机器学习之数据集的基本操作

#导入需要用的工具包
import numpy as np
import pandas as pd
#1.先创建一个时间索引,所谓的索引(index)就是每一行数据的id,可以标识每一行的唯一值#
dates=pd.date_range('20180701',periods=6)
dates

这里写图片描述

#2.创建一个6X4的数据:randn函数用于创建随机数,参数表示行数和列数,dates是上一步创建的索引列 
df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))
df

机器学习之数据集的基本操作_第1张图片

#3.使用字典来创建数据框,例如创建一个列名为A的数据框,索引是自动创建的整数 
df2=pd.DataFrame({'A':np.random.randn(6)})
df2

机器学习之数据集的基本操作_第2张图片

#4.字典内的数据长度不同,以最长的数据为准,比如B列有4行
df3=pd.DataFrame({'A':pd.Timestamp('20180701'),'B':pd.Series(1,index=list(range(4)))})
df3

机器学习之数据集的基本操作_第3张图片

#5.使用dtypes来查看各行的数据格式
df3.dtypes

这里写图片描述

#6.查看数据框中的数据,看一下所有的数据
df3

机器学习之数据集的基本操作_第4张图片

#7.head()查看前几行数据(默认是前5行),不过你可以指定前几行
df.head()

机器学习之数据集的基本操作_第5张图片

#7.1可指定查看行数
df.head(3)

机器学习之数据集的基本操作_第6张图片

#8.tail()查看后5行数据(用法同head())
df.tail()
#9.查看数据框的索引
df.index

这里写图片描述

#10.查看数据值,用values
df.values

这里写图片描述

#11.查看描述性统计,用describe
df.describe()

机器学习之数据集的基本操作_第7张图片

#12.type看一下输出的描述性统计是什么样的数据类型——DataFrame数据
type(df.describe())

这里写图片描述

#13.用T来转置数据,也就是行列转换
df.T

机器学习之数据集的基本操作_第8张图片

14.#对数据进行排序,用到了sort,参数可以指定根据哪一列数据进行排序
df.sort_values('D',ascending=False)

机器学习之数据集的基本操作_第9张图片

你可能感兴趣的:(机器学习笔记)