# python-ready-made-code

**Repository Path**: snow-release/python-ready-made-code

## Basic Information

- **Project Name**: python-ready-made-code
- **Description**: 现成，可直接复用的代码。主要涵盖数据分析的数据清洗、数据可视化，以及分析思路。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-11-04
- **Last Updated**: 2023-11-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Python 编程基础

---


## 一、python基础

待定

---



## 二、NumPy科学计算库

>备注：该板块内容略过**[‘第三部分_数组运算’,‘第四部分_复制和视图’,‘第五部分索引、切片和迭代’,‘第七部分_广播机制’,‘第八部分_通用函数’] 和 {‘第一部分’:‘文件IO操作’,‘第六部分’:‘split数组拆分’}**

### 2.1 基础操作

**第一节 数组创建**

```python
arr1 = np.array(l) # 列表转换为数组
arr = np.arange(0,20,2) #等差数列
arr = np.linspace(0,9,10) # 等差数列
arr = np.random.randn(5) # 正太分布
arr = np.random.random(5) # 随机数
```

**第二节 查看操作**

```python
arr = np.random.randint(0,100,size=(3,4,5))
arr.ndim # 数组的维度
```

3  

```python
arr.shape #数组的尺寸形状
```

(3,4,5)  

```python
arr.size #数组元素总和数
```

60  

```python
arr.dtype #查看数据类型
```

dtype(‘int64’)  



**第三节 文件的IO操作**
略



### 2.2 数据类型

**ndarray的数据类型：**

- int:int8,uint8,int16,int32

- float:float16,float32,float64

  

**创建时，指定数据类型**

```python
np.array([1,2,3,4],dtype='float32')
```

**asarray转换时指定**

```python
np.asarray(arr,dtype='float32')
```

**数据类型转换astype**

```python
arr.astype('float32')
```



### 2.3 条件查找

```python
cond = arr > 90
arr[cond] #返回满足cond条件的值
```



### 2.6 形状操作

**数组变形**

```python
arr.reshape(12,5) #返回新形状
arr.reshape(-1,5) #主动整形
```

**数组转置**

```python
arr.T #转置
np.transpose(arr,axes=(2,0,1)) 
```

**数组堆叠**

```python
np.concatenate([arr1,arr2],axis=0) #在1维方向连接
np.hstack((arr1,arr2))
np.vstack((arr1,arr2))
```



---

## 三、Pandas数据分析库

### 3.2  数据结构

**Series**

```python
s1 = pd.Series(data,index,name)
```

**DataFrame**

```python
df = pd.DataFrame(data,index,columns)
```

备注：
data:list or dict
index:int or str or None
columns:str or None



### 3.3 数据查看

```python
df.head()
df.tail()
df.shape
df.dtypes
df.index
df.columns
df.values
df.describe()
df.info()
```



### 3.5 数据选取

**获取数据**

```python
df['name']
df.name
df[['name1','name2']]
df[3:15]
```

**标签选取**

```python
df.loc[['A','B','C']]
df.loc[['A','B'],['column1','column2']]
df.loc['A','B':2, 'column1':'column2']
```

**位置选取**

```python
df.iloc['index','column']
```

**boolean索引**

```python
cond = (df.Python > 50)&(df.Python > 10)
df[cond]
df[df > 50]
df[df.index.isin(['A','B'])]
```

### 3.6 数据集成

concat数据串联

```python
pd.concat([df1,df2],axis=0) #行
df1.append(df2) #行
pd.concat([df1,df2],axis=1) #列
```

插入

```python
df.insert(
loc=1,column='name',values='name')
```

join SQL风格合并

```python
# 左右通过交集连接
pd.merge(df1,df2,
	how = 'inner',on = 'name')

# 指定列连接
pd.merge(df1,df2,
	how = 'inner',
	left_on = 'name',
	right_on = '名字')

# 指定index连接
pd.merge(df1,df2,
	left_index=True,
	right_index=True)
```



### 3.7 数据清洗

**重复数据过滤**

```python
pd.duplicated()
pd.drop_duplicates()
```

**空数据过滤**

```python
df.isnull().any()
df.isna().sum()
df.dropna(how = any) # 删除空数据
df.fillna(value = 11) # 空值填充
```

**指定行或列过滤**

```python
del df['column'] # 删除指定列
df.drop(label=['column'],axis=1) # 删除指定列
df.drop(label=[0,1,2],axis=0) # 删除指定行
```

**函数filter**（没什么用）

```python
df.filter(items=['name1','name2'])
df.filter(regex='a&',axis=1)
df.filter(like='og',axis=0)
```

**指定多行或列过滤**

```python
index = df[cond].index
df.drop(label=index,axis=0)
```



### 3.8 数据转换

**重命名**

```python
df.rename(
	index={…},columns={'name':'name2'})
```

**替换值**

```python
df.replace(3,1024)
df.replace([0,2],1024)
df.replace({0:23,'a':98})
df.replace({'python':2},1024)
```

**map Series 元素改变**

```python
df['column'].map({'a',10})
df['column'].map(lambda…)
df['column'].map(func1)
```

**apply元素改变 即支持Series也支持DataFrame**

```python
df.apply(lambda…,axis=1)
df['column'].apply(lambda…)
df['column'].apply(func1)
df.apply({'python':np.min,'Mane':np.max })
df.apply(np.mean,axis=1) #对行应用
```



### 3.9 数据分组、透视、排序

```python
# 排序
df.sort_index()
df.sort_values([col1,col2],ascending=[True,False]) 

df.groupby(
    ['customer', 'product']).agg(
    {'quantity': 'sum', 'price': ['sum', 'mean']})

```

![image-20231105183222624](https://gitee.com/snow-release/typoralmage/raw/master/image-20231105183222624.png)