文章目录
matplotlib补充内容
柱状图---bar()
语法格式如下：
ax.bar(x,height, width=0.8, bottom=None, align='center', **kwargs)参数说明
-
x: 柱状图的 X 轴位置。 ---数据格式：列表
-
height: 柱状图的高度。 ---数据格式：列表
-
width: 柱状图的宽度，默认为 0.8。
-
bottom: 柱状图的底部位置，默认为 0。即柱状图在y轴上记数的起始位置
-
align: 柱状图的对齐方式，可以是 'center'（居中对齐）或 'edge'（边缘对齐）。
-
**kwargs: 其他可选参数，用于定制柱状图的外观，如 color、edgecolor、linewidth 等。
def plt_bar():
x = [1,2,3,4,5,6]
y = [100,50,200,350,240,190]
fig, axs = plt.subplots()
# bar()：柱状图
# 参数：
# x：x轴的数据，格式是列表
# height：y轴的数据，格式是列表
# width：柱子的高度，范围在0~1
# bottom：柱状图的底部位置，默认为 0。
# align：柱子的对齐方式，center、edge
axs.bar(x,y,bottom=100)
plt.show()
# 柱状图的堆叠
def plt_bar_v2():
x = [1,2,3,4,5,6]
y1 = [30,40,25,60,18,45]
y2 = [10,15,9,21,23,10]
# 柱状图的堆叠，通过设置bottom
plt.bar(x,y1,color='lightgreen')
plt.bar(x,y2,bottom=y1,color ='skyblue')
plt.show()
# 多个柱状图
def plt_bar_v3():
# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 计算柱状图的位置
x = np.arange(len(categories))
width = 0.35
# 绘制第一个数据集的柱状图
ax.bar(x - width / 2, values1, width, color='skyblue', label='Values 1')
# 绘制第二个数据集的柱状图
ax.bar(x + width / 2, values2, width, color='lightgreen', label='Values 2')
plt.show()直方图---hist()
语法格式如下：
ax.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, **kwargs)参数说明
-
x: 数据数组。
-
bins: 直方图的柱数，可以是整数或序列。
-
range: 直方图的范围，格式为 (min, max)。
-
density: 是否将直方图归一化，默认为 False。
-
weights: 每个数据点的权重。
-
cumulative: 是否绘制累积直方图，默认为 False。
-
**kwargs: 其他可选参数，用于定制直方图的外观，如 color、edgecolor、linewidth 等。
# 生成随机数据，生成均值为 0，标准差为 1 的标准正态分布的随机样本
data = np.random.randn(1000)
fig, axs = plt.subplots()
axs.hist(data, bins=60)
plt.show()
饼图---pie()
语法格式如下：
ax.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=0, **kwargs)参数说明
-
x: 数据数组，表示每个扇区的占比。
-
explode: 一个数组，表示每个扇区偏离圆心的距离，默认为 None。
-
labels: 每个扇区的标签，默认为 None。
-
colors: 每个扇区的颜色，默认为 None。
-
autopct: 控制显示每个扇区的占比，可以是格式化字符串或函数，默认为 None。
-
shadow: 是否显示阴影，默认为 False。
-
startangle: 饼图的起始角度，默认为 0。
-
**kwargs: 其他可选参数，用于定制饼图的外观。
x = [20,30,25,40]
label = ['A','B','C','D']
fig, axs = plt.subplots()
# pie()：绘制饼图
# 参数：
# x：数据数组
# labels：数据对应的标签名称
# autopct：是否自动显示百分比
# startangle：饼图的起始位置
axs.pie(x,labels=label, startangle=90)
plt.show()折线图---plot()
绘制折线图只需用上文python---matplotlib库-CSDN博客普通绘制图形的plot()函数就行，此处不再赘述。
散点图---scatter()
语法格式如下：
ax.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)参数说明
-
x: X 轴数据。
-
y: Y 轴数据。
-
s: 点的大小，可以是标量或数组。
-
c: 点的颜色，可以是标量、数组或颜色列表。
-
marker: 点的形状，默认为 'o'（圆圈）。
-
cmap: 颜色映射，用于将颜色映射到数据。
-
norm: 归一化对象，用于将数据映射到颜色映射。
-
vmin, vmax: 颜色映射的最小值和最大值。
-
alpha: 点的透明度，取值范围为 0 到 1。
-
linewidths: 点的边框宽度。
-
edgecolors: 点的边框颜色。
-
**kwargs: 其他可选参数，用于定制散点图的外观。
eg：
x = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = [
[120,132,101,134,90,230,210],
[220,182,191,234,290,330,310]
]
y0 = data[0]
y1 = data[1]
fig, axs = plt.subplots()
# scatter()：散点图
# 参数：
# x：x轴数据
# y：y轴数据
axs.scatter(x, y0, color='red')
axs.scatter(x, y1, color='green')
plt.show()图片读取***---imread()
参数说明
-
fname: 图像文件的路径（字符串）。 -
format: 图像格式（可选）。如果未指定，imread会根据文件扩展名自动推断格式
返回值说明
-
返回一个 NumPy 数组，表示图像的像素数据。数组的形状取决于图像的格式：
-
对于灰度图像，返回一个二维数组
(height, width)。 -
对于彩色图像，返回一个三维数组
(height, width, channels)，其中channels通常是 3（RGB）或 4（RGBA）。
-
# 此处获取文件路径需额外引入os库
import os
filepath = os.path.dirname(__file__)
print(filepath)
filepath = os.path.join(filepath, 'leaf.png')
print(filepath)
filepath = os.path.relpath(filepath)
print(filepath)
# imread():读取图片，生成多维数组
data = plt.imread(filepath)
print(data.shape)
print(data)
# data = data + 0.1
print(data)
# imshow():将数组显示为图片
plt.imshow(data)
plt.show()
data1 = np.transpose(data, (2, 0, 1))
for i in data1:
plt.imshow(i)
plt.show()
# imsave(): 将数组保存为图片
plt.imsave('leaf1.png', i)
pandas库（篇1）
引入库
import pandas as pd
import numpy as np
内置数据结构
Pandas 在 ndarray 数组（NumPy 中的数组）的基础上构建出了两种不同的数据结构，分别是 Series（一维数据结构）、DataFrame（二维数据结构）：
-
Series 是带标签的一维数组，这里的标签可以理解为索引，但这个索引并不局限于整数，它也可以是字符类型，比如 a、b、c 等
-
DataFrame 是一种表格型数据结构，它既有行标签，又有列标签
| 数据结构 | 维度 | 说明 |
|---|---|---|
| Series | 1 | 该结构能够存储各种数据类型，比如字符数、整数、浮点数、Python 对象等，Series 用 name 和 index 属性来描述数据值。Series 是一维数据结构，因此其维数不可以改变 |
| DataFrame | 2 | DataFrame 是一种二维表格型数据的结构，既有行索引，也有列索引。行索引是 index，列索引是 columns。 在创建该结构时，可以指定相应的索引值 |
Series
创建series对象
其语法格式如下：
pd.Series(data,index,dtype)参数说明
- data：一组数据（ndarray 类型）
- index：数据索引标签，如果不指定，默认从 0 开始
- dtype：数据类型，默认会自己判断 copy：表示对 data 进行拷贝，默认为 False
1、创建series空对象
eg：
# 创建一个空series对象
s = pd.Series(dtype=np.int32)
print(s)2、通过列表创建series对象
eg：
# 通过python列表创建series
s = pd.Series([1,2,3,4,5,6])
print(s)
# 指定index标签
index = ['a','b','c','d','e']
s = pd.Series([3,4,5,6,7],index=index)
print(s)
3、通过ndarray创建series对象
eg:
# 通过ndarray创建series对象
arr = np.array([1,2,3,4,5])
s = pd.Series(arr)
print(s)4、通过字典创建series对象
eg：
# 通过字典创建series，字典中的key是value的标签
dict01 = {'id':1, 'name':'zhangsan', 'age':20}
s = pd.Series(dict01)
print(s)5、通过标量创建series对象
eg：
# 通过标量创建series
s = pd.Series(5)
print(s)
s = pd.Series(5,index=[1,2,3,4,5])
print(s)注：虽然对series对象的数据索引传递了5个值，而对应的值只传递了一个标量，但是会类似于数组广播，会自动将该标量值同时赋给所有的数据索引
访问series数据
通过标签名来获取元素、修改元素
eg：
s = pd.Series([10,20,30], index=['a','b','c'])
print(s)
# 根据标签名来获取元素、修改元素
b = s['b']
print(b)
s['a'] = 100
print(s)
# 根据数组下标获取元素、修改元素 # 不过用此方法会出现警告
b1 = s[1]
print(b1)
s[1] = 200
print(s)
series常用属性
| 名称 | 属性 |
|---|---|
| axes | 以列表的形式返回所有行索引标签 |
| dtype | 返回对象的数据类型 |
| empty | 返回一个布尔值，用于判断数据对象是否为空 |
| ndim | 返回输入数据的维数 |
| size | 返回输入数据的元素数量 |
| values | 以 ndarray 的形式返回 Series 对象 |
| index | 返回一个RangeIndex对象，用来描述索引的取值范围 |
series常用方法
head() 和 tail()
作用：查看 series 的某一部分数据。其中 head() 返回前 n 行数据，默认显示前 5 行数据，tail() 返回后 n 行数据，默认为后 5 行
isnull() 和 notnull()
作用：用于检测 Series、DataFrame 中的缺失值。
-
isnull()：如果为值不存在或者缺失，则返回 True
-
notnull()：如果值不存在或者缺失，则返回 False
eg：
s = pd.Series([1,2,3,4,5])
# head()：获取前n行数据，默认n=5
print(s.head(3))
# tail()：获取后n行数据，默认n=5
print(s.tail(3))
s1 = pd.Series([1,2,3,4,None])
# isnull()：判断series对象中的元素是否为空，如果为空返回True，否则返回False
print(s1.isnull())
# notnull()：判断series对象中的元素是否为空，如果不为空返回True，否则返回False
print(s1.notnull())
DataFrame
Dataframe和Series的关系：
在 Pandas 中，DataFrame 的每一行或每一列都是一个 Series。
DataFrame 是一个二维表格，可以看作是由多个 Series 组成的。
如何区分行和列的 Series：
列的 Series：
-
标签是行索引。
-
值是该列的所有行数据。
行的Series：
-
标签是列名。
-
值是该行的所有列数据。
df = pd.DataFrame({'id':[1,2,3], 'name':['zhangsan','lisi','wangwu'], 'age':[20,21,22]})
print(df)
# DataFrame某一列的series对象：标签名是DataFrame的行标签
print(df['id'])
print('-----------------------------')
# DataFrame某一行的series对象：标签名是DataFrame的列标签
print(df.iloc[0])创建DataFrame对象
其语法格式如下：
pd.DataFrame( data, index, columns, dtype, copy)参数说明
- data：一组数据（ndarray、series, map, lists, dict 等类型）
- index：索引值，或者可以称为行标签
- columns：列标签，默认为 RangeIndex （0, 1, 2, …, n）
- dtype：数据类型
- copy：默认为 False，表示复制数据 data
1、创建DataFrame空对象
# 创建DataFrame空对象
df = pd.DataFrame()
print(df)2、通过列表创建DataFrame对象
# 通过列表创建DataFrame
df = pd.DataFrame([1,2,3])
print(df)
# 指定列索引名称
df = pd.DataFrame([1,2,3],columns=['A'])
print(df)
3、通过列表嵌套列表（二维数组）创建DataFrame对象
# 通过二维数组创建DataFrame
data = [['A',1], ['B',2], ['C',3]]
# 指定列索引和行索引，指定列/行索引时要注意索引元素个数要和索引的元素个数一致
df = pd.DataFrame(data, columns=['name','age'],index=['a','b','c'])
print(df)4、通过列表嵌套字典创建DataFrame对象
# 通过列表嵌套字典创建DataFrame
# 如果字典中有字段缺失，则默认填充Nan(not a number)
data = [{'name':'zhangsan','age':20},{'name':'lisi','age':21,'sex':'男'}]
df = pd.DataFrame(data)
print(df)5、通过字典嵌套列表创建DataFrame对象
# 通过字典嵌套列表创建DataFrame
data = {'name':['zhangsan','lisi'], 'age':[20,30]}
df = pd.DataFrame(data)
print(df)6、通过series对象创建DataFrame对象
# 通过series对象创建DataFrame
# DataFrame默认使用series对象中的索引标签作为DataFrame的行索引
# 需要指定DataFrame的行标签索引时，要在Series()中指定
data = {'name':pd.Series(['zhangsan','lisi'], index=['a','b']), 'age':pd.Series([10,20], index=['a','b'])}
df = pd.DataFrame(data)
print(df)
列索引操作
DataFrame 可以使用列索（columns index）引来完成数据的选取、添加和删除操作
获取数据
df = pd.DataFrame({'name':['zhangsan','lisi'], 'age':[20,30], 'id':[1,2]})
# 根据列名获取某一列的数据，结果是列的series对象
s = df['name']
print(s)
# 将series对象转换为python列表
print(list(s))添加数据
df = pd.DataFrame({'name':['zhangsan','lisi'], 'age':[20,30], 'id':[1,2]})
# 添加一列空数据，在df中要制定新列名：df['sex']
df['sex'] = None
print(df)
# 添加一列数据，数据格式可以时python列表，也可以是series对象
df['sex'] = ['男','女']
print(df)
# assign(key=values)：添加新列，key作为DataFrame的列名，values作为DataFrame的列值，可以链式调用
df = df.assign(address=['四川省', '重庆市']).assign(password=['123456', '654321'])
print(df)
# insert()：在指定位置插入一个新列
# 参数：
# loc：新列要插入的位置
# column：要插入的新列名
# value：要插入的新列的值，可以是列表，也可以是series对象
df.insert(1,'tel',['123456789', '987654321'])
print(df)修改数据
df = pd.DataFrame({'name':['zhangsan','lisi'], 'age':[20,30], 'id':[1,2]})
# 修改列，通过已存在的列名进行直接赋值即可修改该列的数据
df['age'] = [40,50]
print(df)
# 对某一列进行算术运算，然后再重新赋值给该列
df['age'] = df['age'] - 10
print(df)
# 通过直接赋值来修改列名
df.columns = ['A','B','C']
print(df)
# 通过rename()方法修改列名
# 参数：
# columns：指定新列名，格式：字典类型，key为原列名，value为新列名
df = df.rename(columns={'A':'name','B':'age','C':'id'})
print(df)
print(df['age'].dtype)
# astype()：修改某一列的数据类型
df['age'] = df['age'].astype('str')
print(df['age'].dtype)删除数据
df = pd.DataFrame({'name':['zhangsan','lisi'], 'age':[20,30], 'id':[1,2]})
# drop():删除方法，既可以删除行，也可以删除列
# 参数：
# labels：要删除的列/行标签
# axis：指定按行或按列删除，axis=0，表示按行删除；axis=1，表示按列删除，默认为0
# inplace：是否原地修改，如果为True，则在原数据上进行删除；如果为False，则先备份一个副本，然后在副本上进行删除，默认为False
df1 = df.drop(['id','age'],axis=1)
print(df1)
df.drop(['id'],axis=1,inplace=True)
print(df)
扫一扫
1002
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
