Python数据处理基础
Python本身可以处理的数据类型是比较有限的，但numpy、pandas、xarray等库引入了丰富的数据类型，从而拓展了Python在数据处理领域的使用。
1.1 Python数据类型
Python3 中有六个标准的数据类型：number（数字）
、string（字符串）、list（列表）、tuple（元组）、set（集合）、dict（字典）。
其中不可变的数据类型有3种：number（数字）、string（字符串）、tuple（元组）；可变数据也是3种：list（列表）、dict（字典）、set（集合）。
六种数据类型或多或少都有一些内置函数可以使用，例如，list类型若需要添加数据，可使用：
a.append(x)x为所需添加的数字，a为需要被添加数据的列表，append为对list类型内置的函数。
由于六种数据类型及其内置函数的数量较多，就不在此一一列举了，需要学习的童鞋可以使用如“number 类型内置函数”等关键词自行百度了解~
对于number类型，Python3 支持int（整型）、float（浮点型）、bool（逻辑判断，1或0）、complex（复数）。
1.2 Python数据类型转换
Python自带了一些数据类型之间的转换函数，常用到的部分通常是以下函数：
| 函数 |
描述 |
| int(x) |
将x转换为整数 |
| float(x) |
将x转换成浮点数 |
| str(x) |
将 x 转换为字符串 |
| tuple(s) |
将序列s 转换为一个元组 |
| list(s) |
将序列 s 转换为一个列表 |
| set(s) |
转换为可变集合 |
| dict(d) |
创建一个字典。且必须按照(key, value)元组序列输入。 |
| frozenset(s) |
转换为不可变集合 |
| chr(x) |
将整数转换为字符 |
| ord(x) |
将字符转换为其Ascii值 |
| hex(x) |
将整数转换为十六进制字符串 |
| oct(x) |
将整数转换为八进制字符串 |
1.3 运算符
Python3里内置了相当丰富的运算符，甚至一些在其他语言里需要通过函数才能完成的运算，在Python里只需要简单地使用运算符就可以达到目标。
算术运算符：
除了众所周知的加减乘除（+、-、*、/）之外，Python的算术运算符还包括：
| 运算符 |
含义 |
| % |
取模，返回除法的余数 |
| ** |
幂运算 |
| // |
向下取整的除法 |
逻辑运算符：
除了众所周知的大于小于等于（>、<、=）之外，还需要注意判定相等和不相等的写法：
| 运算符 |
含义 |
| == |
表示相等 |
| != |
表示不等于 |
很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：810735403
赋值运算符：
除此之外，Python自由灵活之处还在于其定义了一系列灵活的算术写法：
| 符号 |
含义 |
| = |
赋值 |
| += |
加法赋值运算符 |
| -= |
减法赋值运算符 |
| *= |
乘法赋值运算符 |
| /= |
除法赋值运算符 |
| %= |
取模赋值运算符 |
| **= |
幂赋值运算符 |
| //= |
取整除赋值运算符 |
其使用方法为：
x += 1相当于：
x = x+1其余均可类似类推。
逻辑运算符：
| 运算符 |
含义 |
| and |
与 |
| or |
或 |
| not |
非 |
除此之外，Python里还引入了 成员运算符和身份运算符。在写循环和条件判断的时候经常用到：
成员运算符：
| 运算符 |
含义 |
| in |
判断序列中是否有成员x，是返回True |
| not in |
判断序列中是否有成员x，否返回True |
举个循环里用到的栗子：
a = [1,2,3,4,5]
for each in a:
print(a)得到：
身份运算符：
| 运算符 |
含义 |
| is |
判断两个标识符是不是引用自一个对象 |
| is not |
判断两个标识符是不是引用自不同对象 |
还有气象里不太常用到的位运算符：
| 运算符 |
含义 |
| & |
按位与运算符 |
| | |
按位或运算符 |
| ^ |
按位异或运算符 |
| ~ |
按位取反运算符 |
| << |
左移动运算符 |
| >> |
右移动运算符 |
2.numpy库
是不是感觉Python自带的数据类型实在太少了，面对各类数据的庞杂多样它根本不够用？没错，前辈们也这样觉得，因此numpy库就闪亮登场了。numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上。其类型包括：
| 名称 |
描述 |
| bool_ |
布尔类型（True 或者 False） |
| int_ |
默认整数类型（类似于 C 中的 long，int32 或 int64） |
| intc |
与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp |
用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 |
字节（-128 to 127） |
| int16 |
整数（-32768 to 32767） |
| int32 |
整数（-2147483648 to 2147483647） |
| int64 |
整数（-9223372036854775808 to 9223372036854775807） |
| uint8 |
无符号整数（0 to 255） |
| uint16 |
无符号整数（0 to 65535） |
| uint32 |
无符号整数（0 to 4294967295） |
| uint64 |
无符号整数（0 to 18446744073709551615） |
| float_ |
float64 类型的简写 |
| float16 |
半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 |
单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 |
双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ |
128 位复数类型的简写 |
| complex64 |
复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 |
复数，表示双 64 位浮点数（实数部分和虚数部分 |
通过numpy库进行的数据类型转化也要通过函数才能进行，但并没有像之前出现的那样繁琐，通过astype()函数即可完成，使用方法如栗子所示：
import numpy as np
a = np.arange(0,1,0.1)
b = np.astype('int')并且，numpy库添加了相当多计算、统计相关的函数，包括但不限于：
| 函数 |
含义 |
| sqrt() |
平方根 |
| sin() cos() |
三角函数 |
| abs() |
绝对值 |
| log/logl/log2() |
对数函数 |
| exp() |
指数函数 |
| cumsum() |
累积求和 |
| cumproduct() |
累积求积 |
| sum() |
求和 |
| mean() |
求平均 |
| nanmean() |
求除nan值（气象中缺测值）之外的平均 |
| median() |
中位数 |
| std() |
标准差 |
| var() |
方差 |
| corrcoef() |
相关系数 |
更多可查看官网界面查询：www.numpy.org.cn/reference/
3.pandas库
numpy虽然有着各种各样的优点，但也有着自己的缺点，例如对于结构化数据的存取及处理很不灵活，因此基于numpy库编写出的pandas库应运而生。
pandas库引入了Series和DataFrame两种基本方式来存取数据。
pandas的数据类型与numpy大体相同，分为：字符串类型：object；整数类型：Int64，Int32，Int16, Int8；无符号整数：UInt64，UInt32，UInt16, UInt8；浮点数类型：float64，float32；日期和时间类型：datetime64[ns]、datetime64[ns, tz]、timedelta[ns]；布尔类型：bool。
数据类型转换函数与numpy相同， 为astype()，用法也类似。
其常用计算函数有：
| 函数 |
含义 |
| count() |
统计个数 |
| sum() |
求和 |
| mean() |
求平均 |
| mad() |
平均绝对方差 |
| argmin() |
最小值的索引位置 |
| idxmin() |
每列最小值的行索引 |
| mode() |
众数 |
| cov() |
协方差 |
| corr() |
相关系数 |
| pct_change() |
时间序列变化 |
| abs() |
绝对值 |
| sem() |
标准误差 |
| skew() |
偏度系数 |
| kurt() |
峰度系数 |
更多可查阅官网：www.pypandas.cn/docs/
4.Xarray、netCDF4等库
气象数据有其独特性，因此在之前的pandas等库的基础上，又发展出了在处理气象数据方面有着巨大优势的Xarray、netCDF4库等。
xarray提供了非常灵活的索引方式，结合了numpy和pandas的优势来进行数据存储。气象家园里biubiubiu123童鞋的博客，对Xarray库在气象里的应用有着较为全面的帮助。复制链接即可直达目录贴：bbs.06climate.com/forum.php?mod=viewthread&tid=94639。Xarray的官方网站链接为：xarray.pydata.org/en/stable/index.html。机智的小伙伴可以按照本文之前整理其他库的逻辑，从数据类型、数据转换和计算函数三个方面进行整理学习。小编就不在这里进行赘述啦。（否则篇幅太长了）
同理，netCDF4库的github主页链接：github.com/Unidata/netcdf4-python。
在这里还是要推荐下我自己建的Python开发交流学习（qq）群:810735403，群里都是学Python开发的，如果你正在学习Python ，欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2021最新的Python进阶资料和高级开发教程，欢迎进阶中和想深入Python的小伙伴！