Pandas基础与实例——人工智能基础

news2024/11/6 3:12:17

本文目录

  • 一、 Series
    • 1. 将列表强转为Series
    • 2. 将字典强转为Series
    • 3. 访问Series中的数据
      • 3.1 第一套检索方法
      • 3.2 第二套检索方法
    • 4. Series常用属性
  • 二、Pandas日期类型数据处理
    • 1. 将字符串转为datetime类型
    • 2. 与1等价的方式
    • 3. 单独取出年月日
    • 4. 日期运算
    • 5. 生成一组日期
    • 6. 生成工作日(跳过周六周末)
  • 三、DataFrame的核心操作
    • 1. 创建新的DataFrame
      • 1.1 通过列表创建DataFrame
      • 1.2 通过列表套字典来创建DataFrame
      • 1.3 通过字典套列表来创建DataFrame(常用)
      • 1.4 通过字典套Series来创建DataFrame(更常用)
      • 1.5 通过字典套series并指定标签的方式来创建DataFrame(更更常用)
    • 2. DataFrame的常用属性
    • 3. 列级操作——CURD 增删改查
      • 3.1 列访问 对象[列名]
      • 3.2 列添加
      • 3.3 列删除
        • (1)删除一列
        • (2)删除多列
    • 4. 行级操作——CURD 增删改查
      • 4.1 行访问(iloc, loc)
      • 4.2 行添加 (append)
      • 4.3 行的删除(drop)
      • 4.4 行和列的修改
  • 四、 数据加载
    • 1.csv
      • 1.1 read_csv(可以读文本文件,包括txt)
      • 1.2 to_csv
    • 2. json
      • 2.1 read_json
      • 2.2 to_json
  • 五、数据指标
    • 1.均值
      • 1.1 3种方法求均值
      • 1.2 案例:通过csv文件求某列均值
      • 1.3 加权平均值
    • 2. 最值
    • 3.中位数
    • 4.标准差

数据结构是计算机存储、组织数据的方式通常情况下,精心选择的数据结构可以带来更高的运行或者存储效率数据结构往往同高效的检索算法和索引技术有关。
Pandas的数据结构只有两种SeriesDataFrame
Series:带索引的一维数组
DataFrame: 带索引的二维数组

一、 Series

Series可以理解为一个一维的数组,只是index名称可以自己改动。类似于定长的有序字典,有Index和 value。

1. 将列表强转为Series

import numpy as np
import pandas as pd

data = [100, 90, 89, 98, 99]
# 创建一个新的Series
s = pd.Series(data)
print(s)

# 输出------------>
0    100
1     90
2     89
3     98
dtype: int64

输出 结果是一个一维数组,而不是二维,虽然看起来像是二维

import pandas as pd

data = [100, 90, 89, 98]
# 创建一个新的Series
s = pd.Series(data, index=['zs', 'ls', 'ww', 'sl'])
print(s)


# 输出------------>

zs    100
ls     90
ww     89
sl     98
dtype: int64

这种输出格式就是Series

2. 将字典强转为Series

import pandas as pd


data = {'zs': 100, 'ls': 98, 'ww': 93}
# 创建一个新的Series
s = pd.Series(data)
print(s)


# 输出------------>

zs    100
ls     98
ww     93
dtype: int64
import pandas as pd


data = {'zs': 100, 'ls': 98, 'ww': 93}
# 创建一个新的Series
s = pd.Series(data, index=['zp', 'zm', 'zl'])
print(s)

# 输出------------>

zp   NaN
zm   NaN
zl   NaN
dtype: float64

此s只显示index所对应的值,又因为没有值,所以显示NaN

生成10个0.2

import pandas as pd
import numpy as np
s = pd.Series(0.2, index=range(10))
print(s)

# 输出------------>

0    0.2
1    0.2
2    0.2
3    0.2
4    0.2
5    0.2
6    0.2
7    0.2
8    0.2
9    0.2
dtype: float64

3. 访问Series中的数据

在Series中有2套索引位置索引标签索引
series的切片为series

3.1 第一套检索方法

import pandas as pd
import numpy as np

data = {'zs': 100, 'ls': 98, 'ww': 93}
# 创建一个新的Series
s = pd.Series(data)
print(s)
print(s[0])  # 索引
print(s[0:2])  # 切片
print(s[[0, 2]])  # 标签掩码 只要第一个和第三个元素

# 输出
zs    100
ls     98
ww     93
dtype: int64
100
zs    100
ls     98
dtype: int64
zs    100
ww     93
dtype: int64

3.2 第二套检索方法

import pandas as pd
import numpy as np

data = {'zs': 100, 'ls': 98, 'ww': 93}
# 创建一个新的Series
s = pd.Series(data)
print(s)

print(s['zs'])  # 索引

print(s['zs':'ww'])  # 切片

print(s[['zs', 'ls']])  # 标签掩码 只要第一个和第三个元素

# 输出
zs    100
ls     98
ww     93
dtype: int64

100

zs    100
ls     98
ww     93
dtype: int64

zs    100
ls     98
dtype: int64

注意:使用标签检索进行切片包含最后一个元素,而索引检索不包括

4. Series常用属性

  • s1.values所有的值返回一个ndarray
  • sl.index所有的索引
  • sl.dtype
  • sl.size # 元素个数
  • sl.ndim # 恒为1
  • s1.shape
import pandas as pd
import numpy as np

data = {'zs': 100, 'ls': 98, 'ww': 93}
# 创建一个新的Series
s = pd.Series(data)
print(s.values)

print(s.index)

print(s.index[:2])

# 输出
[100  98  93]
Index(['zs', 'ls', 'ww'], dtype='object')
Index(['zs', 'ls'], dtype='object')

二、Pandas日期类型数据处理

1. 将字符串转为datetime类型

import pandas as pd
import numpy as np

dates = pd.Series(['2022', '2022-02', '2022-8-1', '2022/04/01', '2022/05/01 08:08:08', '01 Jun 2022', '20220701'])
dates = dates.astype('datetime64')
print(dates)

# 输出
0   2022-01-01 00:00:00
1   2022-02-01 00:00:00
2   2022-08-01 00:00:00
3   2022-04-01 00:00:00
4   2022-05-01 08:08:08
5   2022-06-01 00:00:00
6   2022-07-01 00:00:00
dtype: datetime64[ns]

2. 与1等价的方式

import pandas as pd
import numpy as np

dates = pd.Series(['2022', '2022-02', '2022-8-1', '2022/04/01', '2022/05/01 08:08:08', '01 Jun 2022', '20220701'])
dates = pd.to_datetime(dates)
print(dates)

# 输出
0   2022-01-01 00:00:00
1   2022-02-01 00:00:00
2   2022-08-01 00:00:00
3   2022-04-01 00:00:00
4   2022-05-01 08:08:08
5   2022-06-01 00:00:00
6   2022-07-01 00:00:00
dtype: datetime64[ns]

3. 单独取出年月日

import pandas as pd
import numpy as np

dates = pd.Series(['2022', '2022-02', '2022-8-1', '2022/04/01', '2022/05/01 08:08:08', '01 Jun 2022', '20220701'])
dates = pd.to_datetime(dates)
print(dates.dt.month)  # 取出月

# 输出
0    1
1    2
2    8
3    4
4    5
5    6
6    7
dtype: int64

在这里插入图片描述
在这里插入图片描述

4. 日期运算

import pandas as pd
import numpy as np

dates = pd.Series(['2022', '2022-02', '2022-8-1', '2022/04/01', '2022/05/01 08:08:08', '01 Jun 2022', '20220701'])
dates = pd.to_datetime(dates)
dates = dates - pd.to_datetime('20220101')
print(dates.dt.days)

日期相减后只能获得days,不能获得month,year

5. 生成一组日期

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 以日为频率
datelist = pd.date_range('2019/08/21', periods=5)  # 频率默认为日
print(datelist)

# 以月为频率
datelist = pd.date_range('2019/08/21', periods=7, freq='M')  # 频率默认为日
print(datelist)

# 构建某个区间的时间序列
start = pd.datetime(2017, 11, 1)
end = pd.datetime(2017, 11, 5)
dates = pd.date_range(start, end)
print(dates)
# 输出
DatetimeIndex(['2019-08-21', '2019-08-22', '2019-08-23', '2019-08-24',
               '2019-08-25'],
              dtype='datetime64[ns]', freq='D')
              
DatetimeIndex(['2019-08-31', '2019-09-30', '2019-10-31', '2019-11-30',
               '2019-12-31', '2020-01-31', '2020-02-29'],
              dtype='datetime64[ns]', freq='M')
              
DatetimeIndex(['2017-11-01', '2017-11-02', '2017-11-03', '2017-11-04',
               '2017-11-05'],
              dtype='datetime64[ns]', freq='D')

以月为频率,生成每个月的最后一天

6. 生成工作日(跳过周六周末)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 以日为频率
datelist = pd.date_range('2019/08/21', periods=5, freq='B')  # 频率默认为日
print(datelist)

# 输出
DatetimeIndex(['2019-08-21', '2019-08-22', '2019-08-23', '2019-08-26',
               '2019-08-27'],
              dtype='datetime64[ns]', freq='B')

三、DataFrame的核心操作

DataFrame是一个类似于表格(有行有列)的数据类型,可以理解为一个二维数组,索引有两个维度(行级索引,列级索引),可更改。DataFrame具有以下特点

  • 列和列之间可以是不同的类型:不同的列的数据类型可以不同
  • 大小可变 (扩容)
  • 标记轴(行级索引和列级索引)
  • 针对行与列进行轴向统计(水平,垂直)

1. 创建新的DataFrame

1.1 通过列表创建DataFrame

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = [1, 2, 3, 4, 5]
df = pd.DataFrame(data)
print(df)

# 通过2维列表创建DataFrame
data = [['zs', 18], ['ls', 29], ['ww', 38]]
df = pd.DataFrame(data)
print(df)

# 在2维列表上加上索引来创建DataFrame
data = [['zs', 18], ['ls', 29], ['ww', 38]]
df = pd.DataFrame(data, index=['s1', 's2', 's3'], columns=['name', 'age'])
print(df)

# 输出
   0
0  1
1  2
2  3
3  4
4  5

    0   1
0  zs  18
1  ls  29
2  ww  38

   name  age
s1   zs   18
s2   ls   29
s3   ww   38

1.2 通过列表套字典来创建DataFrame

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = [1, 2, 3, 4, 5]
df = pd.DataFrame([{'name': 'zs', 'age': 18, 'sex': 1}, {'name': 'ww', 'age': 16}])
print(df)

# 输出
  name  age  sex
0   zs   18  1.0
1   ww   16  NaN

1.3 通过字典套列表来创建DataFrame(常用)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': ['Alex', 'Bob', 'Lena'], 'Age': [18, 20, 21]}
df = pd.DataFrame(data)
print(df)

缺点:不能设置行 标签了, 而且 列的长度不相等会报错

1.4 通过字典套Series来创建DataFrame(更常用)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena']), 'Age': pd.Series([18, 20])}
df = pd.DataFrame(data)
print(df)

# 输出
   Name   Age
0  Alex  18.0
1   Bob  20.0
2  Lena   NaN

好处:列长度可以不相等
缺点:不知道哪个样本缺数据,NaN不灵活

1.5 通过字典套series并指定标签的方式来创建DataFrame(更更常用)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20], index=['s1', 's3'])}
df = pd.DataFrame(data)
print(df)

# 输出

    Name   Age
s1  Alex  18.0
s2   Bob   NaN
s3  Lena  20.0

2. DataFrame的常用属性

  • axes 返回行/列标签(index)列表。
  • columns 返回列标签
  • index 返回行标签
  • dtypes 返回对象的数据类型(dtype)
  • empty 如果系列为空,则返回True
  • ndim 返回底层数据的维数,默认定义:2
  • size 返回基础数据中的元素数
  • values 将系列作为ndarray返回
  • head(n) 返回前n行,默认返回5行
  • tail(n) 返回最后n行

3. 列级操作——CURD 增删改查

3.1 列访问 对象[列名]

通过列访问 访问某一列

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)

print(df)

# 访问1列
print(df["Name"])

# 访问前两列
print(df[df.columns[:2]])


# 输出
    Name  Age
s1  Alex   18
s2   Bob   20
s3  Lena   22

s1    Alex
s2     Bob
s3    Lena
Name: Name, dtype: object

    Name  Age
s1  Alex   18
s2   Bob   20
s3  Lena   22

列级索引只有标签索引,没有位置索引,比如,不能为:df[0]
访问多列不能切片(切片只能是行级数据),只能掩码

3.2 列添加

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)

print(df)
df['class'] = ['c1', 'c1', 'c2']
print(df)

# 最好用series以解决列不等长的问题,如果列的值为Series时,需要给出原df的index,否则为NaN
df['class'] = pd.Series(['c1', 'c1', 'c2'])
print(df)

# 最好用series以解决列不等长的问题
df['class'] = pd.Series(['c1', 'c1', 'c2'], index=['s1', 's2', 's3'])
print(df)

# 输出
    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97

    Name  Age  Score class
s1  Alex   18     99    c1
s2   Bob   20     98    c1
s3  Lena   22     97    c2

    Name  Age  Score class
s1  Alex   18     99   NaN
s2   Bob   20     98   NaN
s3  Lena   22     97   NaN

    Name  Age  Score class
s1  Alex   18     99    c1
s2   Bob   20     98    c1
s3  Lena   22     97    c2

如果列的值为Series时,需要给出原df的index

3.3 列删除

(1)删除一列

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)
print(df)

# 删除一列
del(df['Name'])
print(df)

df.pop('Score')
print(df)

# 输出
    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97

    Age  Score
s1   18     99
s2   20     98
s3   22     97

    Age
s1   18
s2   20
s3   22

(2)删除多列

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)
print(df)

df2 = df.drop(['Age', 'Score'], axis=1)
print(df2)

删除多列 drop 轴向axis=1是必须给的默认axis=0删除行的不会修改原数据
inplace=False 默认不修改原数据
若要修改,改为inplace=True即可

4. 行级操作——CURD 增删改查

4.1 行访问(iloc, loc)

访问行直接位置索引切片(访问一行数据时,不能使用位置索引,如df[1],也不能使用标签索引,如df[‘Name’](因为这是列索引的方法),所以只能使用位置索引切片)
访问列直接标签索引切片: 列数据不能位置索引切片,只能标签掩码索引
以后取行数据都直接使用loc(标签索引)方法和iloc(位置索引),为了避免列数据不能位置索引,行数据不能标签索引让人混淆,Panda提供了loc和iloc方法取行数据和列数据。

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)
print(df)

print(df.loc['s2'])

print(df.iloc[1:])

# 掩码索引
print(df.loc[['s1', 's2']])

print(df.iloc[[0, 1]])

# 输出
    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97

Name     Bob
Age       20
Score     98
Name: s2, dtype: object

    Name  Age  Score
s2   Bob   20     98
s3  Lena   22     97

    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98

    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
df = pd.DataFrame(data)
print(df)

# 取所有行不要最后一列
print(df.iloc[:, :-1])

# 取所有行只要最后一列
print(df.iloc[:, -1])

# 输出
   Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97

    Name  Age
s1  Alex   18
s2   Bob   20
s3  Lena   22

s1    99
s2    98
s3    97
Name: Score, dtype: int64

4.2 行添加 (append)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data1 = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
data2 = {'Name': pd.Series(['zs', 'ls', 'ww'], index=['s4', 's5', 's6']), 'Age': pd.Series([17, 23, 21], index=['s4', 's5', 's6']), 'Score': pd.Series([100, 92, 95], index=['s4', 's5', 's6'])}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# print(df1)
# print(df2)

df1 = df1.append(df2)

print(df1)

# 输出
    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97
s4    zs   17    100
s5    ls   23     92
s6    ww   21     95

4.3 行的删除(drop)

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

# 通过列表创建DataFrame
data1 = {'Name': pd.Series(['Alex', 'Bob', 'Lena'], index=['s1', 's2', 's3']), 'Age': pd.Series([18, 20, 22], index=['s1', 's2', 's3']), 'Score': pd.Series([99, 98, 97], index=['s1', 's2', 's3'])}
data2 = {'Name': pd.Series(['zs', 'ls', 'ww'], index=['s4', 's5', 's6']), 'Age': pd.Series([17, 23, 21], index=['s4', 's5', 's6']), 'Score': pd.Series([100, 92, 95], index=['s4', 's5', 's6'])}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# print(df1)
# print(df2)

df1 = df1.append(df2)

print(df1)

df1 = df1.drop(['s3', 's4'], axis=0)
print(df1)

# 输出
    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s3  Lena   22     97
s4    zs   17    100
s5    ls   23     92
s6    ww   21     95

    Name  Age  Score
s1  Alex   18     99
s2   Bob   20     98
s5    ls   23     92
s6    ww   21     95

4.4 行和列的修改

通过列找行进行修改
通过行找列进行修改(此种方法不可行,底层没有赋值过程)

在这里插入图片描述

四、 数据加载

在这里插入图片描述

1.csv

1.1 read_csv(可以读文本文件,包括txt)

在这里插入图片描述

import pandas as pd
import warnings

data = pd.read_csv('data1.csv')
print(data)

1.2 to_csv

在这里插入图片描述

2. json

2.1 read_json

在这里插入图片描述

import pandas as pd
import warnings

data = pd.read_json("test1.py", encoding='utf-8')

2.2 to_json

在这里插入图片描述

import pandas as pd
import warnings

data = {'Name': ['Tom', 'Jack', 'Steve', 'Ricky'], 'Age': [28, 27, 32, 20]}
df = pd.DataFrame(data, index=['s1', 's2', 's3', 's4'])
print(df)

# records: 每行数据生成一个字典
res = df.to_json(orient='records')
print(res)

# index: 行索引作为键
res = df.to_json(orient='index')
print(res)

# columns: 列索引作为键
res = df.to_json(orient='columns')
print(res)

# values: 只保存值
res = df.to_json(orient='values')
print(res)

# 输出
     Name  Age
s1    Tom   28
s2   Jack   27
s3  Steve   32
s4  Ricky   20

[{"Name":"Tom","Age":28},{"Name":"Jack","Age":27},{"Name":"Steve","Age":32},{"Name":"Ricky","Age":20}]

{"s1":{"Name":"Tom","Age":28},"s2":{"Name":"Jack","Age":27},"s3":{"Name":"Steve","Age":32},"s4":{"Name":"Ricky","Age":20}}

{"Name":{"s1":"Tom","s2":"Jack","s3":"Steve","s4":"Ricky"},"Age":{"s1":28,"s2":27,"s3":32,"s4":20}}

[["Tom",28],["Jack",27],["Steve",32],["Ricky",20]]

orient参数
records:一行数据对应一个字典
index: 行索引作为键
columns: 列索引作为键
‘values’:只保存值

更多参见:https://www.pypandas.cn/docs/user_guide/io.html

五、数据指标

1.均值

1.1 3种方法求均值

import pandas as pd
import numpy as np
import warnings

data = [1, 2, 3, 4, 5, 6]
ard = np.array(data)

m1 = ard.mean()
print(m1)

m2 = np.mean(data)
print(m2)

m3 = pd.Series(data).mean(axis=0)
print(m3)


# 输出
3.5
3.5
3.5

1.2 案例:通过csv文件求某列均值

data.csv数据

1,1,792.83,-10.45,0,0,0,0,25,0
2,1,121.67,-21.14,0,0,0,0,25,0
3,1,-55.66,,0,0,0,0,2,1
4,1,241.5,-288.34,0,1,0,1,25,0
5,1,1629.67,-23.66,0,0,0,1,25,0
6,1,182,-115.86,0,1,0,1,25,0
7,1,196.33,221.29,0,1,0,1,23,0
8,1,539.5,81.16,0,1,0,0,25,0
9,1,1037.17,8.34,0,1,0,1,25,0
10,2,289,-131.78,0,0,0,1,25,0
11,1,1541.8,-136.39,0,1,0,0,12,1
12,1,90,-27.69,0,1,0,0,2,1
13,1,407.5,112.79,0,1,0,1,25,0
14,1,157.83,45.26,1,1,0,0,25,0
15,2,-307.17,-356.35,0,0,0,1,25,0

python代码

import pandas as pd
import numpy as np

data = pd.read_csv("data.csv", header=None, names=['s' + str(i) for i in range(9)])
print(data)

print(data['s7'].mean())

1.3 加权平均值

语法:a=np.average(array, weights=volumns)

import pandas as pd
import numpy as np
import warnings

data = pd.read_csv("data1.csv", header=None, names=['s' + str(i) for i in range(9)])
print(data)
s = data.iloc[:8, 7]
print(s)
print(np.average(s, weights=[1, 8, 1, 8, 1, 1, 1, 1]))

2. 最值

np.max()
np.min()
np.argmax() 返回一个数组中最大元素的下标
np.argmin():返回一个数组中最小元素的下标

在np中,使用argmax获取到最大值的下标


print(np.argmax(a),np.argmin(a))

在pandas中,使用idxmax获取到最大值的下标

print(series,idxmax(),series.idxmin())
print(dataframe.idxmax(),dataframe.idxmin())

3.中位数

先对样本进行排序,取中间位置的元素
若样本数量为偶数,中位数为最中间的两个元素平均值
若样本数量为奇数,中位数为最中间的元素

np.median(obj)

4.标准差

obj.std()

import pandas as pd
import numpy as np
import warnings

data = pd.read_csv("data1.csv", header=None, names=['s' + str(i) for i in range(9)])
#
s = data.iloc[:8, 7]
print(s.std())  # 样本方差
print(np.std(s))
print(np.std(s, ddof=1))  # numpy默认是总体方差

# 输出
8.061150219239366
7.540515565927836
8.061150219239366

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/348385.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

AJAX笔记(二)Fetch和axios

1、Fetch 1.1、XMLHttpRequest的缺陷 1.2、fetch的get写法 1.3、fetch的post写法 1.4、fetch的put写法 1.5、fetch的patch写法 1.6、fetch的delete写法 2、axios 2.1、axios的介绍 2.2、axios的get写法 2.3、axios的post写法(图一json写法和图二三form写法&#x…

Django项目部署-uWSGI

Django项目部署-uWSGIDjango运维部署框架整体部署架构web服务器与web应用服务器的区别部署环境准备安装python3安装mariadb安装Django和相关模块Django托管服务器uWSGI使用uWSGI配置使用Django运维部署框架 整体部署架构 操作系统: Linux 。优势:生态系统丰富&…

NC113 验证IP地址

验证IP地址_牛客题霸_牛客网 描述 编写一个函数来验证输入的字符串是否是有效的 IPv4 或 IPv6 地址 IPv4 地址由十进制数和点来表示,每个地址包含4个十进制数,其范围为 0 - 255, 用(".")分割。比如,172.16.254.1&#…

苹果手机怎么下载手机铃声?图文教程,快速学会

很多小伙伴喜欢使用苹果手机,可是苹果手机里的铃声自己并不是很喜欢听,想要下载一些好听的歌曲更换自己的手机铃声。苹果手机怎么下载手机铃声?别着急,今天小编以图文的方式,教教大家如何使用苹果手机下载手机铃声。 苹…

验证码绕过与识别

目录 验证码绕过 前言 删除cookie绕过 未销毁复用验证码 验证码识别 工具 使用流程 验证码绕过 前言 之前pikachu靶场有两道验证码绕过的题目,分别是(on client 前端验证验证码)和(on server 未销毁复用验证码),具体见下面的文章 Pikachu靶场…

IDEA热部署JRebel 插件

JRebel 是什么? 在我们的日常开发工作中,一般是都是 IDEA + Tomcat 部署运行 web 项目。项目运行之后,如果你修改了 Java 代码,想要生效就必须得重启 Tomcat 服务器才行。改一次代码就要重启一次,真的是太麻烦了,这会严重影响我们的开发效率。 那么有没有什么办法让我们不…

c语言入门-4-常量

c-常量正文字面常量1、字面常量2、const修饰的常变量3、#define 定义的标识符常量4、 枚举常量深度解析1 什么是常量2 常变量为什么不能定义数组的长度3 枚举的作用是什么4、C语言为何需要枚举?下一篇正文 变得量叫变量,不变的量叫常量 字面常量 1、字…

1. QSaveFile和QFile的简单使用

1. 说明 QSaveFile和QFile两个类都是用来操作文件的,区别在于QSaveFile在对文件进行写入时有一种保护机制,再写入出错时,不会对源文件中的内容进行操作。该类在执行写操作时,会先将内容写入到一个临时文件中,如果没有…

Flink Checkpoint 中的Aligned Checkpoint 和 Unaligned Checkpoint

文章目录知识点反压CheckpointBarrierAligned CheckpointUnaligned Checkpoint核心思想实现原理UC同步阶段UC异步阶段知识点 反压 反压是流式系统中关于处理能力的动态反馈机制,并且是从下游到上游的反馈,一般是在实时数据处理的过程中,上游…

Java POI导出之数据验证

Java POI导出之数据验证 maven 依赖 这里用的是apache.poi, 没有使用EasyExcel <!-- poi依赖--><dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>4.0.1</version></dependency&…

如何运维多集群数据库?58 同城 NebulaGraph Database 运维实践

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SktQW2qn-1676450580889)(https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/58.%20Com%20Inc/58%E5%90%8C%E5%9F%8E_%E7%94%BB%E6%9D%BF%201.jpg)] 图计算业务背景介绍 我们为什…

jsp游戏门户网站系统Myeclipse开发mysql数据库web结构java编程计算机网页项目

一、源码特点 jsp 游戏门户网站系统 是一套完善的web设计系统&#xff0c;对理解JSP java编程开发语言有帮助&#xff0c;系统具有完整的源代码和数据库&#xff0c;系统主要采用B/S模式开发。开发环境为 TOMCAT7.0,Myeclipse8.5开发&#xff0c;数据库为Mysql&#xff0c;使…

简单易用的图片缩略图处理库

哈喽&#xff0c;大家好&#xff0c;我是源小北。 最近在工作中&#xff0c;刚好有遇到对图片进行缩放处理的功能。于是&#xff0c;便拿起很久以前使用过的Java原生工具类处理图片&#xff0c;不过在开发过程中也发现了一些问题。 在Java中&#xff0c;原生的处理图片缩略图…

浅聊一下,可中断锁(ReentrantLock)

前言 今天早上上厕所&#xff0c;上的我痔疮犯了&#xff0c;屁股一坐下去就感觉一根针在刺我&#xff0c;得的是外痔&#xff0c;之前还坚持用痔疮膏来着&#xff0c;但是感觉涂药的那个姿势以及位置我实在无法忍受&#xff0c;就把它给断了&#xff0c;到头来还是屁股糟了罪&…

工程监测多通道振弦模拟信号采集仪VTN参数修改

工程监测多通道振弦模拟信号采集仪VTN参数修改 1 使用按键修改参数 使用按键修改某个参数的方法如下&#xff1a; &#xff08;1&#xff09;在系统参数查看页面&#xff08;PXX 页面&#xff09;&#xff0c;按【SWITCH】或【SETTING】按键切换到要修改的参数项。 &#xff08…

蓝库云|8项关键让你看透企业「数字转型」,零代码是惊喜

各行各业都要面对的多方竞争力及不断上涨的经营成本&#xff0c;以及随着时代的发展&#xff0c;有不少企业纷纷推动数字化转型&#xff0c;考虑藉着应用现代化的数据和科技工具的结合&#xff0c;协助企业创造新的营运模式及收入来源&#xff0c;以提升自动化效率、优化客户体…

用于非线性时间序列预测的稀疏局部线性和邻域嵌入(Matlab代码实现)

&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜密&#xff0c;逻辑清晰&#xff0c;为了方便读者。 ⛳️座右铭&a…

SpringBoot 文件上传后查看404的问题和解决404后需要访问两次才能查看的问题

文件上传、图片上传的实现见这个&#xff1a; SpringBootVue 实现头像上传功能_Teln_小凯的博客-CSDN博客 在实现上面的功能后&#xff0c;发现查看图片的时候提示404&#xff0c;解决这个方法如下&#xff1a; 1、配置资源静态文件映射 第一个参数是页面请求的地址&#x…

ChatGPT 整合到Laravel项目中使用

之前写的《ChatApI 本地如何调用》是直接下载ChatGPT SDK当做单独项目开发使用的&#xff0c;这次写的是整合到当前项目中使用ChatGPT 合并为一个项目去使用&#xff1b;具体操作方法也有一定区别。 目录 1.安装ChatGPT SDK 2.加载ChatGPT类库 3.安装guzzlehttp 4.代码实操…

【近似算法】—0-1背包问题的近似算法

【近似算法】—0-1背包问题的近似算法Approximation Schemes(近似方案)PTAS&#xff08;Polynomial time approximation scheme&#xff09;定义&#xff1a;FPTAS&#xff08;Fully polynomial time approximation scheme&#xff09;定义&#xff1a;PPTAS&#xff08;Pseudo…