【Python】数据分析:numpy文本数据读取+索引切片

简介: 【Python】数据分析:numpy文本数据读取+索引切片

1-1 数据导入和数组转置

  • np.loadtxt(framme,dtype='dataType',delimmiter='分隔符',skiprows=''(跳过的行数'),usecols=''需要用到的行数',unpack='Ture/Flase(是否转置)':加载文本文件数据
    V4V1P%[LEG[}[H1]5GTZ}85.png

loadtxt参数意义.png

  • numpy数组转置的是4种方法
  • np.loadtxt中的参数unpack值设置为TRUE
  • 使用数组的.T属性进行转置
  • 使用数组的transpose()方法进行转置
  • 使用numpy数组的swapaxes方法

实例如下:

import numpy as np
filepath = './doubantop250.csv'
t1 = np.loadtxt(filepath,usecols=(1,2,3),delimiter=',',dtype='float')
print(t1)
# 转置的四种方式
# first method:Set the value of parameter "unpack" —— True
t2 = np.loadtxt(filepath,usecols=(1,2,3),delimiter=',',dtype='float',unpack=True)
# second method: use the '.T' attributions of array's
t3 = t1.T
print(t3)
# third method: use the method of 'transpose'
t4 = t1.transpose()
print(t4)
# forth method: swapaxes(arguments:axes needed swapped)
t5 = t1.swapaxes(0,1)
print(t5)

运行结果:

({WK8CH9RB5F1}WS27`BTT7.png

运行结果.png

1-2 numpy数组索引与切片

import numpy as np
filename = './doubantop250.csv'
t1 = np.loadtxt(filename,delimiter=',',dtype='float',usecols=(1,2,3))
# print(t1)
# 取行操作
print(t1[0])
print(t1[0,:])
# 取连续的多行
print(t1[3:])
print(t1[3:,:])
# 取不连续的多行
print(t1[[1,3,13,19]])
print(t1[[1,2,4,6],:])
# 取列
print(t1[:,0])
# 取连续的列
print(t1[:,2:])
# 取不连续的列
print(t1[:,[1,2]])
# 取第2-5行,2-3列
# 取多个位置的交叉数据
print(t1[1:5,1:3])
# 取不相邻的位置的数据信息
print(t1[[1,4,6],[0,1,2]])

import numpy as np
filepath = './doubantop250.csv'
t1 = np.loadtxt(filepath,delimiter=',',usecols=(1,2,3))
print(t1<9.5)
t1[t1 < 9.5] = 0
print(t1[:,1])
# if-else操作
np.where(t1>=9.6,10,0)
print(t1)
# clip(m,n)把数组中小于m的替换成m,大于n的替换成n
目录
相关文章
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
72 2
|
4月前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
99 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
4月前
|
数据采集 数据挖掘 API
Python数据分析加速器:深度挖掘Pandas与NumPy的高级功能
在Python数据分析的世界里,Pandas和NumPy无疑是两颗璀璨的明星,它们为数据科学家和工程师提供了强大而灵活的工具集,用于处理、分析和探索数据。今天,我们将一起深入探索这两个库的高级功能,看看它们如何成为数据分析的加速器。
67 1
|
4月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--进阶
Python数据分析篇--NumPy--进阶
39 0
|
4月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--入门
Python数据分析篇--NumPy--入门
69 0
|
6月前
|
机器学习/深度学习 数据可视化 API
Python Numpy 切片和索引(高级索引、布尔索引、花式索引)
Python Numpy 切片和索引(高级索引、布尔索引、花式索引)
70 3
|
6月前
|
数据采集 数据挖掘 数据处理
Python数据分析:Numpy、Pandas高级
在上一篇博文中,我们介绍了Python数据分析中NumPy和Pandas的基础知识。本文将深入探讨NumPy和Pandas的高级功能,并通过一个综合详细的例子展示这些高级功能的应用。
|
6月前
|
数据采集 数据挖掘 数据处理
Python数据分析:Numpy、Pandas基础
本文详细介绍了 Python 中两个重要的数据分析库 NumPy 和 Pandas 的基础知识,并通过一个综合的示例展示了如何使用这些库进行数据处理和分析。希望通过本篇博文,能更好地理解和掌握 NumPy 和 Pandas 的基本用法,为后续的数据分析工作打下坚实的基础。
|
7月前
|
索引 Python
NumPy 教程 之 NumPy 切片和索引 7
NumPy 切片和索引用于访问和修改 `ndarray` 对象。类似于 Python 的列表切片, 使用索引 `[0-n]` 和切片 `slice(start, stop, step)` 或简写为 `[start:stop:step]` 来提取元素。单个索引 `[n]` 获取单个元素, `[n:]` 获取从 `n` 开始的所有元素, `[n:m]` 获取 `n` 至 `m-1` 的元素。省略号 `...` 保持选择维度与数组一致, 如 `a[...,1]` 获取所有第二列, `a[1,...]` 获取第二行, `a[...,1:]` 获取所有第二列及之后的元素。
43 4
|
7月前
|
索引 Python
NumPy 教程 之 NumPy 切片和索引 4
NumPy 切片和索引允许访问和修改 `ndarray` 对象的内容。类似于 Python 的列表切片, 可以使用 `start:stop:step` 形式的索引, 其中省略号代表默认值。
31 3

热门文章

最新文章