python数学建模之三大模型与十大常用算法详情_python_

''' 当使用Pandas做数据分析时，需要读取事先准备好的数据集，这是做数据分析的第一步。 Pandas提供了多种读取数据的方法： read_csv() 用于读取文本文件 read_excel() 用于读取文本文件 read_json() 用于读取json文件 read_sql_query()读取sql语句的 通用流程： 1-导入库import pandas as pd 2-找到文件所在位置（绝对路径=全称）（相对路径=和程序在同一个文件夹中的路径的简称） 3-变量名=pd.读写操作方法（文件路径，具体的筛选条件，...） ./ 当前路径 ../ 上一级 将csv中的数据转换为DataFrame对象是非常便捷。和一般文件读写不一样，它不需要你做打开文件、 读取文件、关闭文件等操作。相反，您只需要一行代码就可以完成上述所有步骤，并将数据存储在 DataFrame中。 ''' import pandas as pd # 输入参数：数据输入的路径【可以是文件路径，可以是URL，也可以是实现read方法的任意对象。】 df = pd.read_csv('s') print(df, type(df)) # Pandas默认使用utf-8读取文件 print() import pandas as pd lxw = open(r"t.csv", encoding='utf-8') print(pd.read_csv(lxw)) print() import os # 打印当前目录 print(os.getcwd()) 

# 1: import pandas as pd df = pd.read_csv('nba.csv') print(df) # 2: import pandas as pd df = pd.read_csv('nba.csv') # to_string() 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 ... 代替(如上） print(df.to_string()) # 3: import pandas as pd # 三个字段 name, site, age nme = ["Google", "Runoob", "Taobao", "Wiki"] st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"] ag = [90, 40, 80, 98] # 字典 dict = {'name': nme, 'site': st, 'age': ag} df = pd.DataFrame(dict) # 保存 dataframe print(df.to_csv('site.csv')) # 4: import pandas as pd df = pd.read_csv('正解1.csv') # head( n ) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行 # print(df.head()) # df.head(50).to_csv('site4.csv') df.tail(10).to_csv('site4.csv') print("over!") # 5: import pandas as pd df = pd.read_csv('nba.csv') # 读取前面 10 行 print(df.head(10)) # 6: import pandas as pd df = pd.read_csv('nba.csv') # tail( n ) 方法用于读取尾部的 n 行，如果不填参数 n ，默认返回 5 行，空行各个字段的值返回 NaN print(df.tail()) # 7: import pandas as pd df = pd.read_csv('nba.csv') # 读取末尾 10 行 print(df.tail(10)) # 8: import pandas as pd df = pd.read_csv('正解1.csv') # info() 方法返回表格的一些基本信息 print(df.info()) # non-null 为非空数据，我们可以看到上面的信息中，总共 458 行，College 字段的空值最多

import pandas as pd lxw = pd.read_csv('nba.csv') # 查看前几行数据 print(lxw.head()) # 查看索引列 print(lxw.index) # 查看列名列表 print(lxw.columns) # 查看数据的形状（返回行、列数） print(lxw.shape) # 查看每列的数据类型 print(lxw.dtypes) print() # 读取txt文件，自己指定分隔符、列名 fpath = 'D:\PyCharm\数学建模大赛\数据分析-上-2\Python成绩.csv' lxw = pd.read_csv( fpath, sep=',', header=None, names=['name', 'Python-score'] ) # print(lxw) lxw.to_csv('Python成绩2.csv') # 读取excel文件： import pandas as pd lxw = pd.read_excel('暑假培训学习计划.xls') print(lxw)

''' 1-Series： 一维数据，一行或一列 【Series是一种类似于一维数组的对象，它由一组数据（不同数据类型）以 及一组与之相关的数据标签（即索引）组成】 2-DataFrame:二维数据，整个表格，多行多列 ''' import pandas as pd # 1-1仅用数据列表即可产生最简单的Series lxw = pd.Series([1, 'a', 5.2, 6]) print(lxw) # 运行结果解说：左边为索引，右边为数据 # 获取索引 print(lxw.index) # 获取数据 print(lxw.values) print() # 1-2 创建一个具有索引标签的Series lxw2 = pd.Series([5, '程序人生6', 666, 5.2], index=['sz', 'gzh', 'jy', 'xy']) print(lxw2) print(lxw2.index) # 写入文件当中 lxw2.to_csv('gzh.csv') print() # 1-3 使用过Python字典创建Series lxw_ej = {'python': 390, 'java': 90, 'mysql': 90} lxw3 = pd.Series(lxw_ej) print(lxw3) # 1-4 根据标签索引查询数据 print(lxw3['java']) print(lxw2['gzh']) print(lxw2[['gzh', 'jy']]) print(type(lxw2[['gzh', 'jy']])) print(lxw[2]) print(type(lxw[2])) print() # 2 根据多个字典序列创建dataframe lxw_cj = { 'ps': [86, 92, 88, 82, 80], 'windows操作系统': [84, 82, 88, 80, 92], '网页设计与制作': [92, 88, 97, 98, 83] } df = pd.DataFrame(lxw_cj) # print(df) # df.to_excel('lxw_cj.xlsx') # 须提前安装好openxlsx,即pip install openpyxl[可在终端安装] print("over!") print(df.dtypes) print(df.columns) print(df.index) print() # 3-从DataFrame中查询Series ''' ·如果只查询一行、一列的话，那么返回的就是pd.Series ·如果查询多行、多列时，返回的就是pd.DataFrame ''' # 一列： print(df['ps']) print(type(df['ps'])) # 多列： print(df[['ps', 'windows操作系统']]) print(type(df[['ps', 'windows操作系统']])) print() # 一行： print(df.loc[1]) print(type(df.loc[1])) # 多行： print(df.loc[1:3]) print(type(df.loc[1:3]))

# DataFrame数据类型 ''' DataFrame是Pandas的重要数据结构之一，也是在使用数据分析过程中最常用的结构之一， 可以这么说，掌握了Dataframe的用法，你就 拥有了学习数据分析的基本能力。 ''' # 认识Dataframe结构： ''' Dataframe是一个表格型的数据结构，既有行标签，又有列标签，她也被称异构数据表，所谓 异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。 Dataframe的每一列数据都可以看成一个Series结构，只不过，Dataframe为每列数据值增加了 一个标签。因此Dataframe其实是从Series的基础上演变而来，并且他们有相同的标签，在数据分析 任务中Dataframe的应用非常广泛，因此描述数据的更为清晰、直观。 同Series一样，Dataframe自带行标签索引，默认为“隐式索引”。 当然，你也可以用“显式索引”的方式来设置行标签。 ''' # 特点： ''' Dataframe 每一列的标签值允许使用不同的数据类型； Dataframe 是表格型的数据结构，具有行和列； Dataframe 中的每个数据都可以被修改 Dataframe 结构的行数、列数允许增加或者删除 Dataframe 有两个方向的标签轴，分别是行标签和列标签 Dataframe 可以对行和列执行算术运算 ''' # DataFrame 构造方法如下： # pandas.DataFrame( data, index, columns, dtype, copy) ''' data：输入的数据，可以是ndarray, series, list, dict, 标量以及一个Dataframe； index：行标签，如果没有传递index值，则默认行标签是RangeIndex(0, 1, 2, ..., n)代表data的元素个数； columns：列标签，如果没有传递columns值，则默认列标签是RangIndex（0, 1, 2, ..., n)； dtype:要强制的数据类型，只允许使用一种数据类型，如果没有，自行推断； copy:从输入复制数据。对于dict数据, copy=True, 重新复制一份。对于Dataframe或者ndarray输入，类似于copy=False,它用的是试图。 ''' # 1: 使用普通列表创建 import pandas as pd lxw = [5, 2, 1, 3, 1, 4] df = pd.DataFrame(lxw) df2 = pd.Series(lxw) print(df) print(df2) print() # 2:使用嵌套列表创建 import pandas as pd lxw = [['lxw', 21], ['cw', 23], ['tzs', 22]] df3 = pd.DataFrame(lxw, columns=['Name', 'Age']) print(df3) # 指定数值元素的数据类型为float # 注：dtype只能设置一个，设置多个列的数据类型，需要使用其他公式 print() # 分配列标签注意点 import pandas as pd # 分配列标签 lxw2 = [['lxw', '男', 21, 6666], ['cw', '女', 22, 6520], ['ky', '女', 20, 5200], ['tzs', '男', 22, 6523]] # int满足某列特征，会自动使用，不满足，则会自动识别 df = pd.DataFrame(lxw2, columns=['Name', 'xb', 'age', 'gz'], dtype=int) print(df) print(df['Name'].dtype) print() # ~字典创建： import pandas as pd lxw3 = [{'a': 1, 'b': 2}, {'a': 5, 'b': 8, 'c': 9}] df = pd.DataFrame(lxw3, index=['first', 'second']) print(df) # 注：如果其中某些元素缺失，也就是字典的key无法找到对应的value将使用NaN代替 print() # 使用列表嵌套字典创建一个DataFrame对象 import pandas as pd # lxw3 df1 = pd.DataFrame(lxw3, index=['first', 'second'], columns=['a', 'b']) df2 = pd.DataFrame(lxw3, index=['first', 'second'], columns=['a', 'b2']) print(df1) print("============================================") print(df2)

import pandas as pd data = [['lxw', 10], ['wink', 12], ['程序人生6', 13]] df = pd.DataFrame(
                
提示：
                    本文由神整理自网络，如有侵权请联系本站删除！
                    

                    本站声明： 

                    1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持； 

                    2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！
                
                

                

                                            
上一篇：Python  中的pass语句语法详析_python_
                                                                
下一篇：python数学建模之Numpy 应用介绍与Pandas学习_python_