python数学建模之Numpy和Pandas怎么应用

这篇文章主要介绍了python数学建模之Numpy和Pandas怎么应用的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇python数学建模之Numpy和Pandas怎么应用文章都会有所收获，下面我们一起来看看吧。

Numpy 学习

# Numpy的基本使用'''Numpy提供了两种基本的对象：ndarray存储单一数据类型的多维数组；                       ufunc是能够对数组进行处理的函数1-导入函数import numpy as np2-数组创建2-1 array   可将列表或元组转化为ndarray数组2-2 arange 在给定区间内创建等差数组，格式：            arange(start=None, stop=None, step=None,dtype=None)            【step表示步长间隔】2-3 linspace 在给定区间内创建间隔相等的数组，格式：             linspace(start, stop, num=50, endpoint=True)             【间隔相等的num个数据，其num默认值是50】2-4 logspace 在给定区间内生成等比数组，格式：             logspace(start, stop, num=50, endpoint=True, base=10.0)             【默认生成区间[10start(次方), 10stop()次方]上的num个数据的等比数组】以及 ones、zeros、empty和ones_like等系列函数的运用：'''

1-numpy.array

# numpy.array# array()函数，括号内可以是列表、元组、数组、迭代对象、生成器import numpy as npprint(np.array([6, 6, 6]))  # 列表print(np.array((8, 8, 8)))  # 元组print(np.array(np.array([9, 9, 9])))        # 数组print(np.array(range(10)))  # 迭代对象 / 整型print(np.array([i**2 for i in range(10)]))  # 生成器# 创建10以内的奇数的数组：print(np.array([i for i in range(1, 10, 2)]))print(np.array([i for i in range(10) if i % 2 != 0]))# 创建10以内的偶数的数组：print(np.array([i for i in range(0, 10, 2)]))print(np.array([i for i in range(10) if i % 2 == 0]))# 列表中元素类型不相同print(np.array([5, 2, '0']))    # ['5' '2' '0']# 浮点型print(np.array([3, 4, 5.2]))# 二维数组：【嵌套序列（列表、元组均可）】print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl')]))print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl')]).ndim)                          # ndim(维度）: 2# 嵌套数量不一致：【强制转化为一维，推荐不用】print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object))print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object).ndim)     # ndim(维度）：1print(np.array([[6, 7, 8], ('lxw', 'cw', 'wl', 'npy')], dtype=object).shape)    # 运行结果：(2,)print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object))print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).ndim)                   # ndim(维度）：1print(np.array([[6, 7, 8], [9, 9, 6, 9]], dtype=object).shape)                  # 运行结果：(2,) -> 代表两行一列

2-numpy.empty

# numpy.empty'''numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组numpy.empty(shape, dtype = float, order = 'C')参数说明：参数描述shape数组形状dtype数据类型，可选order有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序'''import numpy as nplxw = np.empty([3, 4], dtype=int)print(lxw)  # 注意：数组元素为随机值，因为它们未初始化

3-numpy.zeros

# numpy.zeros'''创建指定大小的数组，数组元素以 0 来填充：numpy.zeros(shape, dtype = float, order = 'C')参数说明：order :'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组'''import numpy as nplxw = np.zeros(6)                   # 默认为浮点数print(lxw)lxw2 = np.zeros((6, ), dtype=int)   # 设置类型为整数print(lxw2)# 自定义类型lxw3 = np.zeros((2, 2), dtype=[('lxw', 'i2'), ('lxw2', 'i4')])print(lxw3)

4-numpy.ones

# numpy.ones'''创建指定形状的数组，数组元素以 1 来填充：numpy.ones(shape, dtype = None, order = 'C')'''import numpy as nplxw4 = np.ones(8)   # 默认浮点数print(lxw4)lxw5 = np.ones([2, 2], dtype=int)print(lxw5)

NumPy 从已有的数组创建数组

1-numpy.asarray

# numpy.asarray'''numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。numpy.asarray(a, dtype = None, order = None)参数说明：参数描述a任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组'''# 将列表转换为 ndarray:import numpy as npx = [5, 2, 0]lxw6 = np.asarray(x)print(lxw6)# 将元组转换为 ndarrayimport numpy as npx2 = (1, 3, 1, 4)lxw7 = np.asarray(x2)print(lxw7)# 设置了 dtype 参数import numpy as npx4 = [6, 6, 9]lxw9 = np.asarray(x4, dtype=float)print(lxw9)

2-numpy.frombuffer

# numpy.frombuffer'''numpy.frombuffer 用于实现动态数组;接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。格式如下：numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)注：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。参数说明：参数描述buffer可以是任意对象，会以流的形式读入。dtype返回数组的数据类型，可选count读取的数据数量，默认为-1，读取所有数据。offset读取的起始位置，默认为0'''import numpy as nps = b'lxw_pro'lxw10 = np.frombuffer(s, dtype='S1')print(lxw10)

3-numpy.fromiter

# numpy.fromiter'''numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。numpy.fromiter(iterable, dtype, count=-1)'''import numpy as nplst = range(6)it = iter(lst)lxw11 = np.fromiter(it, dtype=float)print(lxw11)

NumPy 从数值范围创建数组

1-numpy.arange

# numpy.arange'''numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：numpy.arange(start, stop, step, dtype)根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。参数说明：参数描述start起始值，默认为0stop终止值（不包含）step步长，默认为1dtype返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型'''# 生成0和5的数组import numpy as npa = np.arange(6)print(a)# 设置返回类型位 floatimport numpy as npa2 = np.arange(6, dtype=float)print(a2)# 设置了起始值、终止值及步长import numpy as npa3 = np.arange(20, 52, 5)print(a3)

2-numpy.linspace

# numpy.linspace'''numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)参数说明：参数描述start序列的起始值stop序列的终止值，如果endpoint为true，该值包含于数列中num要生成的等步长的样本数量，默认为50endpoint该值为 true 时，数列中包含stop值，反之不包含，默认是True。retstep如果为 True 时，生成的数组中会显示间距，反之不显示。dtypendarray 的数据类型'''# 类似等差数列import numpy as npa4 = np.linspace(1, 10, 5)print(a4)# 设置元素全部是1的等差数列import numpy as npa5 = np.linspace(1, 1, 10)print(a5)# 将 endpoint 设为 false，不包含终止值import numpy as npa6 = np.linspace(8, 22, 4, endpoint=False)print(a6)# 注：将 endpoint 设为 true，则会包含 22a6 = np.linspace(8, 22, 4, endpoint=True)print(a6)# 设置间距import numpy as npa7 = np.linspace(5, 10, 5).reshape([5, 1])print(a7)

3-numpy.logspace

# numpy.logspace'''numpy.logspace 函数用于创建一个于等比数列。格式如下：np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)base 参数意思是取对数的时候 log 的下标。参数描述start序列的起始值为：base ** startstop序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中num要生成的等步长的样本数量，默认为50endpoint该值为 true 时，数列中中包含stop值，反之不包含，默认是True。base对数 log 的底数。dtypendarray 的数据类型'''import numpy as npa8 = np.logspace(1, 2, num=10)      # 默认底数是 10print(a8)# 将对数的底数设置为 2import numpy as npa9 = np.logspace(0, 8, 9, base=2)print(a9)

综合运用【array、arange、linspace、lonspace】:

# 综合运用import numpy as npltw = np.array([3, 3, 4, 4])    # 生成整型数组ltw2 = ltw.astype(float)        # 转为浮点数ltw3 = np.array([5, 2, 1], dtype=float) # 浮点数print(ltw)print(ltw2)print(ltw3)# 比较类型print(ltw.dtype, ltw2.dtype, ltw3.dtype)aa = np.array([    [2, 5, 8],    [9, 6, 2]])print(aa)bb = np.arange(2, 9)print(bb)   # 运行结果为：[2 3 4 5 6 7 8]cc = np.linspace(2, 5, 4)print(cc)   # 运行结果为：[2. 3. 4. 5.]dd = np.logspace(1, 4, 4, base=2)   # base控制的是几次方print(dd)   # 运行结果为：[ 2.  4.  8. 16.]

综合运用【ones、zeros、empty、ones_like】

# 综合运用【ones、zeros、empty、ones_like】import numpy as npa = np.ones(6, dtype=int)print(a)    # 运行结果为：[1 1 1 1 1 1]b = np.ones((6,), dtype=int)print(b)    # 运行结果为：[1 1 1 1 1 1]c = np.ones((3, 1))print(c)    # 输出3行一列的数组# 运行结果为：# [[1.]#  [1.]#  [1.]]d = np.zeros(4)print(d)    # 运行结果为：[0. 0. 0. 0.]e = np.empty(3)print(e)    # 生成3个元素的空数组行向量# 运行结果为：[1. 1. 1.]f = np.eye(3)print(f)    # 生成3阶单位阵# 运行结果为：# [[1. 0. 0.]#  [0. 1. 0.]#  [0. 0. 1.]]g = np.eye(3, k=1)print(g)    # 生成第k对角线的元素为1，其他元素为0的3阶方阵# 运行结果为：# [[0. 1. 0.]#  [0. 0. 1.]#  [0. 0. 0.]]h = np.zeros_like(b)print(h)  # 生成与a同维数的全0数组# 运行结果为：[0 0 0 0 0 0]

1. NumPy 切片和索引

# NumPy 切片和索引'''ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组'''import numpy as np# 通过 arange() 函数创建 ndarray 对象a = np.arange(10)lxw = slice(2, 9, 3)    # 索引从2到9，间隔为3print(a[lxw])       # [2 5 8]# 通过切片操作a = np.arange(10)lxw2 = a[2:9:3]         # 这里的切片操作和Python中list的操作是一样的print(lxw2)         # [2 5 8]# 比如：import numpy as nplxw3 = np.arange(10)print(lxw3[6])      # 6print(lxw3[6:])     # [6 7 8 9]print(lxw3[2:7])    # [2 3 4 5 6]# 多维数组同样适用上述索引提取方法import numpy as nplxw4 = np.array([    [6, 6, 6],    [5, 2, 0],    [5, 8, 9]])print(lxw4)print(lxw4[1:])# 切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。# 如果在行位置使用省略号，它将返回包含行中元素的 ndarrayimport numpy as nplxw5 = np.array([    [1, 2, 9],    [2, 5, 4],    [3, 4, 8]])print(lxw5[1, ...])     # [2 5 4]   第二行元素print(lxw5[..., 2])     # [9 4 8]   第三列元素print(lxw5[1:, ...])    # 第二行及剩下元素print(lxw5[..., 1:])    # 第二列及剩下元素

NumPy 高级索引

• Numpy中的array数组与Python基础数据结构列表（list)的区别是：

• 列表中的元素可以是不同的数据类型array数组只允许存储相同的数据类型

NumPy 比一般的 Python 序列提供更多的索引方式。

• 除了之前看到的用整数和切片的索引外，数组可以由

• 整数数组索引布尔索引花式索引

1-整数数组索引

# 1-整数数组索引import numpy as npb = np.array([    [6, 2, 9],    [4, 3, 9],    [5, 2, 3]])lxw6 = b[    [0, 1, 2], [1, 2, 1]]print(lxw6)     # 输出 [2 9 2]# 获取四个角元素import numpy as npaq = np.array([    [1, 2, 3, 4],    [2, 3, 4, 5],    [3, 4, 5, 6],    [4, 5, 6, 7]])print(aq)hj = np.array([[0, 0], [3, 3]])lj = np.array([[0, 3], [0, 3]])yq = aq[hj, lj]print(yq)print()# 可借助切片 : 或 … 与索引数组组合:import numpy as npjz = np.array([    [3, 5, 9],    [5, 2, 6],    [2, 9, 8]])jz1 = jz[:2, :2]print(jz1)jz2 = jz[:2, [0, 1]]print(jz2)jz3 = jz[..., 1:]print(jz3)

2-布尔索引

# 布尔索引# 布尔索引可通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组# 获取大于5的元素：import numpy as npbr = np.array([    [6, 7, 8],    [5, 2, 1],    [6, 6, 9],    [2, 4, 5]])print(br)print(br[br > 5])               # 输出 [6 7 8 6 6 9]# 使用 ~（取补运算符）来过滤 NaN：import numpy as npbu = np.array([5, np.nan, 2, 0, np.nan, np.nan, 5, 8])print(bu[~np.isnan(bu)])        # 输出 [5. 2. 0. 5. 8.]# 从数组中过滤掉非复数元素：import numpy as nplv = np.array([2+2.9j, 4, 9, 2+8.2j, 8])print(lv[np.iscomplex(lv)])     # 输出 [2.+2.9j 2.+8.2j]

3-花式索引

# 花式索引【利用整数数组进行索引】# 花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。# 对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应下标的行，# 如果目标是二维数组，那么就是对应位置的元素。# 注：花式索引跟切片不一样，它总是将数据复制到新数组中。# 1.传入顺序索引数组import numpy as npsx = np.arange(32).reshape(8, 4)print(sx[[5, 2, 1, 6]])# 2.传入倒序索引数组import numpy as npdx = np.arange(32).reshape(8, 4)print(dx[[-5, -2, -1, -6]])# 3.传入多个索引数组（要使用np.ix_）import numpy as npdg = np.arange(32).reshape(8, 4)print(dg[np.ix_([2, 3, 5, 1], [3, 2, 0, 1])])

三个实用小方法：

• 条件加小括号

• 使用np.logical_and方法

• 使用np.all方法

import numpy as npsy = np.array([    [3, 5, 6],    [2, 6, 2],    [5, 2, 0],    [3, 3, 4]])# 原数组print(sy)# 1-print(sy[(sy > 3) & (sy < 6)])  # 条件记得加小括号# 2-print(sy[np.logical_and(sy > 3, sy < 6)])# 3-print(sy[np.all([sy > 3, sy < 6], axis=0)])

综合运用【数组元素的索引】

相关代码如下：

import numpy as npx = np.arange(16).reshape(4, 4)print(x)    # 生成4行4列的数组x2 = x[2][1]print(x2)   # 输出 9x3 = x[2, 1]print(x3)   # 输出 9x4 = x[1:2, 2:4]print(x4)   # 输出 [[6 7]]xx = np.array([0, 1, 2, 1])print(x[xx == 1])   # 输出x的第2、4行元素

Pandas学习（续）

# Pandas学习（续）# Pandas库是在Numpy库基础上开发的一种数据分析工具'''Pandas主要提供了三种数据结构：1-Series: 带标签的一维数组2-DataFrame： 带标签且大小可变得二维表格结构3-Panel： 带标签且大小可变得三维数组'''# 生成二维数组# 生成服从标准正态分布的24*4随机数矩阵，并保存为DataFrame数据结构。import pandas as pdimport numpy as npdates = pd.date_range(start='20220622', end='20220707', freq='D')print(dates)

运行效果如下：

lxw1 = pd.DataFrame(np.random.randn(16, 4), index=dates, columns=list('ABCD'))lxw2 = pd.DataFrame(np.random.randn(16, 4))print(lxw1)print(lxw2)

运行结果如下：

1 将数据写入excel、csv文件

# 将lxw1的数据写入excel文件lxw1.to_excel('假期培训时间.xlsx')lxw1.to_excel("时间任意.xlsx", index=False)     # 不包含行索引# 将lxw2的数据写入csv文件lxw2.to_csv('假期培训时间.csv')lxw2.to_csv("时间随意.csv", index=False)                     # 不包含行索引# 创建文件对象f = pd.ExcelWriter('培训时间（格式）.xlsx')# 把lxw1写入Excel文件lxw1.to_excel(f, "Shell1")# 把lxw2写入Excel文件lxw2.to_excel(f, "Sheet2")f.save()

部分效果图如下：

# 从文件中读入数据：import pandas as pdlxw3 = pd.read_csv("假期培训时间.csv", usecols=range(1, 4))print(lxw3)

运行结果如下：

lxw4 = pd.read_excel("培训时间（格式）.xlsx", "Sheet2", usecols=range(1, 3))print(lxw4)

2 数据的一些预处理

# 数据的一些预处理# DataFrame数据的拆分、合并和分组计算：import pandas as pdimport numpy as nplxw5 = pd.DataFrame(np.random.randint(1, 6, (10, 4)), columns=list('ABCD'))print(lxw5)

lxww = lxw5[:5]     # 获取前五行数据print(lxww)

lxwy = lxw5[5:]     # 获取第六行以后的数据print(lxwy)

wy = pd.concat([lxww, lxwy])    # 数据行合并print(wy)

q1 = lxw5.groupby('A').mean()   # 数据分组求均值print(np.around(q1, decimals=2))    # decimals表示保留几位小数

q2 = lxw5.groupby('A').apply(sum)   # 数据分组求和print(q2)

3 数据的选取与操作

# 数据的选取与操作'''对DataFrame进行选取，要从3个层次考虑：行列、区域、单元格1-选用中括号[]选取行列2-使用行和列的名称进行标签定位的df.loc[]3-使用整型索引（绝对位置索引）的df.iloc[]当然，在数据预处理中，需要对缺失值等进行一些特殊处理'''# 数据操作：import pandas as pdimport numpy as npqq = pd.DataFrame(np.random.randint(1, 5, (6, 4)),                  index=['a', 'b', 'c', 'd', 'e', 'f'],                  columns=['one', 'two', 'three', 'four'])qq.loc['c', 'two'] = np.nan     # 修改第三行第二列的数据print(qq)

ww = qq.iloc[1:4, 0:2]          # 提取第二、三、四行，第一、二列数据print(ww)

qq['five'] = 'lxw'              # 增加第五列数据print(qq)

qq2 = qq.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g'])   # 增加行名print(qq2)

qq3 = qq2.dropna()              # 删除有不确定值的行print(qq3)                      # 从输出不难看出，删除了c行和g行

关于“python数学建模之Numpy和Pandas怎么应用”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“python数学建模之Numpy和Pandas怎么应用”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网行业资讯频道。