科学计算与数据分析

科学计算库——Numpy

1.主要对象是同质多维数组
2.数组的维度被称为轴（axes）、轴的数量称为秩（rank） 数组的维数就是秩
对于ndarray（简称array），其对象属性有很多
eg：shape — 数组的维度，对一个n行m列的矩阵，shape就是（n，m）的元组
T — 转置 、 itemsize — 数组中每个元素的大小（单位：字节）
ndim — 轴（维度）的数量 、 real — 返回数组的实部 / imag — 返回虚部
写的时候没有括号
格式转换：np.array(5,dtype = int) / np.array(5).astype(float)

3.创建矩阵
ones(shape,dtype) 全1 shape可写成（n，m）
zeros(shape,dtype) 全0
eye(N, M, k, dtype) N：行数 、M：列数（默认等于N） 、k：可选对角线序列号（默认为0 主对角线）
identity(n,dtype) — n维单位方阵

4.矩阵运算
numpy.linalg

求逆矩阵
求方程组精确解
求特征值和特征向量
求行列式值
奇异值分解
线性方程组的最小二乘解

科学计算库——Scipy

数据分析库——Pandas

Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据）

pandas.Series( data, index, dtype, name, copy)
pandas.DataFrame( data, index, columns, dtype, copy)

我们可以使用 key/value 对象，类似字典来创建 Series：

import pandas as pd
sites = {1: "Google", 2: "Runoob", 3: "Wiki"}  #指定新的索引值
myvar = pd.Series(sites)
print(myvar)

用不同方式创建DataFrame：

#使用列表创建
import pandas as pd
data = [['Google',10],['Runoob',12],['Wiki',13]]
df = pd.DataFrame(data,columns=['Site','Age'],dtype=float)
print(df)
#使用 ndarrays 创建
import pandas as pd
data = {'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
df = pd.DataFrame(data)
print (df)
#使用字典创建
import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print (df)
# 返回第一行数据
print(df.loc[0])
# 返回第二行数据
print(df.loc[1])
# 返回第一行和第二行
print(df.loc[[0, 1]])
df = pd.DataFrame(data, index = ["day1", "day2", "day3"]) #指定新的索引值

常用函数：

#读写csv文件
#写入
df.to_csv(filename)
#读取
pd.read_csv(filename,header=0) #保留列属性，header=None不读列属性
#选择行或列
df.loc[3]  #第四行
df.loc[:,3] #第四列
df.loc[3:5,0:2]  #第四到六行，第一到三列
df.loc[[4,5,6],[0,1,2]]  #第四到六行，第一到三列
#统计
df.describe() #描述
df.head() #头五行
df.tail() #尾五行
df.T      #转置
df.sort(columns=’B’)  #对轴进行排序
df.mean()  #对每列求均值 通过axis=0/1 确定行列
#映射
df.apply(function) #通过自定义函数，应用于df中
eg: df.apply(lambda x:x.max()-x.min()) #求得每列最大减最小，通过axis=1 进行行操作
#合并
pd.concat(list) #list各元素为各个DateFrame
eg: pieces = [df[:3],df[3:6],df[6]]
    pd.concat(pieces)

符号计算——Sympy