전제 조건

방향

데이터 베이스

다른

세정(전처리)

전환하다

발췌

계산하다

데이터 분석

데이터 수집

차트

시트

단어

배열 및 행렬 연산

매우 효율적

차트, 시각화

이름의 유래

기능

고급 데이터 구조

단일 데이터 유형의 다차원 배열을 저장합니다.

기존 데이터에서 다차원 배열 만들기

특정 모양의 다차원 배열 만들기

숫자 범위에서 다차원 배열 만들기

응딤

모양

크기

dtype

항목 크기

목록과 동일

모양을 바꾸다(a,b)

반복(4, 축=1)

np.random.rand(2, 3)

np.random.randint(5, 크기 = (2, 3))

ndarray의 하위 클래스입니다.

행렬 만들기

행렬 속성

매트릭스 연산

ndarray 배열을 처리할 수 있는 함수를 직접 사용할 수 있습니다.

산수

비교 연산

논리 연산

서로 다른 모양의 배열 사이에서 산술 연산이 수행되는 방식을 나타냅니다.

원칙적으로

numpy.save(파일, arr,allow_pickle=True, fix_imports=True)

numpy.load(파일, mmap_mode=없음,allow_pickle=True, fix_imports=True, 인코딩='ASCII')

np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline=' ', header='', footer='', comments='# ')

numpy.loadtxt(FILENAME, dtype=int, delimiter=' ')

직접 정렬

간접 정렬

numpy.unique

캔버스 만들기

캔버스 만들기

선택된 서브플롯

X, Y축 설정

범례 추가(세부정보)

정의

만들다

기본 조작

공통 속성

일반적인 방법

정의

만들다

열 인덱스 작업

행 인덱스 작업

공통 속성

일반적인 방법

횡단

df.fillna(값=0)

df['왕자'].fillna(df['왕자'].mean())

df['도시']=df['도시'].map(str.strip)

df['도시']=df['도시'].str.lower()

df['가격'].astype(int)

모두 수정

부분 수정

중복 찾기: df.duplicated()는 각 행이 중복인지 여부를 나타내는 부울 배열을 반환할 수 있습니다.

삭제 후 나타나는 중복된 값

먼저 나타나는 중복 값 제거

기본 키 선택

df2=df.dropna(axis=0,how="all",inplace=False)

df['city'].replace('sh', '상하이')

pd=pd.merge(df,df1,how='inner') #일치, 병합, 교차점, 기본값 df_left=pd.merge(df,df1,how='왼쪽') df_right=pd.merge(df,df1,how='오른쪽') df_outer=pd.merge(df,df1,how='outer') #Union, 효과는 처음 두 조합과 동일

더 이상 사용되지 않으므로 concat을 사용하는 것이 좋습니다.

pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False,keys=None,levels=None,names=None,verify_integrity=False,copy=True)

변화

공분산

df = pd.DataFrame({ 'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'], 'B': [2, 8, 1, 4, 3, 2, 5, 9], 'C': [102, 98, 107, 104, 115, 87, 92, 123]})

방법

df = pd.DataFrame({' A': 목록('XYZXYZXYZX'), 'B': [1, 2, 1, 3, 1, 2, 3, 3, 1, 2], 'C': [12, 14, 11, 12, 13, 14, 16, 12, 10, 19]})

방법

df['추가점수'] = df['국적'].apply (람다 x : 5 if x != '汉' else 0)

df['pass_reading'] = df['읽기 점수'].apply (람다 x: x >= 60이면 '통과', 그렇지 않으면 '실패')

알파는 투명도입니다

CSV 읽기

엑셀에 쓰기

엑셀에 쓰기

CSV에 쓰기

날짜/시간 가져오기 현재 = datetime.datetime(2018,12,30, 15,30,59) 현재 인쇄, 유형(현재) d = 날짜시간.날짜(2018,12,30) 인쇄된 t = 날짜시간.날짜시간(2018,12,30).now() t를 인쇄하다

2018-12-30 15:30:59 <'datetime.datetime' 유형> 2018-12-30 2018-12-16 15:35:42.757826

날짜/시간 가져오기 cur0 = 날짜시간.날짜시간(2018,12,30, 15,30,59) 현재0을 인쇄하다 cur1 = cur0 datetime.timedelta(일 = 1) 현재 인쇄1 cur2 = cur0 datetime.timedelta(분 = 10) cur2 인쇄 cur3 = cur0 datetime.timedelta(분 = 29, 초 = 1) cur3 인쇄

2018-12-30 15:30:59 #현재0 2018-12-31 15:30:59 #cur1 2018-12-30 15:40:59 #cur2 2018-12-30 16:00:00 #cur3

datetime import datetime, timedelta에서 numpy를 np로 가져오기 팬더를 PD로 가져오기 b = 날짜/시간(2018,12,16, 17,30,55) vi = np.random.randn(60) 산업 = [] 범위(60)의 x에 대해: bi = b timedelta(분 = x) ind.append(bi) ts = pd.Series(vi, 인덱스 = ind) ts[:5] 인쇄

2018-12-16 17:30:55 -1.469098 2018-12-16 17:31:55 -0.583046 2018-12-16 17:32:55 -0.775167 2018-12-16 17:33:55 -0.740570 2018-12-16 17:34:55 -0.287118 dtype: float64

값을 정수로 표시되는 수량에 매핑합니다.

부동 소수점 숫자로 표현된 확률에 값을 매핑합니다.

위의 과정을 정규화(Normalization)라고 하는데, 즉 확률의 합이 1이 되는 것입니다.

PMF의 단점

CDF

백분위수 순위

CCDF(a) = P(X > a)= 1- CDF(a)

확률밀도함수

누적 분포 함수

대수 변환 후 값 집합이 정규 분포를 따르는 경우 이를 로그 정규 분포를 따른다고 합니다. 즉, log(x)를 사용하여 정규 분포에서 x를 대체합니다.

공분산은 관련 변수의 변화 추세가 동일한지 여부를 측정하는 데 사용할 수 있으며, 두 변수의 전체 오류를 측정하는 데에도 사용할 수 있습니다.

값과 단위는 해석하기 어렵기 때문에 일반적으로 덜 사용됩니다.

분산은 두 변수가 동일한 공분산의 특별한 경우로 볼 수 있습니다.

두 변수의 변화 추세가 일관된 경우, 즉 변수 중 하나가 자체 기대값보다 크고 다른 하나가 자체 기대값보다 큰 경우 두 변수 간의 공분산은 양수입니다.

두 변수의 변화 추세가 반대인 경우, 즉 한 변수는 자체 기대값보다 크고 다른 변수는 자체 기대값보다 작은 경우 두 변수 간의 공분산은 음수입니다.

적용 범위

원래 값을 표준 분수로 대체하고 두 표준 분수의 곱을 계산합니다.

Pearson 상관 계수라고 하며, 여기서 -1<=p<=1이고, p=1: 두 변수가 완전히 양의 상관관계가 있음을 나타냅니다. p=-1: 두 변수가 완전히 음의 상관관계가 있음을 나타냅니다.

적용 범위

먼저 시퀀스에 있는 값의 순위, 즉 시퀀스에 있는 특정 값의 정렬된 위치를 계산한 다음 순위의 피어슨 상관 계수를 계산합니다.

견본