插入cell：a b

删除cell：x

cell模式的切换：m：Markdown模式 y：code模式

运行cell：shift+enter

tab：补全

shift+tab：打开帮助文档

1. 使用np.array()创建

一维数据创建

import numpy as np

np.array([1,2,3,4,5],dtype=int)

二维数组创建

np.array([[1,2,3],[4,5,6],[7.7,8,9]])

import matplotlib.pyplot as plt

img_arr = plt.imread('bobo.jpg')#当前目录下的图片

plt.imshow(img_arr)

img.shape

#(626, 413, 3)#前面两个数字表示像素，最后一个表示颜色

包含以下常见创建方法：

1) np.ones(shape, dtype=None, order='C')

np.ones(shape=(4,5),dtype=float)#默认为1

np.zeros(shape, dtype=None, order='C')#默认为0

np.full(shape, fill_value, dtype=None, order='C')

np.full(shape=(6,7),fill_value=999)

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

np.linspace(0,100,20)#返回20个数，等差是5的一维数组

np.arange([start, ]stop, [step, ]dtype=None)

arr1 = np.arange(3,10,2) #3是开始，10是结束，2是步长 的一维数组

np.random.seed(10)#固定时间因子

np.random.randint(0,100,size=(3,4))#产生的随机数固定

array([[ 9, 15, 64, 28],

       [89, 93, 29,  8],

       [73,  0, 40, 36]])

4个必记参数： ndim：维度 shape：形状（各维度的长度） size：总长度  dtype：元素类型

1. 索引

一维与列表完全一致 多维时同理

np.random.seed(1)

arr = np.random.randint(0,100,size=(5,5))

#根据索引修改数据

arr[1][2] = 6666444

#获取二维数组前两行

arr[0:2]

#获取二维数组前两列

arr[:,0:2]

#获取二维数组前两行和前两列数据

arr[0:2,0:2]

#将数组的行倒序

arr[::-1]

#列倒序

arr[:,::-1]

#全部倒序

arr[::-1,::-1]

#将图片进行全倒置操作

plt.imshow(img_arr[::-1,::-1,::-1])

变形

.将一维数组变形成多维数组

array([[     37,      12,      72,       9,      75],

       [      5,      79, 6666444,      16,       1],

       [     76,      71,       6,      25,      50],

       [     20,      18,      84,      11,      28],

       [     29,      14,      50,      68,      87]])

arr.shape

(5, 5)

a.reshape((5,-1))  #-1表示的是自动计算行或列

array([[  37,   12,   72,    9,   75],

       [   5,   79, 9999,   16,    1],

       [  76,   71,    6,   25,   50],

       [  20,   18,   84,   11,   28],

       [  29,   14,   50,   68,   87]])

将多维数组变形成一维数组

a = arr.reshape((25,))

a.shape

(25,)

图片倒置

img_arr.shape

(626, 413, 3)

img_arr.size

775614

#将原数据三维数组变形成一维数组

arr_1 = img_arr.reshape((775614,))

#将arr_1元素倒置

arr_1 = arr_1[::-1]

#将arr_1变形成三维数组

a_img = arr_1.reshape((626, 413, 3))

plt.imshow(a_img)

np.concatenate((arr,arr),axis=1)  #0 纵轴  1 横轴

级联需要注意的点：

级联的参数是列表：一定要加中括号或小括号

维度必须相同

形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。

可通过axis参数改变级联的方向

np.vstack():在竖直方向上堆叠

np.hstack():在水平方向上平铺

与级联类似，三个函数完成切分工作：

np.split(arr,行／列号，轴):参数2是一个列表类型

plt.imshow(np.split(img,(400,),axis=0)[0])

np.vsplit

np.hsplit

所有赋值运算不会为ndarray的任何元素创建副本。对赋值后的对象的操作也对原来的对象生效。

可使用copy()函数创建副本

c_arr = arr.copy()

c_arr[1][4] = 100100

 求和np.sum

 arr.sum(axis=1)#求行的和

最大最小值：np.max/ np.min

平均值：np.mean()

其他聚合操作

Function Name    NaN-safe Version    Description

np.sum    np.nansum    Compute sum of elements

np.prod    np.nanprod    Compute product of elements

np.mean    np.nanmean    Compute mean of elements

np.std    np.nanstd    Compute standard deviation

np.var    np.nanvar    Compute variance

np.min    np.nanmin    Find minimum value

np.max    np.nanmax    Find maximum value

np.argmin    np.nanargmin    Find index of minimum value

np.argmax    np.nanargmax    Find index of maximum value

np.median    np.nanmedian    Compute median of elements

np.percentile    np.nanpercentile    Compute rank-based statistics of elements

np.any    N/A    Evaluate whether any elements are true

np.all    N/A    Evaluate whether all elements are true

np.power 幂运算

m = np.ones((2, 3))

a = np.arange(3)

display(m,a)

array([[1., 1., 1.],

       [1., 1., 1.]])

array([0, 1, 2])

m+a

array([[1., 2., 3.],

       [1., 2., 3.]])

快速排序

np.sort()与ndarray.sort()都可以，但有区别：

np.sort()不改变输入

ndarray.sort()本地处理，不占用空间，但改变输入

import pandas as pd

from pandas import Series,DataFrame

import numpy as np

两种创建方式：

(1) 由列表或numpy数组创建

默认索引为0到N-1的整数型索引

#使用列表创建Series

Series(data=[1,2,3,4,5],name='bobo')

#使用numpy创建Series

Series(data=np.random.randint(0,10,size=(5,)))

#还可以通过设置index参数指定索引

s = Series(data=np.random.randint(0,10,size=(5,)),index=['a','b','c','d','e'])

由字典创建:不能在使用index.但是依然存在默认索引

dic = {

    '语文':100,

    '数学':90

}

s = Series(data=dic)

(1) 显式索引：

- 使用index中的元素作为索引值

- 使用s.loc[]（推荐）:注意，loc中括号中放置的一定是显示索引

注意，此时是闭区间，能取到尾

(2) 隐式索引：

- 使用整数作为索引值

- 使用.iloc[]（推荐）:iloc中的中括号中必须放置隐式索引

注意，此时是半开区间，取不到尾

切片:隐式索引切片和显示索引切片

显示索引切片:index和loc

s['a':'d']

s.loc['a':'c']

隐式索引切片：整数索引值和iloc

s.iloc[0:3]

可以把Series看成一个定长的有序字典

向Series增加一行：相当于给字典增加一组键值对

s['g'] = 10

可以通过shape，size，index,values等得到series的属性

s.index

s.values

可以使用s.head(),tail()分别查看前n个和后n个值

s.head(3)

对Series元素进行去重

s.unique()  #返回的是一个ndarray

当索引没有对应的值时，可能出现缺失数据显示NaN（not a number）的情况

使得两个Series进行相加

In [41]:

s1 = Series([1,2,3],index=['a','b','c'])

s2 = Series([1,2,3],index=['a','b','d'])

s = s1+s2

a    2.0

b    4.0

c    NaN

d    NaN

dtype: float64

可以使用pd.isnull()，pd.notnull()，或s.isnull(),notnull()函数检测缺失数据

s.isnull()

a    False

b    False

c     True

d     True

dtype: bool

s.notnull()

a     True

b     True

c    False

d    False

dtype: bool

s[s.notnull()]#过滤掉空的数据

a    2.0

b    4.0

dtype: float64

(1) + - * /
(2) add() sub() mul() div()
(3) Series之间的运算

在运算中自动对齐不同索引的数据

如果索引不对应，则补NaN

s1 =  Series([1,2,31,2],index=["a","d","s","r"])

s2 = Series([11,2,2,3],index=["a","d","s","b"])

s = s1+s2

a    12.0

b     NaN

d     4.0

r     NaN

s    33.0

dtype: float64

s1.add(s2,fill_value=1) 

a    2.0

b    4.0

c    4.0

d    4.0

dtype: float64

DataFrame(data=np.random.randint(,,size=(,)),index=['a','b','c'])

dic={

    "name":["john","tom"],

    "salay":[100,222]

}

df = DataFrame(data=dic,index=["a","b"])

df

# 总结：

#直接使用[],索引是列索引，切片是行切片

# 访问一列或多列 直接用中括号[columnname]  [[columname1,columnname2...]]

#访问一行或多行  .loc[inexname]/.loc[[indexname1,indexname2]]

# 访问某一个元素  .loc[indexname,columnname]

# 行切片          .loc[index1:index2]

# 列切片          .loc[:,column1:column2]