快捷搜索:  汽车  科技

numpy的矩阵操作(如何使用Series进行numpy运算)

numpy的矩阵操作(如何使用Series进行numpy运算)2.可使用部分字典参数的函数@ In [10]: np.exp(obj2)如:@ In [7]: obj2[obj2>0]@ In [8]: obj2*2

numpy的矩阵操作(如何使用Series进行numpy运算)(1)

一起学习,一起成长!

Numpy是python及其重要的计算包,那么numpy是如何进行运算的,接下里小编将具体进行介绍:

1. Numpy数组运算

Numpy数组运算(如根据布尔型数组进行过滤、标量乘法、应用数学函数等)都会保留索引和值之间的链接:

如:

@ In [7]: obj2[obj2>0]

@ In [8]: obj2*2

@ In [10]: np.exp(obj2)

2.可使用部分字典参数的函数

Series可被看成是索引值到数据值的一个映射。

In [14]: 'b' in obj2

Out[14]: True

3.通过字典创建Series

In [15]: sdata={'ohio':35000 'Texas':70000}

In [16]: obj3=Series(sdata)

In [17]: obj3

Out[17]:

Texas 70000

ohio 35000

dtype: int64

如果只传入一个字典,则结果Series中的索引就是原字典的键(有序排列)。

In [17]: sdata={'ohio':35000 'Texas':70000}

In [18]: states=['california' 'ohino']

In [19]: obj4=Series(sdata index=states)

In [20]: obj4

Out[20]:

california NaN

ohino NaN

dtype: float64

4.缺失数据表示及检测

NaN(非数字)在pandas中,它用于表示缺失或NA值。使用缺失(missing)或NA表示缺失数据。pandas的isnull和notnull函数可用于检测缺失数据。

  • isnull

In [21]: pd.isnull(obj4) #或obj4.isnull()

Out[21]:

california True

ohino True

dtype: bool

  • notnull

In [22]: pd.notnull(obj4) #或obj4.notnull()

Out[22]:

california False

ohino False

dtype: bool

5. Series自动对其不同索引的数据

对于许多应用而言,Series最重要的一个功能是:它在算数运算中会自动对齐不同索引的数据。

In [25]: obj3

Out[25]:

Texas 70000

ohio 35000

dtype: int64

In [26]: obj4

Out[26]:

california NaN

ohino NaN

dtype: float64

In [27]: obj3 obj4

Out[27]:

Texas NaN

california NaN

ohino NaN

ohio NaN

dtype: float64

数据对齐功能将在一个单独的主题中讲解。

6. name属性

该属性跟pandas其他的关键功能关系非常密切:

In [28]: obj4.name='pop'

In [29]: obj4.index.name='state'

In [30]: obj4

Out[30]:

state

california NaN

ohino NaN

Name: pop dtype: float64

7.通过赋值就地修改索引

Series的索引可以通过赋值的方式就地修改:

In [31]: obj4.index=['bob' 'lie']

In [32]: obj4

Out[32]:

bob NaN

lie NaN

Name: pop dtype: float64

「亲,如果笔记对您有帮助,收藏的同时,记得给点个赞、加个关注哦!感谢!」

「文中代码均亲测过,若有错误之处,欢迎批评指正,一起学习,一起成长!」

猜您喜欢: