Numpy和pandas的一些函数笔记

Numpy

函数	作用
a=np.array([2,23,4],dtype=np.float)	把列表转换成矩阵(我们创建的时候是一个列表，有逗号分割，转换成矩阵之后就没有逗号分隔)
a.ndim	矩阵的维度
a.shape	矩阵的形状（几行几列）
a.shape[0]	a的行数
a.shape[1]	a的列数
a.size	矩阵共有多少个元素
a=np.zeros((3,4))	生成3行4列的全零矩阵
a=np.arange[10,20,2]	生成10到20的数列，间距是2
a=np.arange(12).reshape((3,4))	生成从0到11的3行4列矩阵
a=np.linspace(1,10,5)	生成从1到10的一个线段，共5段，自动计算步长
a[0,0]	索引a的第一行第一列
a[1,:]	索引第二行的所有数
np.argmax(a,0)	索取每列最大值索引，如果想索取每行最大值索引，把0换成1
a.flatten()	把矩阵a中的元素放到一行
a=np.random.random((2,4))	随机生成2行4列的随机矩阵
np.sum(a, axis=None)	对整个矩阵元素求和，如果数组a是多维，默认是对列求和，我们也可以对它进行指定，当axis=0时是对列进行求和，当axis=1时是对行进行求和
np.sum(a,axis=0)	axis=0对每一列求和，axis=1对每一行求和
np.max(a,axis=0)	寻找每一列中的最大值
np.clip(a, 5, 9)	矩阵中小于5的元素为5，大于9的元素为9
np.size(a,0)/ np.size(a,1)	当为0时求行个数，为1时求列个数
np.matmul(a,b)	矩阵乘法（交叉相乘相加）
np.dot(a,b)	矩阵乘法（点积，与上相同）
np.linspace(start, stop, num)	生成num个从start到stop的数
np.expand_dims(data, axis=3)	增加一个第四维，例如原数据形状是(60,28,28),新的形状是(60,28,28,1)
A@B	矩阵乘法
a*b	对应元素相乘
A**2	矩阵里每个元素平方
np.hstack((a,b))	把矩阵a拼接到矩阵b的左侧(注意几个括号)
np.vstack((a,b))	把矩阵b拼接到矩阵a的下方
np.concatenate((a,b,c,d,e),axis = 0)	把多个矩阵进行上下合并
np.split(a,2,axis=1)	把矩阵a进行纵向分割，分割成两列
np.array_split(a,3,axis=1)	把矩阵a进行纵向不等量分割，分割成两列
np.vsplit(a,3)	横向分割成三部分
np.hsplit(a,4)	把矩阵a纵向分割成4部分
np.isin(a,b)	判断a是否在b里，如果是就返回true，否则就返回false
np.loadtxt('text.txt')	读取txt文件
np.savetxt('text.txt', X)	保存txt文件, 第一个是文件路径，X是要保存的数组
np.reshape(a, newshape)	a要变换的array，newshape期望得到的形状
numpy.ndarray.flatten(a)	将数组展平，返回原数据的副本
np.ravel(a)	将数组展平，不返回数据副本
np.squeeze(data,axis = 1)	对data的形状进行压缩，列入原data的形状为[5,1,24]，压缩后的形状就为[5,24]
np.random.rand(3,2)	产生形状为(3,2)符合标准正太分布的随机数
np.random.randint(low, high, size=None)	产生从low到high形状为size的整数
np.random.random(size=None)	产生区间为[0,1)的随机浮点型数组
np.random.normal(size=None)	产生符合正态分布的随机数
np.prod(a, axis=None)	计算矩阵a元素的乘积，np.prod([[1.,2.],[3.,4.]])，结果为1234=24，np.prod([[1.,2.],[3.,4.]], axis=1)计算每一行的乘积，结果为[12=2,3*4=12]
np.argsort(x)	该函数是求输入数组x的按从小到大排列的索引。例如x=np.array([5,2,3])，则输出的结果为：array([1,2,0])
np.unique()	去掉数组中重复的数
np.transpose(img, [1,2,0])	把img的元素从位置[0,1,2]转换成[1,2,0]
a[::-1]	翻转array的顺序，比如原来a=np.array([0,1,2,3])，a[::-1]之后就变成了[3,2,1,0]

pandas

函数	作用
pd.Series([list],index=[list])	是pandas的一种一维数据结构，创建一个带索引的一维表，不输入索引默认索引从0开始 ，里面也可以直接传入一个字典{'a':1,'b':3,'c':6}
pd.DataFrame(np.random.randn(4,4), index=list('ABCD'),columns=list('abcd'))	pandas的一种二维数据结构。类似于excel表,index和columns默认为从0开始
pd.DataFrame(data, index=range(20), columns=['a','c','f'])	也可以指定行列名，更多方法
pd.date_range(start=None, end=None, periods=None)	创建时间序列
df.head()	默认printdataframe的前5行数据，括号内可输入具体数字，例如df.head(3)就是只打印前3行
pd.rename(columns={'原名':'新名'} inplace=True)	给列换名字
df.dtypes	返回数据形式
df.index	返回数据的索引
df.columns	返回列的名字
df.valuse	返回所有元素
df.describe()	返回数据描述
df.T	行列颠倒
df.sort_index(axis=1,ascending=False)	将列索引按倒序进行重新排序（这一列中所有元素都要一起动）
df.sort_values(by='E')	对E列按值进行排序
df.groupby(key)	按key进行分组，更多使用方法参考
df.'A' / df['A']	返回A这1列
df[1:3]	返回df1到3行的切片 (index1:3)
df['A':'B']	返回A到B行(indexA:B)
df.loc['20130101']	返回标签为“20130101”这一行，（只能index,返回columns见下)
df.loc[:,['A','C']]	返回A和C两个colunms（不能用：连接AC）
pd.concat([df1, df2], axis=0)	将df1和df2进行上下合并
pd.drop(['name'], axis=1, inplace=True)	删除某列并替换原数据
df.dropna(axis=0, how='any')	axis=0表示丢掉行，axis=1表示丢掉列。how={'any','all'}，当how为'any'时，只要这一行/列出现空值，就丢掉；当how为‘all’时，只有当这一行/列都为空值才丢掉
df.fillna(value=0)	空值用0填充
df.isnull()	判断是否有缺失值
pd.to_csv('data.csv', index=False, header=False)	保存数据，不保存索引和列名称
pd.read_csv(path, header=None)	读csv文件, 如果不声明header=None，第一行会作为表头，详细参数设置
df.values	把dataframe变成array
df.matrix	把dataframe变成array
np.array(df)	把dataframe变成array
np.unique(a)	去掉数组a中重复的数