在上一篇博文中,我们介绍了 Python 数据分析中 NumPy 和 Pandas 的基础知识。本文将深入探讨 NumPy 和 Pandas 的高级功能,并通过一个综合详细的例子展示这些高级功能的应用。
一、NumPy 高级功能
1.1 高级数组操作
数组的广播
广播机制使得 NumPy 能够对不同形状的数组进行算术运算。这是一种方便且高效的数组运算方式。
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([[4], [5], [6]])
result = array1 + array2
print(result)
复制代码
高级索引
NumPy 支持布尔索引和花式索引,可以用来从数组中提取子集。
# 布尔索引
array = np.array([1, 2, 3, 4, 5])
bool_index = array > 3
print(array[bool_index])
# 花式索引
array = np.array([10, 20, 30, 40, 50])
index = [0, 2, 4]
print(array[index])
复制代码
1.2 数学和统计函数
NumPy 提供了丰富的数学和统计函数,可以对数组进行各种数学运算和统计分析。
array = np.array([1, 2, 3, 4, 5])
# 求和
print(np.sum(array))
# 均值
print(np.mean(array))
# 标准差
print(np.std(array))
# 最大值和最小值
print(np.max(array))
print(np.min(array))
复制代码
1.3 线性代数
NumPy 的线性代数模块 numpy.linalg 提供了矩阵和向量的线性代数运算功能。
# 矩阵乘法
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
result = np.dot(matrix1, matrix2)
print(result)
# 矩阵求逆
inverse_matrix = np.linalg.inv(matrix1)
print(inverse_matrix)
# 特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(matrix1)
print(eigenvalues)
print(eigenvectors)
复制代码
1.4 随机数生成
NumPy 的 random 模块提供了生成各种随机数的功能。
# 生成均匀分布的随机数
uniform_random = np.random.rand(3, 3)
print(uniform_random)
# 生成正态分布的随机数
normal_random = np.random.randn(3, 3)
print(normal_random)
# 生成随机整数
random_integers = np.random.randint(1, 10, size=(3, 3))
print(random_integers)
复制代码
二、Pandas 高级功能
2.1 高级数据结构操作
多级索引
Pandas 支持多级索引(层次索引),可以用于处理高维度的数据。
import pandas as pd
data = {
'Year': [2020, 2020, 2021, 2021],
'City': ['New York', 'Los Angeles', 'New York', 'Los Angeles'],
'Population': [8419600, 3980400, 8399000, 3967000]
}
df = pd.DataFrame(data)
df.set_index(['Year', 'City'], inplace=True)
print(df)
复制代码
数据透视表
数据透视表用于汇总和分析数据,是数据分析中的常用工具。
data = {
'Name': ['Tom', 'Jerry', 'Tom', 'Jerry'],
'Subject': ['Math', 'Math', 'Science', 'Science'],
'Score': [85, 92, 78, 88]
}
df = pd.DataFrame(data)
pivot_table = pd.pivot_table(df, values='Score', index='Name', columns='Subject')
print(pivot_table)
复制代码
2.2 高级数据清洗
Pandas 提供了许多高级的数据清洗功能,可以处理更复杂的数据清洗任务。
# 数据替换
df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})
df.replace({1: 100, 2: 200}, inplace=True)
print(df)
# 处理重复值
df = pd.DataFrame({'A': [1, 2, 2, 4], 'B': [5, 6, 6, 8]})
df.drop_duplicates(inplace=True)
print(df)
# 分割和提取
df = pd.DataFrame({'Full Name': ['Tom Smith', 'Jerry Lee']})
df[['First Name', 'Last Name']] = df['Full Name'].str.split(' ', expand=True)
print(df)
复制代码
2.3 时间序列分析
Pandas 的时间序列功能可以处理和分析时间序列数据。
# 创建时间序列
dates = pd.date_range('20230101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
print(df)
# 重采样
df_resampled = df.resample('M').mean()
print(df_resampled)
复制代码
2.4 合并和连接
Pandas 提供了多种合并和连接数据的方法,可以方便地进行数据整合。
df1 = pd.DataFrame({'Key': ['A', 'B', 'C'], 'Value1': [1, 2, 3]})
df2 = pd.DataFrame({'Key': ['A', 'B', 'D'], 'Value2': [4, 5, 6]})
# 合并
df_merged = pd.merge(df1, df2, on='Key', how='inner')
print(df_merged)
# 连接
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2'], 'B': ['B0', 'B1', 'B2']})
df2 = pd.DataFrame({'C': ['C0', 'C1', 'C2'], 'D': ['D0', 'D1', 'D2']})
df_concated = pd.concat([df1, df2], axis=1)
print(df_concated)
复制代码
三、综合示例
以下是一个综合详细的示例,演示了如何使用 NumPy 和 Pandas 的高级功能进行数据处理和分析。该示例将生成一个包含随机数据的 CSV 文件,然后读取该文件并进行数据分析。
3.1 生成随机数据并保存为 CSV 文件
import numpy as np
import pandas as pd
# 设置随机种子
np.random.seed(0)
# 生成随机数据
data = {
'Name': ['Tom', 'Jerry', 'Alice', 'Bob', 'Charlie'],
'Age': np.random.randint(18, 30, 5),
'Height': np.random.randint(150, 200, 5),
'Weight': np.random.randint(50, 100, 5),
'Score': np.random.randint(60, 100, 5)
}
# 创建DataFrame
df = pd.DataFrame(data)
# 保存为CSV文件
df.to_csv('random_data.csv', index=False)
复制代码
3.2 读取 CSV 文件并进行数据分析
# 读取CSV文件
df = pd.read_csv('random_data.csv')
# 显示前几行数据
print("数据前几行:")
print(df.head())
# 统计数据
print("\n数据统计:")
print(df.describe())
# 按年龄分组并计算平均值
print("\n按年龄分组并计算平均值:")
print(df.groupby('Age').mean())
# 添加一列BMI(Body Mass Index)
df['BMI'] = df['Weight'] / (df['Height'] / 100) ** 2
# 显示计算后的数据
print("\n添加BMI列后的数据:")
print(df)
# 处理缺失值(模拟缺失值处理)
df.loc[2, 'Weight'] = np.nan
df = df.fillna(df['Weight'].mean())
print("\n处理缺失值后数据:")
print(df)
# 保存处理后的数据到新的CSV文件
df.to_csv('processed_data.csv', index=False
复制代码
3.3 运行结果
数据前几行:
Name Age Height Weight Score
0 Tom 26 189 86.0 91
1 Jerry 22 176 65.0 96
2 Alice 25 158 78.8 85
3 Bob 29 155 98.0 77
4 Charlie 28 151 66.0 94
数据统计:
Age Height Weight Score
count 5.000000 5.000000 5.000000 5.000000
mean 26.000000 165.800000 78.800000 88.600000
std 2.915476 16.445498 14.135
936 7.396683
min 22.000000 151.000000 65.000000 77.000000
25% 25.000000 155.000000 66.000000 85.000000
50% 26.000000 158.000000 86.000000 91.000000
75% 28.000000 176.000000 88.000000 94.000000
max 29.000000 189.000000 98.000000 96.000000
按年龄分组并计算平均值:
Height Weight Score BMI
Age
22 176.0 65.0 96.0 20.991364
25 158.0 78.8 85.0 31.585231
26 189.0 86.0 91.0 24.083681
28 151.0 66.0 94.0 28.899145
29 155.0 98.0 77.0 40.834151
添加BMI列后的数据:
Name Age Height Weight Score BMI
0 Tom 26 189 86.0 91 24.083681
1 Jerry 22 176 65.0 96 20.991364
2 Alice 25 158 78.8 85 31.585231
3 Bob 29 155 98.0 77 40.834151
4 Charlie 28 151 66.0 94 28.899145
处理缺失值后数据:
Name Age Height Weight Score BMI
0 Tom 26 189 86.000000 91 24.083681
1 Jerry 22 176 65.000000 96 20.991364
2 Alice 25 158 78.800000 85 31.585231
3 Bob 29 155 98.000000 77 40.834151
4 Charlie 28 151 66.000000 94 28.899145
复制代码
通过上述综合示例,我们展示了如何使用 NumPy 和 Pandas 的高级功能进行数据生成、读取、处理和分析。这些高级功能使得数据分析更加高效和灵活,帮助我们更好地理解和利用数据。
作者:Rjdeng
链接:https://juejin.cn/post/7399661995090247730
评论