Pandas和NumPy的比較

我們知道 Pandas 是在 NumPy 的基礎(chǔ)構(gòu)建而來，因此，熟悉 NumPy 可以更加有效的幫助我們使用 Pandas。

NumPy 主要用 C語言編寫，因此，在計算還和處理一維或多維數(shù)組方面，它要比 Python 數(shù)組快得多。關(guān)于 NumPy 的學(xué)習(xí)，可以參考《Python NumPy教程》。

創(chuàng)建數(shù)組

數(shù)組的主要作用是在一個變量中存儲多個值。NumPy 可以輕松地處理多維數(shù)組，示例如下:

import numpy as np
arr = np.array([2, 4, 6, 8, 10, 12])
print(type(arr))
print ("打印新建數(shù)組: ",end="")
#使用for循環(huán)讀取數(shù)據(jù) 
for l in range (0,5): 
    print (arr[l], end=" ")

輸出結(jié)果：

<class 'numpy.ndarray'>
打印新建數(shù)組: 2 4 6 8 10

雖然 Python 本身沒有數(shù)組這個說法，不過 Python 提供一個 array 模塊，用于創(chuàng)建數(shù)字、字符類型的數(shù)組，它能夠容納字符型、整型、浮點(diǎn)型等基本類型。示例如下：

import array
#注意此處的 'l' 表示有符號int類型 
arr = array.array('l', [2, 4, 6, 8, 10, 12])
print(type(arr))
print ("新建數(shù)組: ",end="") 
for i in range (0,5): 
    print (arr[i], end=" ") 

輸出結(jié)果：

<class 'array.array'>
新建數(shù)組: 2 4 6 8 10

布爾索引

布爾索引是 NumPy 的重要特性之一，通常與 Pandas 一起使用。它的主要作用是過濾 DataFrame 中的數(shù)據(jù)，比如布爾值的掩碼操作。

下面示例展示了如何使用布爾索引訪問 DataFrame 中的數(shù)據(jù)。

首先創(chuàng)建一組包含布爾索引的數(shù)據(jù)，如下所示：

import pandas as pd 
dict = {'name':["Smith", "William", "Phill", "Parker"],  
        'age': ["28", "39", "34", "36"]}  
info = pd.DataFrame(dict, index = [True, True, False, True])  
print(info)

輸出結(jié)果：

          name age
True     Smith  28
True   William  39
False    Phill  34
True    Parker  36

然后使用.loc訪問索引為 True 的數(shù)據(jù)。示例如下：

import pandas as pd   
dict = {'name':["Smith", "William", "Phill", "Parker"],  
        'age': ["28", "39", "34", "36"]}  
info = pd.DataFrame(dict, index = [True, True, False, True])
#返回所有為 True的數(shù)據(jù)     
print(info.loc[True]) 

輸出結(jié)果：

         name age
True    Smith  28
True  William  39
True   Parker  36

重塑數(shù)組形狀

在不改變數(shù)組數(shù)據(jù)的情況下，對數(shù)組進(jìn)行變形操作，即改變數(shù)組的維度，比如 2*3（兩行三列）的二維數(shù)組變維 3*2（三行兩列）的二維數(shù)組。變形操作可以通過 reshape() 函數(shù)實(shí)現(xiàn)。

示例如下：

import numpy as np 
arr = np.arange(16) 
print("原數(shù)組: \n", arr) 
arr = np.arange(16).reshape(2, 8) 
print("\n變形后數(shù)組:\n", arr) 
arr = np.arange(16).reshape(8 ,2) 
print("\n變形后數(shù)組:\n", arr)

輸出結(jié)果：

原數(shù)組:

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]

變形后數(shù)組:
[[ 0  1  2  3  4  5  6  7]
[ 8  9 10 11 12 13 14 15]]

變形后數(shù)組:
[[ 0  1]
[ 2  3]
[ 4  5]
[ 6  7]
[ 8  9]
[10 11]
[12 13]
[14 15]]

Pdans與NumPy區(qū)別

Pandas 和 NumPy 被認(rèn)為是科學(xué)計算與機(jī)器學(xué)習(xí)中必不可少的庫，因?yàn)樗鼈兙哂兄庇^的語法和高性能的矩陣計算能力。下面對 Pandas 與 NumPy 進(jìn)行簡單的總結(jié)，如下表所示：

轉(zhuǎn)換ndarray數(shù)組

在某些情況下，需要執(zhí)行一些 NumPy 數(shù)值計算的高級函數(shù)，這個時候您可以使用 to_numpy() 函數(shù)，將 DataFrame 對象轉(zhuǎn)換為 NumPy ndarray 數(shù)組，并將其返回。函數(shù)的語法格式如下：

?DataFrame.to_numpy(dtype=None, copy=False)   ?

參數(shù)說明如下：

• dtype：可選參數(shù)，表示數(shù)據(jù)類型；
• copy：布爾值參數(shù)，默認(rèn)值為 Fales，表示返回值不是其他數(shù)組的視圖。

下面使用示例，了解該函數(shù)的使用方法。示例 1：

info = pd.DataFrame({"P": [2, 3], "Q": [4.0, 5.8]})
#給info添加R列 
info['R'] = pd.date_range('2020-12-23', periods=2)
print(info)
#將其轉(zhuǎn)化為numpy數(shù)組 
n=info.to_numpy()
print(n)
print(type(n))

輸出結(jié)果：

[[2 4.0 Timestamp('2020-12-23 00:00:00')]
[3 5.8 Timestamp('2020-12-24 00:00:00')]]

可以通過 type 查看其類型，輸出如下：

?numpy.ndarray?

示例2：

import pandas as pd 
#創(chuàng)建DataFrame對象
info = pd.DataFrame([[17, 62, 35],[25, 36, 54],[42, 20, 15],[48, 62, 76]], 
columns=['x', 'y', 'z']) 
print('DataFrame\n----------\n', info) 
#轉(zhuǎn)換DataFrame為數(shù)組array
arr = info.to_numpy() 
print('\nNumpy Array\n----------\n', arr) 

輸出結(jié)果：

DataFrame
----------
     x   y   z
0  17  62  35
1  25  36  54
2  42  20  15
3  48  62  76

Numpy Array
----------
[[17 62 35]
[25 36 54]
[42 20 15]
[48 62 76]]