python數學建模之Numpy和Pandas怎么應用

這篇文章主要介紹了python數學建模之Numpy和Pandas怎么應用的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇python數學建模之Numpy和Pandas怎么應用文章都會有所收獲，下面我們一起來看看吧。

Numpy 學習

# Numpy的基本使用
'''
Numpy提供了兩種基本的對象：ndarray存儲單一數據類型的多維數組；
                       ufunc是能夠對數組進行處理的函數
1-導入函數
import numpy as np
2-數組創建
2-1 array   可將列表或元組轉化為ndarray數組
2-2 arange 在給定區間內創建等差數組，格式：
            arange(start=None, stop=None, step=None,dtype=None)
            【step表示步長間隔】
2-3 linspace 在給定區間內創建間隔相等的數組，格式：
             linspace(start, stop, num=50, endpoint=True)
             【間隔相等的num個數據，其num默認值是50】
2-4 logspace 在給定區間內生成等比數組，格式：
             logspace(start, stop, num=50, endpoint=True, base=10.0)
             【默認生成區間[10start(次方), 10stop()次方]上的num個數據的等比數組】
以及 ones、zeros、empty和ones_like等系列函數的運用：
'''

1-numpy.array

# numpy.array
# array()函數，括號內可以是列表、元組、數組、迭代對象、生成器
import numpy as np
print(np.array([6, 6, 6]))  # 列表
print(np.array((8, 8, 8)))  # 元組
print(np.array(np.array([9, 9, 9])))        # 數組
print(np.array(range(10)))  # 迭代對象 / 整型
print(np.array([i**2 for i in range(10)]))  # 生成器
# 創建10以內的奇數的數組：
print(np.array([i for i in range(1, 10, 2)]))
print(np.array([i for i in range(10) if i % 2 != 0]))
# 創建10以內的偶數的數組：
print(np.array([i for i in range(0, 10, 2)]))
print(np.array([i for i in range(10) if i % 2 == 0]))
# 列表中元素類型不相同
print(np.array([5, 2, '0']))    # ['5' '2' '0']
# 浮點型
print(np.array([3, 4, 5.2]))
# 二維數組：【嵌套序列（列表、元組均可）】
print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl')]))
print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl')]).ndim)                          # ndim(維度）: 2
# 嵌套數量不一致：【強制轉化為一維，推薦不用】
print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object))
print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object).ndim)     # ndim(維度）：1
print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object).shape)    # 運行結果：(2,)
print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object))
print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).ndim)                   # ndim(維度）：1
print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).shape)                  # 運行結果：(2,) -> 代表兩行一列

2-numpy.empty

# numpy.empty
'''
numpy.empty 方法用來創建一個指定形狀（shape）、數據類型（dtype）且未初始化的數組
numpy.empty(shape, dtype = float, order = 'C')
參數說明：
參數	描述
shape	數組形狀
dtype	數據類型，可選
order	有"C"和"F"兩個選項,分別代表，行優先和列優先，在計算機內存中的存儲元素的順序

'''
import numpy as np
lxw = np.empty([3, 4], dtype=int)
print(lxw)  # 注意：數組元素為隨機值，因為它們未初始化

3-numpy.zeros

# numpy.zeros
'''
創建指定大小的數組，數組元素以 0 來填充：
numpy.zeros(shape, dtype = float, order = 'C')
參數說明：
order :	'C' 用于 C 的行數組，或者 'F' 用于 FORTRAN 的列數組
'''
import numpy as np
lxw = np.zeros(6)                   # 默認為浮點數
print(lxw)
lxw2 = np.zeros((6, ), dtype=int)   # 設置類型為整數
print(lxw2)
# 自定義類型
lxw3 = np.zeros((2, 2), dtype=[('lxw', 'i2'), ('lxw2', 'i4')])
print(lxw3)

4-numpy.ones

# numpy.ones
'''創建指定形狀的數組，數組元素以 1 來填充：
numpy.ones(shape, dtype = None, order = 'C')
'''
import numpy as np
lxw4 = np.ones(8)   # 默認浮點數
print(lxw4)
lxw5 = np.ones([2, 2], dtype=int)
print(lxw5)

NumPy 從已有的數組創建數組

1-numpy.asarray

# numpy.asarray
'''
numpy.asarray 類似 numpy.array，但 numpy.asarray 參數只有三個，比 numpy.array 少兩個。
numpy.asarray(a, dtype = None, order = None)
參數說明：
參數	描述
a	任意形式的輸入參數，可以是，列表, 列表的元組, 元組, 元組的元組, 元組的列表，多維數組

'''
# 將列表轉換為 ndarray:
import numpy as np
x = [5, 2, 0]
lxw6 = np.asarray(x)
print(lxw6)
# 將元組轉換為 ndarray
import numpy as np
x2 = (1, 3, 1, 4)
lxw7 = np.asarray(x2)
print(lxw7)
# 設置了 dtype 參數
import numpy as np
x4 = [6, 6, 9]
lxw9 = np.asarray(x4, dtype=float)
print(lxw9)

2-numpy.frombuffer

# numpy.frombuffer
'''
numpy.frombuffer 用于實現動態數組;接受 buffer 輸入參數，以流的形式讀入轉化成 ndarray 對象。
格式如下：
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
注：buffer 是字符串的時候，Python3 默認 str 是 Unicode 類型，所以要轉成 bytestring 在原 str 前加上 b。
參數說明：
參數	描述
buffer	可以是任意對象，會以流的形式讀入。
dtype	返回數組的數據類型，可選
count	讀取的數據數量，默認為-1，讀取所有數據。
offset	讀取的起始位置，默認為0

'''
import numpy as np
s = b'lxw_pro'
lxw10 = np.frombuffer(s, dtype='S1')
print(lxw10)

3-numpy.fromiter

# numpy.fromiter
'''
numpy.fromiter 方法從可迭代對象中建立 ndarray 對象，返回一維數組。
numpy.fromiter(iterable, dtype, count=-1)
'''
import numpy as np
lst = range(6)
it = iter(lst)
lxw11 = np.fromiter(it, dtype=float)
print(lxw11)

NumPy 從數值范圍創建數組

1-numpy.arange

# numpy.arange
'''
numpy 包中的使用 arange 函數創建數值范圍并返回 ndarray 對象，函數格式如下：
numpy.arange(start, stop, step, dtype)
根據 start 與 stop 指定的范圍以及 step 設定的步長，生成一個 ndarray。
參數說明：
參數	描述
start	起始值，默認為0
stop	終止值（不包含）
step	步長，默認為1
dtype	返回ndarray的數據類型，如果沒有提供，則會使用輸入數據的類型

'''
# 生成0和5的數組
import numpy as np
a = np.arange(6)
print(a)
# 設置返回類型位 float
import numpy as np
a2 = np.arange(6, dtype=float)
print(a2)
# 設置了起始值、終止值及步長
import numpy as np
a3 = np.arange(20, 52, 5)
print(a3)

2-numpy.linspace

# numpy.linspace
'''
numpy.linspace 函數用于創建一個一維數組，數組是一個等差數列構成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
參數說明：

參數	描述
start	序列的起始值
stop	序列的終止值，如果endpoint為true，該值包含于數列中
num	要生成的等步長的樣本數量，默認為50
endpoint	該值為 true 時，數列中包含stop值，反之不包含，默認是True。
retstep	如果為 True 時，生成的數組中會顯示間距，反之不顯示。
dtype	ndarray 的數據類型

'''
# 類似等差數列
import numpy as np
a4 = np.linspace(1, 10, 5)
print(a4)
# 設置元素全部是1的等差數列
import numpy as np
a5 = np.linspace(1, 1, 10)
print(a5)
# 將 endpoint 設為 false，不包含終止值
import numpy as np
a6 = np.linspace(8, 22, 4, endpoint=False)
print(a6)
# 注：將 endpoint 設為 true，則會包含 22
a6 = np.linspace(8, 22, 4, endpoint=True)
print(a6)
# 設置間距
import numpy as np
a7 = np.linspace(5, 10, 5).reshape([5, 1])
print(a7)

3-numpy.logspace

# numpy.logspace
'''
numpy.logspace 函數用于創建一個于等比數列。格式如下：
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
base 參數意思是取對數的時候 log 的下標。
參數	描述
start	序列的起始值為：base ** start
stop	序列的終止值為：base ** stop。如果endpoint為true，該值包含于數列中
num	要生成的等步長的樣本數量，默認為50
endpoint	該值為 true 時，數列中中包含stop值，反之不包含，默認是True。
base	對數 log 的底數。
dtype	ndarray 的數據類型

'''
import numpy as np
a8 = np.logspace(1, 2, num=10)      # 默認底數是 10
print(a8)
# 將對數的底數設置為 2
import numpy as np
a9 = np.logspace(0, 8, 9, base=2)
print(a9)

綜合運用【array、arange、linspace、lonspace】:

# 綜合運用
import numpy as np
ltw = np.array([3, 3, 4, 4])    # 生成整型數組
ltw2 = ltw.astype(float)        # 轉為浮點數
ltw3 = np.array([5, 2, 1], dtype=float) # 浮點數
print(ltw)
print(ltw2)
print(ltw3)
# 比較類型
print(ltw.dtype, ltw2.dtype, ltw3.dtype)
aa = np.array([
    [2, 5, 8],
    [9, 6, 2]
])
print(aa)
bb = np.arange(2, 9)
print(bb)   # 運行結果為：[2 3 4 5 6 7 8]
cc = np.linspace(2, 5, 4)
print(cc)   # 運行結果為：[2. 3. 4. 5.]
dd = np.logspace(1, 4, 4, base=2)   # base控制的是幾次方
print(dd)   # 運行結果為：[ 2.  4.  8. 16.]

綜合運用【ones、zeros、empty、ones_like】

# 綜合運用【ones、zeros、empty、ones_like】
import numpy as np
a = np.ones(6, dtype=int)
print(a)    # 運行結果為：[1 1 1 1 1 1]
b = np.ones((6,), dtype=int)
print(b)    # 運行結果為：[1 1 1 1 1 1]

c = np.ones((3, 1))
print(c)    # 輸出3行一列的數組
# 運行結果為：
# [[1.]
#  [1.]
#  [1.]]
d = np.zeros(4)
print(d)    # 運行結果為：[0. 0. 0. 0.]

e = np.empty(3)
print(e)    # 生成3個元素的空數組行向量
# 運行結果為：[1. 1. 1.]

f = np.eye(3)
print(f)    # 生成3階單位陣
# 運行結果為：
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

g = np.eye(3, k=1)
print(g)    # 生成第k對角線的元素為1，其他元素為0的3階方陣
# 運行結果為：
# [[0. 1. 0.]
#  [0. 0. 1.]
#  [0. 0. 0.]]

h = np.zeros_like(b)
print(h)  # 生成與a同維數的全0數組
# 運行結果為：[0 0 0 0 0 0]

1. NumPy 切片和索引

# NumPy 切片和索引
'''
ndarray對象的內容可以通過索引或切片來訪問和修改，與 Python 中 list 的切片操作一樣。

ndarray 數組可以基于 0 - n 的下標進行索引，
切片對象可以通過內置的 slice 函數，并設置 start, stop 及 step 參數進行，從原數組中切割出一個新數組

'''
import numpy as np
# 通過 arange() 函數創建 ndarray 對象
a = np.arange(10)
lxw = slice(2, 9, 3)    # 索引從2到9，間隔為3

print(a[lxw])       # [2 5 8]

# 通過切片操作
a = np.arange(10)
lxw2 = a[2:9:3]         # 這里的切片操作和Python中list的操作是一樣的
print(lxw2)         # [2 5 8]
# 比如：
import numpy as np
lxw3 = np.arange(10)
print(lxw3[6])      # 6
print(lxw3[6:])     # [6 7 8 9]
print(lxw3[2:7])    # [2 3 4 5 6]
# 多維數組同樣適用上述索引提取方法
import numpy as np
lxw4 = np.array([
    [6, 6, 6],
    [5, 2, 0],
    [5, 8, 9]
])
print(lxw4)
print(lxw4[1:])
# 切片還可以包括省略號 …，來使選擇元組的長度與數組的維度相同。
# 如果在行位置使用省略號，它將返回包含行中元素的 ndarray
import numpy as np
lxw5 = np.array([
    [1, 2, 9],
    [2, 5, 4],
    [3, 4, 8]
])
print(lxw5[1, ...])     # [2 5 4]   第二行元素
print(lxw5[..., 2])     # [9 4 8]   第三列元素
print(lxw5[1:, ...])    # 第二行及剩下元素
print(lxw5[..., 1:])    # 第二列及剩下元素

NumPy 高級索引

• Numpy中的array數組與Python基礎數據結構列表（list)的區別是：

• 列表中的元素可以是不同的數據類型array數組只允許存儲相同的數據類型

NumPy 比一般的 Python 序列提供更多的索引方式。

• 除了之前看到的用整數和切片的索引外，數組可以由

• 整數數組索引布爾索引花式索引

1-整數數組索引

# 1-整數數組索引
import numpy as np
b = np.array([
    [6, 2, 9],
    [4, 3, 9],
    [5, 2, 3]
])
lxw6 = b[
    [0, 1, 2], [1, 2, 1]
]
print(lxw6)     # 輸出 [2 9 2]
# 獲取四個角元素
import numpy as np
aq = np.array([
    [1, 2, 3, 4],
    [2, 3, 4, 5],
    [3, 4, 5, 6],
    [4, 5, 6, 7]
])
print(aq)
hj = np.array([[0, 0], [3, 3]])
lj = np.array([[0, 3], [0, 3]])
yq = aq[hj, lj]
print(yq)
print()
# 可借助切片 : 或 … 與索引數組組合:
import numpy as np

jz = np.array([
    [3, 5, 9],
    [5, 2, 6],
    [2, 9, 8]
])
jz1 = jz[:2, :2]
print(jz1)
jz2 = jz[:2, [0, 1]]
print(jz2)
jz3 = jz[..., 1:]
print(jz3)

2-布爾索引

# 布爾索引
# 布爾索引可通過布爾運算（如：比較運算符）來獲取符合指定條件的元素的數組
# 獲取大于5的元素：
import numpy as np
br = np.array([
    [6, 7, 8],
    [5, 2, 1],
    [6, 6, 9],
    [2, 4, 5]
])
print(br)
print(br[br > 5])               # 輸出 [6 7 8 6 6 9]
# 使用 ~（取補運算符）來過濾 NaN：
import numpy as np
bu = np.array([5, np.nan, 2, 0, np.nan, np.nan, 5, 8])
print(bu[~np.isnan(bu)])        # 輸出 [5. 2. 0. 5. 8.]
# 從數組中過濾掉非復數元素：
import numpy as np
lv = np.array([2+2.9j, 4, 9, 2+8.2j, 8])
print(lv[np.iscomplex(lv)])     # 輸出 [2.+2.9j 2.+8.2j]

3-花式索引

# 花式索引【利用整數數組進行索引】
# 花式索引根據索引數組的值作為目標數組的某個軸的下標來取值。
# 對于使用一維整型數組作為索引，如果目標是一維數組，那么索引的結果就是對應下標的行，
# 如果目標是二維數組，那么就是對應位置的元素。
# 注：花式索引跟切片不一樣，它總是將數據復制到新數組中。
# 1.傳入順序索引數組
import numpy as np
sx = np.arange(32).reshape(8, 4)
print(sx[[5, 2, 1, 6]])
# 2.傳入倒序索引數組
import numpy as np
dx = np.arange(32).reshape(8, 4)
print(dx[[-5, -2, -1, -6]])
# 3.傳入多個索引數組（要使用np.ix_）
import numpy as np
dg = np.arange(32).reshape(8, 4)
print(dg[np.ix_([2, 3, 5, 1], [3, 2, 0, 1])])

三個實用小方法：

• 條件加小括號

• 使用np.logical_and方法

• 使用np.all方法

import numpy as np
sy = np.array([
    [3, 5, 6],
    [2, 6, 2],
    [5, 2, 0],
    [3, 3, 4]
])
# 原數組
print(sy)
# 1-
print(sy[(sy > 3) & (sy < 6)])  # 條件記得加小括號
# 2-
print(sy[np.logical_and(sy > 3, sy < 6)])
# 3-
print(sy[np.all([sy > 3, sy < 6], axis=0)])

綜合運用【數組元素的索引】

相關代碼如下：

import numpy as np
x = np.arange(16).reshape(4, 4)
print(x)    # 生成4行4列的數組
x2 = x[2][1]
print(x2)   # 輸出 9
x3 = x[2, 1]
print(x3)   # 輸出 9
x4 = x[1:2, 2:4]
print(x4)   # 輸出 [[6 7]]
xx = np.array([0, 1, 2, 1])
print(x[xx == 1])   # 輸出x的第2、4行元素

Pandas學習（續）

# Pandas學習（續）
# Pandas庫是在Numpy庫基礎上開發的一種數據分析工具
'''
Pandas主要提供了三種數據結構：
1-Series: 帶標簽的一維數組
2-DataFrame： 帶標簽且大小可變得二維表格結構
3-Panel： 帶標簽且大小可變得三維數組

'''
# 生成二維數組
# 生成服從標準正態分布的24*4隨機數矩陣，并保存為DataFrame數據結構。
import pandas as pd
import numpy as np
dates = pd.date_range(start='20220622', end='20220707', freq='D')
print(dates)

運行效果如下：

lxw1 = pd.DataFrame(np.random.randn(16, 4), index=dates, columns=list('ABCD'))
lxw2 = pd.DataFrame(np.random.randn(16, 4))
print(lxw1)
print(lxw2)

運行結果如下：

1 將數據寫入excel、csv文件

# 將lxw1的數據寫入excel文件
lxw1.to_excel('假期培訓時間.xlsx')
lxw1.to_excel("時間任意.xlsx", index=False)     # 不包含行索引
# 將lxw2的數據寫入csv文件
lxw2.to_csv('假期培訓時間.csv')
lxw2.to_csv("時間隨意.csv", index=False)                     # 不包含行索引
# 創建文件對象
f = pd.ExcelWriter('培訓時間（格式）.xlsx')
# 把lxw1寫入Excel文件
lxw1.to_excel(f, "Shell1")
# 把lxw2寫入Excel文件
lxw2.to_excel(f, "Sheet2")
f.save()

部分效果圖如下：

# 從文件中讀入數據：
import pandas as pd
lxw3 = pd.read_csv("假期培訓時間.csv", usecols=range(1, 4))
print(lxw3)

運行結果如下：

lxw4 = pd.read_excel("培訓時間（格式）.xlsx", "Sheet2", usecols=range(1, 3))
print(lxw4)

2 數據的一些預處理

# 數據的一些預處理

# DataFrame數據的拆分、合并和分組計算：
import pandas as pd
import numpy as np
lxw5 = pd.DataFrame(np.random.randint(1, 6, (10, 4)), columns=list('ABCD'))
print(lxw5)

lxww = lxw5[:5]     # 獲取前五行數據
print(lxww)

lxwy = lxw5[5:]     # 獲取第六行以后的數據
print(lxwy)

wy = pd.concat([lxww, lxwy])    # 數據行合并
print(wy)

q1 = lxw5.groupby('A').mean()   # 數據分組求均值
print(np.around(q1, decimals=2))    # decimals表示保留幾位小數

q2 = lxw5.groupby('A').apply(sum)   # 數據分組求和
print(q2)

3 數據的選取與操作

# 數據的選取與操作
'''
對DataFrame進行選取，要從3個層次考慮：行列、區域、單元格
1-選用中括號[]選取行列
2-使用行和列的名稱進行標簽定位的df.loc[]
3-使用整型索引（絕對位置索引）的df.iloc[]
當然，在數據預處理中，需要對缺失值等進行一些特殊處理

'''
# 數據操作：
import pandas as pd
import numpy as np

qq = pd.DataFrame(np.random.randint(1, 5, (6, 4)),
                  index=['a', 'b', 'c', 'd', 'e', 'f'],
                  columns=['one', 'two', 'three', 'four'])

qq.loc['c', 'two'] = np.nan     # 修改第三行第二列的數據
print(qq)

ww = qq.iloc[1:4, 0:2]          # 提取第二、三、四行，第一、二列數據
print(ww)

qq['five'] = 'lxw'              # 增加第五列數據
print(qq)

qq2 = qq.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g'])   # 增加行名
print(qq2)

qq3 = qq2.dropna()              # 刪除有不確定值的行
print(qq3)                      # 從輸出不難看出，刪除了c行和g行

關于“python數學建模之Numpy和Pandas怎么應用”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“python數學建模之Numpy和Pandas怎么應用”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。