 加减乘除 比较 计数 求和 求均值 求最大、最小值 求中位数 求众数 求方差 求标准差 指定列、行运算 数据分组 aggregate方法 reset_index方法 表拼接 横向拼接 左连接 右连接 外连接 重复列 纵向拼接 数据导出 Python数据分析系列以《对比Excel，轻松学习Python数据分析》为参考进行学习 什么是Pandas Pandas是基于Numpy的一种工具，主要用于处理数据进行分析，它纳入了大量的库和一些标准的数据模型，提供了操作大型数据集所需的工具 数据结构 根据百度百科，Pandas里的数据结构有以下几种 Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近

Numpy中函数参数axis=0与axis=1的区分 1.问题描述 在使用Numpy中某些函数时，可能会遇到aixs=0与aixs=1的理解困惑。例如： 对于函数1 ： 数组拼接函数numpy.concatenate((a1,a2,…), axis=0)，其中ai为数组类型 1)当参数为一维数组时 下面代码 import numpy as np a1 = np . array ( [ 1 , 2 , 3 ] ) a2 = np . array ( [ 4 , 5 , 6 ] ) a3 = np . array ( [ 7 , 8 , 9 ] ) print ( np . concatenate ( ( a1 , a2 , a3 ) , axis = 0 ) ) print ( np . concatenate ( ( a1 , a2 , a3 ) , axis = 1 ) ) 结果为： 只能在aixs=0方向拼接，且结果仍然为一维数组。 2)当参数为二维数组时 下面代码 import numpy as np a1 = np . array ( [ [ 1 , 2 , 3 ] , [ 3 , 2 , 1 ] ] ) a2 = np . array ( [ [ 4 , 5 , 6 ] , [ 6 , 5 , 4 ] ] ) a3 = np . array ( [ [ 7 , 8 , 9

一．数据读取： csv文件：csv_data= pd.read_csv(’/路径/test.csv’) txt文件：f= open(’/路径/test.txt’, ‘r’) excel文件： import xlrd f=xlrd.open_workbook(r'\路径\demo.xlsx',formatting_info=True) table =data.sheet_by_name("Sheet2") or df = pd.read_excel("\路径\window regulator.xlsx",sheetname="Sheet2") 二．数据处理和清洗： 数据清洗： A．调整数值及格式，去掉噪声，不可信值，缺失值较多的字段 1）去掉空格，换行符： " xyz ".strip() # returns “xyz” " xyz ".lstrip() # returns "xyz " " xyz “.rstrip() # returns " xyz” " x y z ".replace(’ ', ‘’) # returns “xyz” 2）用split断开再合上 ‘’.join(your_str.split()) 3）用正则表达式来完毕替换: import re strinfo = re.compile(‘word’) b = strinfo.sub(‘python’,a

本篇内容包括，tf.norm(张量的范数)、tf.reduce_min/max(最大最小值)、tf.argmax/argmin(最大最小值的位置)、tf.equal(张量的比较)、tf.unique(张量的独特值) 1.tf.norm 　　· 二范数 ||x|| 2 = (Σx k 2 ) 1/2 　　· 一范数 ||x|| 1 = Σ|x k | 　　· 无穷范数 ||x|| ∞ = max|x k | # 二范数 a = tf.ones([2,2]) print(tf.norm(a)) print(tf.norm(a,ord=2,axis=0)) print(tf.sqrt(tf.reduce_sum(tf.square(a)))) # 一范数 print(tf.norm(a,ord=1)) print(tf.norm(a,ord=1,axis=0)) print(tf.norm(a,ord=1,axis=1)) 2.reduce_min/max/mean a = tf.random.normal([4,10]) # 全值，即把tensor打平为[40] print(tf.reduce_min(a),tf.reduce_max(a),tf.reduce_mean(a)) # 指定参数轴 print(tf.reduce_min(a,axis=1),tf.reduce_max(a

一、numpy库 numpy：科学计算包，支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换、随机数生成，并可与C++/Fortran语言无缝结合。树莓派Python v3默认安装已经包含了numpy。 另： scipy：scipy依赖于numpy，提供了更多的数学工具，包括矩阵运算、线性方程组求解、积分、优化、插值、信号处理、图像处理、统计等等。 1.扩展库numpy简介 导入模板：(交换式) >>>import numpy as np 2.numpy库应用于数组 (1)简单数组的生成 >>>import numpy as np #把列表转化为数组 >>> np.array([0,1,2,3,4]) array([0, 1, 2, 3, 4])>>>np.array((0,1,2,3,4)) # 元组转化为数组array([0, 1, 2, 3, 4]) >>>np.array(range(5)) # 把range对象转换成数组 array([0, 1, 2, 3, 4]) >>>np.array([[1,2,3,4,],[5,6,7,8]]) #二维数组 array([[1, 2, 3, 4], [5, 6, 7, 8]]) >>>np.arange(8) # 类似于内置函数range() array([0,1,2,3,4,5,6,7]) >>

使用PyQt5的QtChart作图时，出现的问题记录一下，以便查阅与遇到坑的人爬出，版本为PyQt5.10 当自定义轴时，会出现轴与数据点不统一，不对齐的问题，虽然有关联轴的方法，但代码顺序仍需很小心，谁叫Python是解释型语言呢。 注意代码中的 一定！！！ ,最后有总结。 font = QFont ( ) font . setPointSize ( 7 ) # 1 自定义时间类型的X轴 axis_X = QDateTimeAxis ( ) axis_X . setRange ( min_x , max_x ) # 设置范围 axis_X . setFormat ( 'yyyy-MM-dd' ) # 显示的格式 axis_X . setLabelsAngle ( - 90 ) # 设置标签旋转的角度 axis_X . setTickCount ( tick_count ) # 设置刻度个数 axis_X . setLabelsFont ( font ) # 设置字体大小等 axis_X . setGridLineVisible ( False ) # 设置网格纵向线不可见 """ 一定！！！要在添加图线前将轴加入图表对象中 """ chart . addAxis ( axis_X , Qt . AlignBottom ) # 加入坐标x轴 # 2 自定义数值型的Y轴(左侧)