先從Numpy開始。Numpy是?于科學計算的Python語?擴展包，通常包含強?的N維數組對象、復雜函數、?于整合C/C++和Fortran代碼的?具以及有?的線性代數、傅?葉變換和隨機數?成能?。airpassengers數據集_加速數據分析，這12種?效Numpy和Pandas函數為。。。選?TowardsDataScience作者：KunalDhariwal機器之?編譯參與：Jamin、杜偉、張倩我們都知道，Numpy是Python環境下的擴展程序庫，?持?量的維度數組和矩陣運算；Pandas也是Python環境下的數據操作和分析軟件包，以及強?的數據分析庫。?者在?常的數據分析中都發揮著重要作?，如果沒有Numpy和Pandas的?持，數據分析將變得異常困難。但有時我們需要加快數據分析的速度，有什么辦法可以幫助到我們嗎？在本?中，數據和分析?程師KunalDhariwal為我們介紹了12種Numpy和Pandas函數，這些?效的函數會令數據分析更為容易、便捷。最后，讀者也可以在GitHub項?中找到本?所?代碼的JupyterNotebook.Numpy的6種?效函數除了上?這些明顯的?途，Numpy還可以?作通?數據的?效多維容器(container)，定義任何數據類型。這使得Numpy能夠實現??與各種數據庫的?縫、快速集成。接下來??解析6種Numpy函數。argpartition()借助于argpartition()，Numpy可以找出N個最?數值的索引，也會將找到的這些索引輸出。然后我們根據需要對數值進?排序。x=np.array([12,10,12,0,6,8,9,1,16,4,6,0])index_val=np.argpartition(x,-4)[-4:]index_valarray([1,8,2,0],dtype=int64)np.sort(x[index_val])array([10,12,1allclose()allclose()?于匹配兩個數組，并得到布爾值表?的輸出。如果在?個公差范圍內(withinatolerance)兩個數組不等同，則allclose()返回False。該函數對于檢查兩個數組是否相似?常有?。array1=np.array([0.12,0.17,0.24,0.29])array2=np.array([0.13,0.19,0.26,0.31])#withatoleranceof0.1,itshouldreturnFalse:np.allclose(array1,array2,0clip()Clip()使得?個數組中的數值保持在?個區間內。有時，我們需要保證數值在上下限范圍內。為此，我們可以借助Numpy的clip()函數實現該?的。給定?個區間，則區間外的數值被剪切?區間上下限(intervaledge)。x=np.array([3,17,14,23,2,2,6,8,1,2,16,0])np.clip(x,2,5)array([3,5,5,5,2,2,5,5,2,2,5,2])extract()顧名思義，extract()是在特定條件下從?個數組中提取特定元素。借助于extract()，我們還可以使?and和or等條件。#Randomintegersarray=np.random.randint(20,size=12)arrayarray([0,1,8,19,16,18,10,11,2,13,14,3])#Divideby2andcheckifremainderis1where()Where()?于從?個數組中返回滿?特定條件的元素。?如，它會返回滿?特定條件的數值的索引位置。Where()與SQL中使?的wherecondition類似，如以下?例所?：y=np.array([1,5,6,8,1,7,3,6,9])#Whereyisgreaterthan5,returnsindexpositionnp.where(y>5)array([2,3,5,7,8],dtype=int64),)#Firstwillreplacethevapercentile()Percentile()?于計算特定軸?向上數組元素的第n個百分位數。a=np.array([1,5,6,8,1,7,3,6,9])print("50thPercentileofa,axis=0:",np.percentile(a,50,axis=0))50thPercentileofa,axis=0:6.0b=np.array([[10這就是Numpy擴展包的6種?效函數，相信會為你帶來幫助。接下來看?看Pandas數據分析庫的6種函數。Pandas數據統計包的6種?效函數Pandas也是?個Python包，它提供了快速、靈活以及具有顯著表達能?的數據結構，旨在使處理結構化(表格化、多維、異構)和時間序列數據變得既簡單?直觀。Pandas適?于以下各類數據:具有異構類型列的表格數據，如SQL表或Excel表；有序和?序(不?定是固定頻率)的時間序列數據；帶有?/列標簽的任意矩陣數據(同構類型或者是異構類型)；其他任意形式的統計數據集。事實上，數據根本不需要標記就可以放?Pandas結構中。Pandas擅長處理的類型如下所?：容易處理浮點數據和?浮點數據中的缺失數據(?NaN表?)；??可調整性:可以從DataFrame或者更?維度的對象中插?或者是刪除列；顯式數據可?動對齊:對象可以顯式地對齊??組標簽內，或者?戶可以簡單地選擇忽略標簽，使Series、DataFrame等?動對齊數據；靈活的分組功能，對數據集執?拆分-應?-合并等操作，對數據進?聚合和轉換；簡化將數據轉換為DataFrame對象的過程，?這些數據基本是Python和NumPy數據結構中不規則、不同索引的數據；基于標簽的智能切?、索引以及?向?型數據集的?設定；更加直觀地合并以及連接數據集；更加靈活地重塑、轉置(pivot)數據集；軸的分級標記(可能包含多個標記)；具有魯棒性的IO?具，?于從平??件(CSV和delimited)、Excel?件、數據庫中加在數據，以及從HDF5格式中保存/加載數據；時間序列的特定功能:數據范圍的?成以及頻率轉換、移動窗?統計、數據移動和滯后等。read_csv(nrows=n)?多數?都會犯的?個錯誤是，在不需要.csv?件的情況下仍會完整地讀取它。如果?個未知的.csv?件有10GB，那么讀取整個.csv?件將會?常不明智，不僅要占??量內存，還會花很多時間。我們需要做的只是從.csv?件中導???，之后根據需要繼續導?。importioimportrequests#Iamusingthisonlinedatasetjusttomakethingseasierforyouguysurl="/vincentarelbundock/Rdatasetsmap()map()函數根據相應的輸?來映射Series的值。?于將?個Series中的每個值替為換另?個值，該值可能來??個函數、也可能來?于?個dict或Series。#createadataframedframe=pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['India','USA','China','Russia'])#computeaformattedstrapply()apply()允許?戶傳遞函數，并將其應?于Pandas序列中的每個值。#maxminusmixlambdafnfn=lambdax:x.max()-x.min()#Applythisondframethatwe'vejustcreatedabovedframe.apply(fn)isin()lsin()?于過濾數據幀。Isin()有助于選擇特定列中具有特定(或多個)值的?。#Usingthedataframewecreatedforread_csvfilter1=df["value"].isin([112])filter2=df["time"].isin([1949.000000])df[filter1&filter2]copy()Copy()函數?于復制Pandas對象。當?個數據幀分配給另?個數據幀時，如果對其中?個數據幀進?更改，另?個數據幀的值也將發?更改。為了防?這類問題，可以使?copy()函數。#creatingsampleseriesdata=pd.Series(['India','Pakistan','China','Mongolia'])#Assigningissuethatwefacedata1=data#Changeavaluedata1[0]='USAselect_dtypes()select_dtypes()的作?是，基于dtypes的列返回數據幀列的?個?集。這個函數的參數可設置為包含所有擁有特定數據類型的列，亦或者設置為排除具有特定數據類型的列。#We'llusethesamedataframethatweusedforread_csvframex=df.select_dtypes(include="float64")#Returnsonlytimecolumn最后，pivot_tabl