数据分析（Numpy，Pandas，Matplotlib）常用API
目录
Numpy
Pandas
Series
DataFrame
Matplotlib
Series和Dataframe的画图
seaborn
Scipy
Numpy：
np.array(任何可被解释为Numpy数组的逻辑结构)
np.arange(起始值(0),终止值,步长(1))
np.zeros(数组元素个数, dtype='类型')
np.ones(数组元素个数, dtype='类型')
数组的维度： np.ndarray.shape
元素的类型： np.ndarray.dtype
数组元素的个数： np.ndarray.size
转换ary元素的类型：b = ary.astype(float)
自定义复合类型：data=[
('zs', [90, 80, 85], 15),
('ls', [92, 81, 83], 16),
('ww', [95, 85, 95], 15)
]
b = np.array(data, dtype=[('name', 'str_', 2),
('scores', 'int32', 3),
('ages', 'int32', 1)])
视图变维(数据共享)：reshape() 与 ravel()#变为一维数组
复制变维(数据独立)：flatten()
就地变维：直接改变原数组对象的维度,不返回新数组： a.resize(2, 2, 2)
多维数组的组合与拆分：
#垂直方向完成组合操作,生成新数组
c = np.vstack((a, b))
# 垂直方向完成拆分操作,生成两个数组
d, e = np.vsplit(c, 2)
# 水平方向完成组合操作,生成新数组
c = np.hstack((a, b))
# 水平方向完成拆分操作,生成两个数组
d, e = np.hsplit(c, 2)
# 深度方向(3维)完成组合操作,生成新数组
i = np.dstack((a, b))
# 深度方向(3维)完成拆分操作,生成两个数组
k, l = np.dsplit(i, 2)
#把两个数组组合在一起成两行
c = np.row_stack((a, b))
#把两个数组组合在一起成两列
d = np.column_stack((a, b))
加载文件：np.loadtxt(
'../aapl.csv', # 文件路径
delimiter=',', # 分隔符
usecols=(1, 3), # 读取1、3两列 (下标从0开始)
unpack=False, # 是否按列拆包
dtype='U10, f8', # 制定返回每一列数组中元素的类型
converters={1：func} # 转换器函数字典
)
算数平均值：np.mean(array)
加权平均值：np.average(closing_prices, weights=volumes)
返回一个数组中最大值/最小值/极差：np.max() np.min() np.ptp()
产生9个介于[10, 100)区间的随机数：np.random.randint(10, 100, 9)
返回一个数组中最大/最小元素的下标：np.argmax() mp.argmin()
将两个同维数组中对应元素中最大/最小元素构成一个新的数组：np.maximum() np.minimum()
中位数：np.median(closing_prices)
总体标准差：np.std(closing_prices)
样本标准差np.std(closing_prices, ddof=1)
返回np.int16的表示范围（max、min）：np.iinfo(np.int16)
卷积：numpy.convolve(a(卷积数组), b(卷积核), 卷积类型(valid、full、same))
求Ax=B的解 x = np.linalg.lstsq(A, B)[0]
线性拟合：
A = np.column_stack((X轴数据, np.ones_like(days)))
x = np.linalg.lstsq(a, y轴数据)[0]
trend_line = X轴数据 * x[0] + x[1](x[0]是k,x[1]是b)
协方差：np.cov()、np.mean(dev_a*dev_b)(离差乘积的平均值)
方差：np.var()
相关系数：cov_ab/(np.std(a)*np.std(b))(协方差除标准差的乘积)
相关矩阵：np.corrcoef(a, b)
相关矩阵的分子矩阵 ： numpy.cov(a, b) ([[a方差,ab协方差], [ba协方差, b方差]])
多项式拟合： np.polyfit(X, Y, 最高次幂)->P
得拟合曲线坐标样本数据 [X, Y']：np.polyval(P, X)->Y'
多项式函数求导： np.polyder(P)->Q
求多项式函数的根： np.roots(Q)
两个多项式函数的差函数： np.polysub(P1, P2)
数组前一个数-后一个数构成新的数组：np.diff()
正数变为1,负数变为-1,0则变为0： np.sign(源数组)
数组处理函数： np.piecewise(源数组, 条件序列, 取值序列)
函数矢量化： np.vectorize(foo)
矩阵对象的创建：
- numpy.matrix(
ary, # 任何可被解释为矩阵的二维容器
copy=True # 是否复制数据(缺省值为True,即复制数据)
)
- numpy.mat(任何可被解释为矩阵的二维容器)
乘法运算：*、a.dot(a)
逆矩阵：I、np.linalg.inv(a)
数组的裁剪：ndarray.clip(min=下限, max=上限)
数组的压缩：ndarray.compress(条件)
加法与乘法通用函数：
np.add(a, a) # 两数组相加
np.add.reduce(a) # a数组元素累加和
np.add.accumulate(a) # 累加和过程
np.add.outer([10, 20, 30], a) # 外和
np.prod(a) # a数组元素累乘和
np.cumprod(a) # 累乘和过程
np.outer([10, 20, 30], a) # 外积
除法与取整通用函数：
np.divide(a, b) # a 真除 b
np.floor(a / b) # (真除的结果向下取整)
np.ceil(a / b) # (真除的结果向上取整)
np.trunc(a / b) # (真除的结果截断取整)
np.round(a / b) # (真除的结果四舍五入取整)
位运算通用函数：
位异或：(判断两个数据是否同号：np.where(a^b < 0)[0])
c = a ^ b
c = np.bitwise_xor(a, b)
位与：(判断某个数是否是2的幂：d & (d - 1))
e = a & b
e = np.bitwise_and(a, b)
位或：
e = a | b
e = np.bitwise_or(a, b)
位反：
e = ~a
e = np.bitwise_or(a, b)
特征值和特征向量：eigvals, eigvecs = np.linalg.eig(A)
奇异值分解：U, sv, V = np.linalg.svd(M, full_matrices=False)
M可以分解为3个矩阵U、S、V(U与V都是正交矩阵, S矩阵主对角线上的元素称为矩阵M的奇异值,其它元素均为0)
傅里叶变换： import numpy.fft as nf
np.fft.fft(原函数数组) -> 复数数组(模代振幅,辐角代表初相位)
np.fft.ifft(复数数组)->原函数值数组(逆向傅里叶变换)
freqs = np.fft.fftfreq(采样数量, 采样周期)
任何一条周期曲线,无论多么跳跃或不规则,都能表示成一组光滑正弦曲线叠加之和
二项分布：np.random.binomial(n, p, size)
超几何分布：np.random.hypergeometric(ngood, nbad, nsample, size)
正态分布：np.random.normal(size)#标准正态分布
np.random.normal(loc=1, scale=10, size)#loc为期望,scale为标准差
联合间接排序：indices=np.lexsort((后排序列, 先排序列))#返回索引
复数数组排序：np.sort_complex(复数数组)
插入排序：indices=np.searchsorted(有序数组, 待插入数据数组)#返回待插入索引
np.insert(A, indices, B) # 向A数组中的indices位置插入B数组中的元素
插值： func = si.interp1d(
离散水平坐标,
离散垂直坐标,
kind=插值算法(缺省为线性插值)
)#就是把每一个点连起来形成函数
积分：import scipy.integrate as si
area = si.quad(f, a, b)[0](函数f,积分下限与积分上限[a, b])
图像：#高斯模糊
median = sn.median_filter(original, 21)
#角度旋转
rotate = sn.rotate(original, 45)
#边缘识别
prewitt = sn.prewitt(original)
Pandas：
Series：
map()：可以接受一个函数（lambda）或含有映射关系的字典型对象
创建一个空的系列：s = pd.Series()
从ndarray创建一个系列：data = np.array(['a','b','c','d'])
s = pd.Series(data)
s = pd.Series(data,index=[100,101,102,103])
从字典创建一个系列：data = {'a' ： 0., 'b' ： 1., 'c' ： 2.}
s = pd.Series(data)
从标量创建一个系列：s = pd.Series(5, index=[0, 1, 2, 3])
访问Series：通过索引、标签均可
转换日期数据类型：pd.to_datetime(dates)
获取相差天数数值：delta.dt.days
日期相关操作：
Series.dt.year The year of the datetime.
Series.dt.month The month as January=1, December=12.
Series.dt.day The days of the datetime.
Series.dt.hour The hours of the datetime.
Series.dt.minute The minutes of the datetime.
Series.dt.second The seconds of the datetime.
Series.dt.microsecond The microseconds of the datetime.
Series.dt.week The week ordinal of the year.
Series.dt.weekofyear The week ordinal of the year.
Series.dt.dayofweek The day of the week with Monday=0, Sunday=6.
Series.dt.weekday The day of the week with Monday=0, Sunday=6.
Series.dt.dayofyear The ordinal day of the year.
Series.dt.quarter The quarter of the date.
Series.dt.is_month_start Indicates whether the date is the first day of the month.
Series.dt.is_month_end Indicates whether the date is the last day of the month.
Series.dt.is_quarter_start Indicator for whether the date is the first day of a quarter.
Series.dt.is_quarter_end Indicator for whether the date is the last day of a quarter.
Series.dt.is_year_start Indicate whether the date is the first day of a year.
Series.dt.is_year_end Indicate whether the date is the last day of the year.
Series.dt.is_leap_year Boolean indicator if the date belongs to a leap year.
Series.dt.days_in_month The number of days in the month.
创建日期序列：pd.date_range('2019/08/21', periods=5,freq='M')
构建某个区间的时间序列：pd.date_range(start, end)(bdate_range不包括星期六和星期天)
DataFrame：
创建一个空的DataFrame：df = pd.DataFrame()
从列表创建DataFrame：data = [1,2,3,4,5]
df = pd.DataFrame(data)
从字典来创建DataFrame：data = {'Name'：['Tom', 'Jack', 'Steve', 'Ricky'],'Age'：[28,34,29,42]}
df = pd.DataFrame(data, index=['s1','s2','s3','s4'])
df.memory_usage(index=True, deep=False)
index:指定是否在返回的序列中包含DataFrame的索引的内存使用情况。If index=True表示输出中第一项索引的内存使用情况。
deep:如果为True，通过查询对象dtypes来深入地检查数据，以了解系统级的内存消耗情况，并将其包含在返回值中。
返回:一个series，其索引是原始列名，其值是以字节为单位的每个列的内存使用情况
返回一个boolean的dataframe（缺失值）：df.isna()
列访问：通过列名标签访问
列添加：新建一个列索引,对该索引下的数据进行赋值操作
列删除：del(df['one'])、df.pop('two')
列数：df.shape[1]
查看列的信息：df.info()
行访问：df.loc[‘行标签名’],返回值为series，原字段对应到index、df.iloc[[2,3]](访问2,3这两行)
行添加：df.append(df2)
行删除： df.drop(0)
行数：df.shape[0]
访问某个元素：df.iloc[2,3](访问2行3列的元素)、df[‘列索引’][‘行索引‘]
修改数据：找到对应元素修改即可
dataframe常用属性：
| 编号 | 属性或方法 | 描述 |
| ---- | ---------- | ----------------------------------- |
| 1 | `axes` | 返回 行/列 标签(index)列表。 |
| 2 | `dtype` | 返回对象的数据类型(`dtype`)。 |
| 3 | `empty` | 如果系列为空,则返回`True`。 |
| 4 | `ndim` | 返回底层数据的维数,默认定义：`1`。 |
| 5 | `size` | 返回基础数据中的元素数。 |
| 6 | `values` | 将系列作为`ndarray`返回。 |
| 7 | `head()` | 返回前`n`行。 |
| 8 | `tail()` | 返回最后`n`行。 |
统计相关函数：
| 1 | `count()` | 非空观测数量 |
| 2 | `sum()` | 所有值之和 |
| 3 | `mean()` | 所有值的平均值 |
| 4 | `median()` | 所有值的中位数 |
| 5 | `std()` | 值的标准偏差 |
| 6 | `min()` | 所有值中的最小值 |
| 7 | `max()` | 所有值中的最大值 |
| 8 | `abs()` | 绝对值 |
| 9 | `prod()` | 数组元素的乘积 |
| 10 | `cumsum()` | 累计总和 |
| 11 | `cumprod()` | 累计乘积 |
| 12 | `describe(include=['object',’number’])` | 一次性得出所有数值型特征 |
按行/列标签排序(升序/降序)：sort_index(axis,ascending=True/False)
按某列(by)值排序(升序/降序)：sort_values(by=‘Age’,ascending=True/False)
根据字段分组：grouped =df.groupby('Year')
获取特定分组：res=grouped.get_group(2014)
聚合： grouped['Points'].agg([np.sum, np.mean, np.std])
合并两个DataFrame：pd.merge(d1,d2, how='left'(合并方法))
| 合并方法 | SQL等效 | 描述 |
| -------- | ------------------ | ---------------- |
| `left` | `LEFT OUTER JOIN` | 使用左侧对象的键 |
| `right` | `RIGHT OUTER JOIN` | 使用右侧对象的键 |
| `outer` | `FULL OUTER JOIN` | 使用键的联合 |
| `inner` | `INNER JOIN` | 使用键的交集 |
透视表：data.pivot_table(index=['class_id', 'gender'], values=['score'],
columns=['age'], margins=True, aggfunc='max')
(以class_id与gender为行, age为列,统计score数据,添加行、列小计，统计方法为max)
Matplotlib：
mp.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文 mp.rcParams['axes.unicode_minus'] = False # 正常显示负号
绘制折线图：mp.plot(xarray, yarray, linestyle='', linewidth=1, color='', alpha=0.5,label=’’)
绘制垂直线：mp.vlines(vval, ymin, ymax, ...)
绘制水平线：mp.hlines(xval, xmin, xmax, ...)
显示图表：mp.show()
消除边框：mp.box(False)
添加信息：mp.text(x,y,content,transform=ax.transAxes(若动画保持相对位置不变))
设置坐标轴范围：mp.xlim(x_limt_min, x_limit_max)、mp.ylim(y_limt_min, y_limit_max)
设置坐标刻度：mp.xticks(x_val_list , x_text_list )、mp.yticks(y_val_list , y_text_list )
获取坐标系：ax = mp.gca()
获取其中某个坐标轴：axis = ax.spines['坐标轴名']
设置坐标轴的位置：axis.set_position((type(一般为data), val))
设置坐标轴的颜色：axis.set_color(color)
显示图例：mp.legend()
特殊点：mp.scatter(xarray, yarray,
marker='', #点型 ~ matplotlib.markers
s='', #大小
edgecolor='', #边缘色
facecolor='', #填充色
zorder=3 #绘制图层编号 (编号越大,图层越靠上)
)
备注：mp.annotate(
r'$\frac{\pi}{2}$', #备注中显示的文本内容
xycoords='data', #备注目标点所使用的坐标系(data表示数据坐标系)
xy=(x, y), #备注目标点的坐标
textcoords='offset points', #备注文本所使用的坐标系(offset points表示参照点的偏移坐标系)
xytext=(x, y), #备注文本的坐标
fontsize=14, #备注文本的字体大小
arrowprops=dict() #使用字典定义文本指向目标点的箭头样式
)
手动构建 matplotlib 窗口：mp.figure(
'', #窗口标题栏文本
figsize=(4, 3), #窗口大小 <元组>
dpi=120, #像素密度
facecolor='' #图表背景色
)
设置图表标题 显示在图表上方：mp.title(title, fontsize=12)
设置水平轴的文本：mp.xlabel(x_label_str, fontsize=12)
设置垂直轴的文本：mp.ylabel(y_label_str, fontsize=12)
设置刻度参数：mp.tick_params(..., labelsize=8, ...)
设置网格线：mp.grid(linestyle='')
设置紧凑布局,把图表相关参数都显示在窗口中：mp.tight_layout()
矩阵式布局：mp.subplot(rows, cols, num)
fig是图长a高b，ax是坐标系：fig，ax=mp.subplot(rows,cols,figsize=(a,b))
网格式布局：import matplotlib.gridspec as mg
拆分gs = mg.GridSpec(rows, cols)
合并mp.subplot(gs[0, ：2])
自由式布局：mp.axes([left_bottom_x, left_bottom_y, width, height])
刻度定位器：ax = mp.gca()
设置水平坐标轴的主刻度定位器
ax.xaxis.set_major_locator(mp.NullLocator())
设置水平坐标轴的次刻度定位器为多点定位器,间隔0.1
ax.xaxis.set_minor_locator(mp.MultipleLocator(0.1))
# 空定位器：不绘制刻度
mp.NullLocator()
# 最大值定位器：
# 最多绘制nbins+1个刻度
mp.MaxNLocator(nbins=3)
# 定点定位器：根据locs参数中的位置绘制刻度
mp.FixedLocator(locs=[0, 2.5, 5, 7.5, 10])
# 自动定位器：由系统自动选择刻度的绘制位置
mp.AutoLocator()
# 索引定位器：由offset确定起始刻度,由base确定相邻刻度的间隔
mp.IndexLocator(offset=0.5, base=1.5)
# 多点定位器：从0开始,按照参数指定的间隔(缺省1)绘制刻度
mp.MultipleLocator()
# 线性定位器：等分numticks-1份,绘制numticks个刻度
mp.LinearLocator(numticks=21)
# 对数定位器：以base为底,绘制刻度
mp.LogLocator(base=2)
绘制刻度网格线：ax.grid(
which='', # 'major'/'minor/both' <-> '主刻度'/'次刻度'
axis='', # 'x'/'y'/'both' <-> 绘制x或y轴
linewidth=1, # 线宽
linestyle='', # 线型
color='', # 颜色
alpha=0.5 # 透明度
)
半对数坐标,y轴将以指数方式递增：mp.semilogy(y)
以某种颜色自动填充两条曲线的闭合区域：mp.fill_between(
x, # x轴的水平坐标
sin_x, # 下边界曲线上点的垂直坐标
cos_x, # 上边界曲线上点的垂直坐标
sin_x<cos_x, # 填充条件,为True时填充
color='', # 填充颜色
alpha=0.2 # 透明度
)
绘制柱状图：mp.bar(
x, # 水平坐标数组
y, # 柱状图高度数组
width, # 柱子的宽度
color='', # 填充颜色
label='', #
alpha=0.2 #
)
绘制饼状图：mp.pie(
values, # 值列表
spaces, # 扇形之间的间距列表
labels, # 标签列表
colors, # 颜色列表
'%d%%', # 标签所占比例格式
shadow=True, # 是否显示阴影
startangle=90 # 逆时针绘制饼状图时的起始角度
radius=1 # 半径
)
绘制等高线：
mp.contourf(x, y, z, 8, cmap='jet')
cntr = mp.contour(
x, # 网格坐标矩阵的x坐标 (2维数组)
y, # 网格坐标矩阵的y坐标 (2维数组)
z, # 网格坐标矩阵的z坐标 (2维数组)
8, # 把等高线绘制成8部分
colors='black', # 等高线的颜色
linewidths=0.5 # 线宽
)
生成网格化坐标矩阵：x, y = np.meshgrid(np.linspace(-3, 3, n),
np.linspace(-3, 3, n))
为等高线图添加高度标签：mp.clabel(cntr, inline_spacing=1, fmt='%.1f',
fontsize=10)
绘制热成像图：mp.imshow(z, cmap='jet', origin='low')
3D图像绘制：
from mpl_toolkits.mplot3d import axes3d
ax3d = mp.gca(projection='3d')
3d散点图的绘制：ax3d.scatter(
x, # x轴坐标数组
y, # y轴坐标数组
marker='', # 点型
s=10, # 大小
zorder='', # 图层序号
color='', # 颜色
edgecolor='', # 边缘颜色
facecolor='', # 填充色
c=v, # 颜色值 根据cmap映射应用相应颜色
cmap='' #
)
3d平面图的绘制：ax3d.plot_surface(
x, # 网格坐标矩阵的x坐标 (2维数组)
y, # 网格坐标矩阵的y坐标 (2维数组)
z, # 网格坐标矩阵的z坐标 (2维数组)
rstride=30, # 行跨距
cstride=30, # 列跨距
cmap='jet' # 颜色映射
)
3d线框图的绘制：ax3d.plot_wireframe(x,y,z,rstride=30,cstride=30,
linewidth=1, color='dodgerblue')
简单动画：
import matplotlib.animation as ma
定义更新函数行为：def update(number)：
pass
anim = ma.FuncAnimation(mp.gcf(), update, interval=10)
mp.show()
Series和Dataframe的画图
Series的plot的参数：
参数 说明
label 用于图例的标签
ax 要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot
sytle 将要传给matplotlib的风格字符串（如‘ko--’）
alpha 图表的填充不透明度（0到1之间）
kind 可以是'line'、'bar'（柱状图）、'barh'（水平柱状图）、'kde'（核密度估计）、'pie'（饼状图）
train_data.label.value_counts().plot(kind='pie',autopct='%1.1f%%',shadow=True,explode=[0,0.1],ax=axe[0])
logy 在Y轴上使用对数标尺
use_index 将对象的索引用作刻度标签
rot 旋转刻度标签（0到360）
xticks 用作X轴刻度的值
yticks 用作Y轴刻度的值
xlim X轴的界限（例如[0,10]）
ylim Y轴的界限
grid 显示轴网格线（默认打开）
DataFrame的plot的参数
参数 说明
subplot 将各个DataFrame列绘制到单独的subplot中
sharex 如果subplots=True，则共用同一个X轴，包括刻度和界限
sharey 如果subplots=True,则共用同一个Y轴
figsize 表示图像大小的元组
title 表示图像标题的字符串
legend 添加一个subplot图例（默认为True）
sort_columns 以字母表顺序绘制各列，默认使用当前列顺序
seaborn：
sns.countplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, orient=None, color=None, palette=None,
saturation=0.75, dodge=True, ax=None, **kwargs)：绘制条形图
参数说明：
x： x轴上的条形图，以x标签划分统计个数
y：y轴上的条形图，以y标签划分统计个数
hue：在x或y标签划分的同时，再以hue标签划分统计个数
data：df或array或array列表，用于绘图的数据集，x或y缺失时，data参数为数据集，同时x或y不可缺少，必须要有其中一个
order与 hue_order：分别是对x或y的字段排序，或是对hue的字段排序。排序的方式为列表
orient：强制定向，v:竖直方向；h:水平方向
palette：使用不同的调色板
sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)：条形图和核密度估计图
- hist: 控制是否显示条形图,默认为True
- kde: 控制是否显示核密度估计图,默认为True
- rug: 控制是否显示观测的小细条（边际毛毯）默认为false
- fit: 设定函数图像,与原图进行比较
- axlabel: 设置x轴的label
- label : 没有发现什么作yong.
- ax: 图片位置
- norm_hist：若为True, 则直方图高度显示密度而非计数(含有kde图像中默认为True)
- rag：控制是否生成观测数值的小细条
- fit：控制拟合的参数分布图形，能够直观地评估它与观察数据的对应关系(黑色线条为确定的分布)
- bins：int或list，控制直方图的划分
Scipy：
scipy.stats.probplot(x, sparams=(), dist='norm', fit=True, plot=None, rvalue=False)默认比较数据属于正态分布
- x：array_like
- 从哪个样本/响应数据
probplot创建情节。 - sparams：tuple, 可选参数
- Distribution-specific形状参数(形状参数加上位置和比例)。
- dist：str 或 stats.distributions instance, 可选参数
- 分发或分发函数名称。对于正常概率图，默认值为‘norm’。看起来像stats.distributions实例的对象(即它们具有一个
ppf方法)也被接受。 - fit：bool, 可选参数
- 如果为True(默认值)，则将least-squares回归(best-fit)行拟合到样本数据。
- plot：object, 可选参数
数据分析（Numpy，Pandas，Matplotlib）常用API相关推荐
- 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 ...
- Numpy,Pandas,Matplotlib
一 . numpy -- 数据分析:就是把一些看似杂乱无章的数据信息提炼出来,总结出所研究的内在规律 -- 数据分析三剑客:Numpy,Pandas,Matplotlib -- Numpy(Numer ...
- 数据分析 第三讲 matplotlib常用统计图
文章目录 数据分析第三讲 matplotlib常用统计图 1.绘制散点图 2.绘制条形图 3.绘制直方图 4.绘制饼图 5. 绘制3D立体图形 5.1 3D曲线 5.2 3D散点图 5.3 3D平面图 ...
- Python numpy+pandas+matplotlib学习笔记
Python numpy+pandas+matplotlib 本文是根据b站路飞学城Python数据分析全套教程的学习视频整理归纳的学习文档,主要目的是方便自己进行查阅,详细的还得去b站看原视频.另外 ...
- python科学计算之numpy+pandas+matplotlib+mysql
简介 本文主要介绍了读取mysql中的数据,将其保存至numpy和pandas中,通过matplotlib进行可视化数据分析. 一.环境搭建 使用anaconda搭建科学计算环境,并安装相关软件包. ...
- Numpy+Pandas+Matplotlib学习
参考的教程是哔哩哔哩孙兴华UP主的视频,边学边做 BV1ji4y157uB 代码及所用的数据已上传至Github learn_numpy_pandas_matplotlib 文章目录 Numpy Pa ...
- python数据分析与机器学习(Numpy,Pandas,Matplotlib)
机器学习怎么学? 机器学习包含数学原理推导和实际应用技巧,所以需要清楚算法的推导过程和如何应用. 深度学习是机器学习中神经网络算法的延伸,在计算机视觉和自然语言处理中应用更厉害一些. 自己从头开始做笔 ...
- [机器学习]Python中Numpy,Pandas,Matplotlib,Scipy,Seaborn介绍
Python做数据挖掘很强大,最近几年很火的机器学习以及较为前沿的自然语言处理也会选用Python作为基础工具. 其中python做数据挖掘足够强大,不用怀疑. #1. Numpy介绍 Numpy是P ...
- 可视化——matplotlib常用api（一）
<a href="http://blog.csdn.net/lanchunhui/article/details/50450352", target="_blank ...
- python optimize_Python的五大常用库——numpy,pandas,matplotlib等
Numpy Numpy 是python科学计算的基础包,本书大部分内容都基于numpy以及构建于其上的库.其功能有: 快速高效的多维数组对象ndarray 用于对数组执行元素级计算以及直接对数组执行数 ...
最新文章
- Android应用源码安卓短信拦截木马项目源码
- 90%的程序员都没有完全回答对 Cookie 和 Session 的区别？
- 如何使用Java keytool命令行创建一个自签名证书
- 叁仟柒佰万（mex+线段树+dp+前缀和优化+双指针+桶）
- CI Weekly #11 | 微服务场景下的自动化测试与持续部署
- Robot Motion(模拟题bfs)
- 理解 Java 的 GC 与 幽灵引用
- sql复制表结构和数据_SQL复制表
- js页面跳转 和 js打开新窗口 方法 【转】
- Unity角色动画详细学习记录
- TextView设置字体透明度或背景透明度
- 怎样取消隐式推送_iPhone XS ios12系统隐式推送开启后怎么关闭
- java手机号码格式验证
- 个人自建数据库和云数据库有什么区别?
- 在vue中使用videoJs实现前端视频流
- 2022年3000元电脑最强组装 组装电脑配置推荐3000元左右
- bin文件分析发现的问题（1）
- 15 款 Windows 的数据恢复工具
- Python: email-validator验证Email地址
- 容器原理（搞懂 layerID，diffID，chainID，cache-id）