Python科学计算库练习题

1.1python概述

案例一：Matplotlib图表初体验

import matplotlib.pyplot as plt

x=["1-3","4-6","7-9","10-12"]  #设置X轴数值
y=[257,301,428,475]            #设置Y轴数值
plt.plot(x,y)                  #绘制折线图
plt.grid(True, linestyle='--', alpha=1) #添加网格线
plt.show()                     #展示

1.2Numpy数据计算

案例一：一维数组的创建、索引及切片

任务说明：

（1）NumPy提供的array函数可以创建一维数组或多维数组。使用array函数把如下图示的员工的年龄创建为一维数组

（2）使用数组的索引，分别获取“Mary”和“LiLi”的年龄
（3）对数组进行分割，同时获取“Mary”和“LiLi”的年龄、“LiLi”和“Cendy”的年龄以及“Mary”和“Cendy”的年龄

代码实现：

#（1）创建出数组
import numpy as np
score=np.array([["Mary",22,95.5],["LiLi",23,56],["Cendy",22,90]])
score

#（2）对数据进行切片（先行后列）
score[:2,1]

#（3）数组分割

案例二：Numpy常用的函数

任务说明：

（1）算术函数
使用NumPy 算术函数add()、subtract()、multiply()、divide()实现如下两个数组之间的加减乘除。

代码实现：

import numpy as np
n1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
n2 = np.array([1, 2, 3])  # 一维数组

n3=np.add(n1,n2)
n4=np.subtract(n1,n2)
n5=np.divide(n1,n2)

(2)排序函数

import numpy as np
dt = np.dtype([('name',"S10"),('age',int),('KPI',int)]) 
n1=np.array([('Mary', 22, 95.5), ('LiLi', 23, 56), ('Cendy', 22, 90)],dtype = dt)
n1.sort(axis=0,order="KPI")
n1

1.3Pandas数据分析

案例一：创建DataFrame)对象

任务说明：以员工薪资构成为例，其包含基本薪资、绩效薪资和补贴，数据如下：

代码实现：

import pandas as pd

data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df

import numpy as np
arr = np.array([4, 7, 1, 6, 1, 8, 4, 9, 1, 6]) 
arr1=np.unique(arr)
arr1

#array([1, 4, 6, 7, 8, 9])

案例二: 数据抽取、增加、修改及删除

任务说明：

代码实现：

#（1）使用loc属性和iloc属性抽取第一行数据

import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[0]

#（2）增加奖金列方式一：直接赋值法
import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df['奖金']=['122','222','333']
df

#（2）增加奖金列方式二：loc属性法
import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[:,'奖金']=['122','222','333']
df

#（2）增加奖金列方式三：指定位置插入
import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.insert(loc=2, column='奖金', value=100)  # 在最后一列后，插入值全为3的c列
df

#（3）增加行数据：在指定行，加入指定数据
import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.insert(loc=2, column='奖金', value=100)  # 在最后一列后，插入值全为3的c列
df.loc[3]=['Alice','1000','1000','1000','100']
df

（3）增加多行数据
import pandas as pd
data=[['Mary',"2500","5800","500"],["LiLi","2500","7800","650"],["Gendy","2500","10500","200"]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.insert(loc=2, column='奖金', value=100)      # 在最后一列后，插入值全为3的c列
df.loc[3]=['Alice','1000','1000','1000','100']  # 在指定行添加数据
data1=[['Liming',"2500","5800","500"],["LiLi1","2500","7800","650"],["Gendy1","2500","10500","200"]]
df1=pd.DataFrame(data1,columns=['姓名','基本薪资','绩效津贴','补贴'])
df1

df.append(df1,ignore_index=True)#让索引重写进行排序

案例三：数据缺失值处理

任务说明：

1）删除缺失值
使用 dropna 函数删除含有缺失值的行

2）填充缺失值
DataFrame 对象中的 fillna 函数可以实现填充缺失数据

代码实现：

#（1）查看缺失值

import pandas as pd
df = pd.read_csv('property-data.csv')
df.info()

#(2)删除含有缺失值的行

import pandas as pd
df = pd.read_csv('property-data.csv')
new_df=df.dropna()
new_df

默认情况下，dropna() 方法返回一个新的 DataFrame，不会修改源数据。

#（3）对空值进行填充替代

import pandas as pd
df = pd.read_csv('property-data.csv')
df.fillna(12345, inplace = True)
print(df.to_string())

案例四：数据的计算函数

任务说明：

代码实现：

#(1)任务1：使用 DataFrame 对象的 sum 函数实现行/列数据的求和运算，效果如下：
import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df['奖金']=['122','222','333']
df.loc[:,'总薪资']=df.sum(axis=1)
df

#（2）任务2：每行的平均数
import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df['奖金']=['122','222','333']
df.loc[:,'总薪资']=df.mean(axis=1)
df

#该行最大值
import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df['奖金']=['122','222','333']
df.loc[:,'总薪资']=df.max(axis=1)
df

#该行最小值
import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df['奖金']=['122','222','333']
df.loc[:,'总薪资']=df.max(axis=0)
df

下面的内容为每一列的求和与计算：

import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[3]=df.iloc[:,1:5].max(axis=0)#求每一列的最大值
df

import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[3]=df.iloc[:,1:5].mean(axis=0)#求出每一列的平均值
df

import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[3]=df.iloc[:,1:5].min(axis=0)#求出每一列的最小值
df

import pandas as pd
data=[['Mary',2500,5800,500],["LiLi",2500,7800,650],["Gendy",2500,10500,200]]
df=pd.DataFrame(data,columns=['姓名','基本薪资','绩效津贴','补贴'])
df.loc[3]=df.iloc[:,1:5].sum(axis=0) #求出每一列的和
df

1.4Matplotlib数据可视化

import matplotlib.pyplot as plt 
import random # 画出温度变化图 



# 0.准备x, y坐标的数据 
x = range(60) 
y_shanghai = [random.uniform(15, 18) for i in x] 

# 创建画布
plt.figure(figsize=(20, 8), dpi=80) 

# 绘制折线图 
plt.plot(x, y_shanghai) 

#添加网格
plt.grid(True, linestyle='--', alpha=1)

# 构造x轴刻度标签 
x_ticks_label = ["11h{}min".format(i) for i in x] 

# 构造y轴刻度 
y_ticks = range(40) 

# 修改x,y轴坐标的刻度显示 
plt.xticks(x[::5], x_ticks_label[::5]) 

plt.yticks(y_ticks[::5])

# 增加北京的温度数据 
y_beijing = [random.uniform(1, 3) for i in x] 
# 绘制折线图 
plt.plot(x, y_shanghai) 
# 使用多次plot可以画多个折线 
plt.plot(x, y_beijing, color='r', linestyle='--')

plt.xlabel("time") 
plt.ylabel("temperature") 
plt.title("temperature variation", fontsize=20)

# 显示图像 
plt.show()