精华内容
下载资源
问答
  • conda 调整pandas版本
    千次阅读
    2021-03-06 02:16:56

    开发环境的搭建是一件入门比较头疼的事情,在上期的文稿基础上,增加一项Anaconda的安装介绍。Anaconda是Python的一个发行版本,安装好了Anaconda就相当于安装好了Python,并且里面还集成了很多Python科学计算的第三方库。比如我们需要用到的Pandas、numpy、dateutil等等,高达几百种。因此,安装了Anaconda,就不需要再专门的一个个安装第三方库。只要在使用Pycharm时调用Anaconda环境,便可以方便的使用其中的各种库。且各个库之间的依赖性很好,对于我们来讲可以大大简化安装流程。

    其实在Windows下安装Python、Anaconda和pandas都比较简单,Python只需要去Python的网站下载下来安装包,然后下一步下一步这么点下去就好了,而pandas呢只要安装Pycharm这个工程软件,就可以了。这里简单介绍一下pandas,pandas是Python下面的一个package,专门用于金融数据的分析,是非常好用的金融分析工具,深入学习pandas,你就知道pandas简直就是为金融分析而量身定做,下边网页是pandas的简单入门介绍http://pandas.pydata.org/pandas-docs/stable/10min.html

    下面主要介绍的内容:

    1.Python的安装

    2.Pycharm的安装、创建、运行Python程序

    3.pandas的安装

    4.补充Anaconda的安装

    *这里因为写作时间的原因,才写成了这个顺序,正确的安装顺序请调整为1→4→2(如果装了第4步,就应该不需要看第3步)。

    1.Python安装

    从Python官网( https://www.py

    更多相关内容
  • 其次,执行:conda install numpy 和conda install pandas 及进行安装。 二、基础 普通矩阵转化为numpy的:array=np.array([ [1,2,3 ][2,3,4 ]]) 还可以设置其格式:np.array([2,3],dtype=np.int) 输出矩阵的维度...

    优点:可以进行矩阵运算,比一个一个算更快。

    一、NumPy

    一、安装

    1. 首先安装anaconda,详见安装
    2. 其次,执行:conda install numpy 和conda install pandas 及进行安装。

    二、基础

    1. 普通矩阵转化为numpy的:array=np.array([ [1,2,3 ][2,3,4 ]]) 还可以设置其格式:np.array([2,3],dtype=np.int)
    2. 输出矩阵的维度:array.ndim 上例中是2
    3. 输出矩阵的形状:array.shape 上例中是(2,3)
    4. 输出矩阵大小:array.size 上例中是6
    5. 输出矩阵形式:array.dtype 上例中是int64
    6. 生成全零矩阵:a=np.zeros( (3,4) ) 生成一个三行四列的矩阵,注意大小一定要用括号括住!
    7. 生成全部为1的矩阵:np.ones( () )
    8. 生成什么都没有的矩阵(数据接近于零):np.empty( () )
    9. 生成有序矩阵:np.arange( 10,20 ,2) 分别表示起始值(默认为0)、终止值(最终不包含)、步长(默认为1)
    10. 还可以用:np.arange(12)
    11. 重新定义形状:np.reshape( (3,4) )
    12. 生成一个线段:np.linspace(1, 10, 5) 从第一个数开始到最后一个数(包含)生成一个被分成了最后一个数表示的段数的矩阵,[1. 3.25 5.5 7.75 10.]
    13. 生成一个随机矩阵:np.random.randn( () ) 在random模块下的randn

    三、基础运算

    一、一维
    1. 加+、减-、乘*、除/:逐个相运算
    2. 平方**: 逐个平方
    3. sin:逐个求sin值
    4. 判断值大小:print(array<3) 输出一个bool类型的同样大小的矩阵,true表示小于,false表示大于等于
    二、矩阵
    1. 乘*:逐个相乘
    2. 乘:矩阵的乘法:np.dot(array,array2) 也可以写成:a.dot(b)
    3. 整个矩阵求和:np.sum(array)
    4. 在矩阵第一行求和还可以定义维度:np.sum(array,axis=1) array是一个二维矩阵的话,axis=1表示对每一行求和,返回一个矩阵,有几行矩阵有几项;axis=0表示对每一列求和
    5. 矩阵求最小值:np.min(array)
    6. 矩阵求最大值:np.max(array)
    7. 矩阵最小值的索引:np.argmin(array)
    8. 矩阵平均值:np.mean(array) 当然也可以array.mean()
    9. 矩阵中位数:np.median(array)
    10. 矩阵累积求和:np.cumsum(array) 返回一个一维矩阵,第一个数是第一个的值,第二个是前两个相加的值,第n个是前n个相加的值
    11. 矩阵累差:np.diff(array) 第一个是前两个数的差,第二个是第二个和第三个的差,因此最后会少一个
    12. 矩阵非零的数的索引:np.nozero(array) 几维返回几个一维矩阵
    13. 矩阵排序:np.sort(array) 逐行排序
    14. 矩阵的转置:np.transpose(array) 也可以写成array.T 但是不能将一个一维的横向的改变成为垂直的[[1],[1],[1]],因为是一维的一个。实现方法:可以在列上新建一个维度array[:,np.newaxis]
    15. 矩阵截取:np.clib(array,5,9) 将array中小于5的变成5,大于9的变成9,其余的不变
    16. 计算都可以指定axis,axis=i,相当于对第i个维度进行操作。

    四、索引

    1. 按索引进行输出:array[3] 一维输出第三个,二维索引第二行 array[1,2]等价于array[1][2]
    2. 切片:某一维度只有一个:表示全部 a:b表示该维度从a开始到b不含b的
    3. for循环默认循环行,可以先转置后迭代列
    4. 一个一个迭代可以先将矩阵展平:array.flatten()返回一个被展平的矩阵;array.flat返回展平的迭代器

    五、合并

    1. 垂直合并,可以理解为向下合并:np.vstack( (array,array2) ) #vertical stack,合并后[[array],[array2]]
    2. 水平合并,可以理解为左右合并:np.hstack( (array,array2) ) #horizontal stack,合并后[array,array2]
    3. 多项合并:np.concatenate( (array,array2,array3), axis=0 ) 多项合并,可以指定轴

    六、分割

    1. 相等分割:np.split(array,2,axis=1) 对矩阵进行分割,分成2块,按行分割,原来一行有四个则分割完每个一行两个
    2. 不等分割:np.array_split(array,3,axis=1) 对矩阵进行分割,例如一行有四个,分成每行2 1 1 个
    3. 纵向分割:np.vsplit(array,3) 相当于按照列,一共9行,分成3 3 3行的
    4. 横向分割:np.hsplit(array,3) 相当于按照列,一共9列(一行9个),分成3 3 3列的(每行有三个)

    七、拷贝和深拷贝

    1. b=array 那么array改变,b也会被改变,也就是说b is array 是True
    2. d=b 由于b=array,因此array、b、d改一个则其他几个都会变
    3. 深拷贝:b=array.copy() 相当于把array的值赋值给b,但是两者之间没有关联

    二、Pandas

    字典形式的numpy,可以给不同的行不同的列重新命名。

    一、基本功能

    1. 初始化一个:s=pd.Series([1,3,6,np.nan,1]) 对其输出,可以看到对每个值进行了排序,会多一个序号项,且最后会输出其dtype类型。
    2. 初始化一个datetime:dates=pd.date_range(‘2021-11-02’,periods=6) 对其输出可以看到二号到七号六个日期
    3. 用列表初始化一个dataframe:df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=[‘a’,‘b’,‘c’,‘d’]) 对其输出,其行的索引是dates(也就是2里面我们自己定义的那个,以此为每一行的名字,如果没有默认:int从零开始),列的索引是‘a’,‘b’,‘c’,‘d’(默认:int从0开始)
    4. 用字典初始化一个dataframe:df=pd.DataFrame({‘A’:1.,
      ​ ‘B’:pd.Timestamp(‘20130102’),
      ​ ‘C’:pd.Series(1,index=list(range(4),dtype=‘float32’)),
      ​ ‘D’:np.array([3]4,dtype=‘int32’),
      ​ ‘E’:pd.Categorical([“test”,“train”,“test”,“train”]),
      ​ ‘F’:‘foo’}) 对其输出可以发现由于E有4个,为了对其,因此其他的全部扩充(广播)到4个(相同的),也就是说最终是4
      6的格式。
    5. 还可以用查看其属性:
      1. df.dtypes 输出其每一列的数据形式。
      2. df.index 返回所有行的序号(也可以理解为名字)的列表。
      3. df.columns 返回列的名字的列表。
      4. df.values 返回所有值。
    6. df.describe() 返回每一列(同一类型,且会自动略过字符串等形式)的平均值、数量、等一系列信息。df.T 进行转置。
    7. 按序号排序:df.sort_index(axis=1, ascending=False) 会对每一列的名字进行排序,false表明倒序排列;当然也可以axis=0,表示对每一行的名字进行排序;true表示正序排列。
    8. 按值排序:df.sort_valuse(by=‘E’) 指定某一列进行排序。
    9. 显示前几个数据:df.head() 可以指定前几个,默认是前5个。

    二、选择数据

    1. 还是上面的数据,想要输出某一列:df[‘A’]等效于df.A 都会输出列名字是A的那一列。
    2. 想要输出某几行,可以先切片:df[0:3]等效于df[‘0’:‘3’] 都会输出前三行,后者表示的是行的名字,相当于列的’A’。
    3. 根据标签进行选择:df.loc[:,[‘A’,‘B’]] #select by label:loc 可以选择行也可以选择列df.loc[‘3’]
    4. 根据位置进行选择:df.iloc[3:5,1] #select by position:lioc 还可以不连续筛选df.iloc[[0,1,3],1:3]
    5. 根据标签和位置一起筛选:df.ix[:3,[‘A’,‘C’]] #mixed selection:ix
    6. 根据是否筛选:df[df.A>8] #Boolean indexing 筛选出A列中>8的数字(和符合条件的一行的其他列也会显示出来)

    三、设置值

    1. 对选定的位置或范围赋值:直接赋值就行(选择范围时注意上一块中6强调的,符合条件的同一行其他列也会显示,因此也会被更改,可以再次选择某一列,一方改错:df.A[df.A>8]=0,这样就只会更改A列中大于8的数为0了)。
    2. 加上空列:df[‘F’]=np.nan
    3. 加上新列:df[‘E’]=pd.Series([1,2,3,4],index=原有的index一样的序列,这样才能对齐)

    四、处理丢失数据

    1. 丢掉NaN的数据:df.dropna(axis=0,how=‘any’) #how={any,all} any表示只要该行有NaN就丢弃,all表示只有当该行全部都是NaN时才丢弃该行 axis=0表示按行丢弃;axis=1表示按列丢弃
    2. 为NaN数据赋值:df.fillna(value=0)
    3. 检查是否有NaN值:df.isnull() 返回一个表格,True表示是NaN,False表示不是
    4. 直接看是否有NaN项:np.any(df.isnull()=True) 直接判断是否有等于True的值,有则返回True

    五、导入导出数据

    1. 可以读取的数据类型:read_csv read_excel read_hdf read_sql read_json read_msgpack(experimental) read_html read_gbq(experimental) read_stata read_sas read_clipboard read_pickle
    2. 可以保存的数据类型(和read一一对应):to_csv to_excel to_hdf to_sql to_json to_msgpack(experimental) read_html to_gbq(experimental) to_stata to_clipboard to_pickle
    3. 读取使用:data=pd.read_csv(‘student.csv’) 然后直接输出就行,会自动加一个索引
    4. 存储使用:data.to_pickle(‘student.pickle’) 然后就会保存到对应文件
      参考文档:

    六、合并

    1.concatenating
    1. axis=0竖向合并(上下合并),也就是行合并(最终行数增多);axis=1横向合并(左右合并),也就是列合并(最终列数增多)。
    2. 一般每列一样时使用axis=0,使相同含义的数据在同一列。
    3. 格式:pd.concat([df1,df2,df3],axis=0,ignore_index=True) 因为合并玩行的名字,也就是索引会出现重复,因此可以选择ignore_index=True表示合并后重新排行的索引。
    2.join,[‘inner’,‘outer’]
    1. 是concatenating的一个参数,可以合并列名不一样的df。
    2. 默认的join模式是NaN填充(outer),相同的还是合并成一个列,不是公共所有的会新添一列,原本没有的会在该列上补上NaN。
    3. inner是删除,也就是说不是公共所有的就会被删除,留下公共所有的合并。
    3.join_axes
    1. join是参考了两者,join_axes可以指定参考哪一个,例如制定了df1,那么df1中有的会被保留,别的没有的会被NaN补全,df1中没有的会被删去。
    4.append
    1. 向后加元素,可以向行或者列后加,可以加一行(列)也可以直接加一个df,相当于合并。
    2. 格式:df1.append(df2,ignore_index=True) 可以合并不止一个,将df2改为[df2,df3]就行
    3. 格式:s1=pd.Series([1,2,3,4],index=[‘a’,‘b’,‘c’,‘d’])
      res=df1.append(s1,ignore_index=True)
    5.merge
    1. 相当于数据库中的key,以相同的key(指定的行或者列)进行合并。
    2. 格式:pd.merge(df1,df2,on=‘key’) #merging two df by key/keys
    3. 格式:pd.merge(df1,df2,on=[‘key1’,‘key2’]) #consier two keys 默认合并方法是how=‘inner’
    4. 参数:how=[‘left’,‘right’,‘outer’,‘inner’],inner只保留相同不同删去;outer补上NaN;left以第一个为参照,第一个有的被保留或补充,没有的被删去。
    5. 参数:indicator默认是False,若设置为True则会显示合并过程中的原因(保留了那个没有保留那个),left_only;both;right_noly。默认该列的名字是——merge,还可以直接赋值indicator='indicater_show’直接为该列改名。
    6. 参数:pd.merge(df1,dfd2,left_index=True,right_index=True,how=‘outer’) #merge by index(索引,最左边的一列) 相当于考虑的时候考虑的不是某个有key含义的列,而是index。
    7. 参数:suffixes=[’_df1’,’_df2’]#handle overlapping 区分两个df里一样的列名,会多一个你设置的后缀

    七、plot图表

    1. 可视化必不可少的:import matplotlib.pyplot as plt
    2. 将想要可视化的数据例如是data:data.plot() 就可以plot上去
    3. 然后显示出来即可:plt.show()
    4. 显然可以显示Series类型的数据,还可以显示DF类型的,步骤一样,不过会有很多条线。
    5. plot里有很多参数,可以设定其颜色粗细等,linestylr=’–’ #虚线。
    6. plot methods:‘bar’,‘hist’,‘box’,‘kde’,‘area’,‘scatter’,‘hexbin’,‘pie’
    7. 和plot类似的scatter:打印出来是点 plt.scatter(x=,y=)
    8. scatter:只有两个属性,可以用到data.plot,scatter(x=‘A’,y=‘B’) df可能有很多列,但是只能用其中的两个,如此处选择的是A和B。还可以设置color=‘DarkGreen’。还可以命名label=‘Class 1’。
    9. 可以在一张图上画出两个将第一个赋值给变量abc,在第二个里面多设置一个参数ax=abc。

    三、Matplotlib

    一、安装

    1. 安装过numpy
    2. anaconda下安装就行

    二、基本用法

    1. 导入最常用的包:import matplotlib.pyplot as plt 以及用numpy制作数据
    2. 步骤:生成数据->plt.plot(x,y)->plt.show()
    3. 生成的图片的下图标作用:主界面 上一步 下一步 拖动 放大某一块 调整数值 保存
    4. 可以为每条线命名,plt.plot(x,y)

    三、figure图像

    1. figure就是一张图像,相当于区分开每张图。
    2. 首先定义一个figure,也就是plt.figure(),此后的数据将会在这张图上显示,直到另一个该语句出现。
    3. 可以对其命名和修改大小:plt.figure(num=3,figsize=(8,5)) 前一个参数是名字叫figurenum,后一个参数是大小,最后显示语句和正常的一样。
    4. plot参数:color;linestyle;linewidth。

    四、坐标轴设置

    1. 设置坐标轴范围(可以显示的范围):plt.xlim((-1,2)) plt.ylim((-2,3))
    2. 描述坐标轴(命名):plt.xlable(‘I am x’) plt.ylable(‘I am y’)
    3. 设置坐标大小间隔:new_ticks=np.linespace(-1,2,5) plt.xticks(new_ticks)
    4. 设置坐标名称(文字代替数字):plt.yticks([-2,-1.5,-1,1,3],[‘really bad’,‘bad’,‘normal’,‘good’,‘really good’]) 字体更改,可以在前后加上’$ ‘,变成’$ really\ good$ ',在$中无法识别空格,需要加上转移符号\,前面一半加上r表示正则表达式,还可以显示特殊符号(和markdown的数学公式相似)。
    5. 设置坐标轴的位置:
    ax=plt.gca()   #get current axis   得到当前坐标轴
    ax.spines['right'].set_color('none')   #设置右边框消失
    ax.spines['top'].set_color('none')   #设置上边框消失
    ax.xaxis.set_ticks_position('bottom')   #设置x轴为下边框
    ax.yaxis.set_ticks_position('left')   #设置y轴为左边框
    #outward,axes(要定位到另一个轴的相对那个位置)
    ax.spines['bottom'].set_position(('data' ,-1))   #设置横坐标轴位置,首先传入data,说明轴的位置和坐标轴上的值有关,在data值为-1,也就是纵坐标为-1时是x轴的原点。
    ax.spines['left'].set_position(('data' ,0))   #设置纵坐标轴位置,首先传入data,说明轴的位置和坐标轴上的值有关,在data值为0,也就是横坐标为0时是y轴的原点。
    

    五、legend图例

    1. 图例:描述图中线条的含义的小图
    2. 首先为每条线命名,可以直接使用默认参数:plt.legend()
    3. 参数:plt.legend(handles=[l1,l2,],labels=[‘aaa’,‘bbb’],loc=‘best’) #loc:best 表示默认找一个数据最少的放下;也可以upper right…等指定地方;handles:放入需要描述的线,其中l1,=plt.plot(x,y,label=‘up’),变量名后的,不能省略,想传进去必须有逗号;labels:想要给线的名字,而不会用到线本身的label,如果labels比线少那么会按照labels里打印,没有名字的不打印,[‘aaa’,]时只显示aaa对应的第一条线。

    六、Annotation标注

    1. 可以强调某个点,画出其在坐标轴对应的虚线;并在该点处添加注释;或者直接对整条线进行注释。
    2. 添加描述:
    import matplotlib.pyplot as plt
    import numpy as np
    
    x=np.linspace(-3,3,50)
    y=2*x+1
    plt.figure(num=1,figsize=(8,5),)
    plt.plot(x,y,)
    
    ax=plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    ax.xaxis.set_ticks_position('bottom')
    ax.spines['bottom'],set_positon(('data',0))
    ax.ysxias.set_ticks_position('left')
    ax.spines['left'].set_position(('data',0))
    
    #添加对点的注释
    x0=1
    y0=2*x0+1   #需要描述点
    plt.scatter(x0,y0,s=50,color='b')   #scatter就是plot上去点
    plt.plot([x0,x0],[0,y0],'k--',lw=2.5)   #plot出一条该点到x轴的垂线,此处还是虚线用'--'表示,颜色是black用‘k’表示,宽度lw是2.5
    #method 1 添加对该点的描述
    plt.annotate(r'$2x+1=%s$'%y0,xy=(x0,y0),xycoords=‘data’,textcoords=’offset points‘,fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))   
    #向字符串内传入%s是%y0的值;
    #xy表示对那个点进行注释;
    #xycoords表明前面的点是基于'data'的(也就是点的值);
    #xytest表示描述放置的位置;
    #textcoords表示描述参考的位置默认和xy一样也就是'offset points';
    #fontsize:表示描述字体的大小;
    #arrowprops:表示箭头的方向线,需要用dict描述,前一个参数用图例描述了箭头的形状,后一个参数描述了箭头的方向。
    
    #method 2 
    plt.text(-3.7,3,r'$this\ is\ the\ some text.$',fontdict={'size':16,'color':'r'})   #前两个参数表示位置,后面表示text内容,其中可以使用数学语句,空格也需要转义;最后还可以传入设置的部分参数
    
    plt.show()
    

    七、tick能见度

    1. 原因:线有时候会挡住轴。
    for label in ax.get_xticklabels()+ax.get_ytciklabels():
    	label.set_fontsize(12)
    	label.set_bbox(dict(facecolor='white',edgecolor='None',alpha=0.7))   #背景颜色,边框颜色,透明度(背景有70%,线可以透过30%)
    

    在这里插入图片描述

    八、scatter散点数据

    1. 显示一个散点图:
    import matplotlib.pyplot as plt
    import numpy as np
    n=1024
    X= np.random.normal(0,1,n)
    Y= np.random.normal(0,1,n)
    T= np.arctan2(Y,X)   #for color value 计算出每个点的颜色
    plt.scatter(X,Y,s=75,c=T,alpha=0.5)   #画出散点,前两个是点的坐标值,s代表size,c代表color,alpha透明度
    plt.xlim((-1.5,1.5))   #x轴显示范围
    plt.ylim((-1.5,1.5))
    plt.xticks(())   #空的ticks,相当于坐标轴上啥也没有
    plt.yticks(())
    plt.show()
    

    九、bar柱状图

    1. 上下都有的柱状图,上面会标数值,并且会去除x轴y轴上的值
    import matplotlib.pyplot as plt
    import numpy as np
    n=12
    X=np.arrange(n)
    Y1=(1-X/float(n))*np.random.uniform(0.5,1.0,n)
    Y2=(1-X/float(n))*np.random.uniform(0.5,1.0,n)
    plt.bar(X,+Y1,facecolor='r',edgecolor='white')   #+代表上面,facecolor代表主体颜色,edgecolor代表背景颜色
    plt.bar(X,-Y2,facecolor='k',edgecolor='white')   #-代表下面
    #在其上面加上数值
    for x,y in list(zip(X,Y1)):   #将X,Y1数据分别传入x,y
    	plt.text(x+0.4,y+0.05,'%.2f'%y,ha='center',va='bottom')   #前两个是位置,第三个是内容,ha:horizontal alignment横向对齐,va:纵向对齐
    
    for x,y in list(zip(X,Y2)):   
    	plt.text(x+0.4,-y-0.05,'-%.2f'%y,ha='center',va='top')
    plt.xlim((-1.5,1.5))   #x轴显示范围
    plt.ylim((-1.5,1.5))
    plt.xticks(())   #空的ticks,相当于坐标轴上啥也没有
    plt.yticks(())
    plt.show()
    

    十、等高线图

    1. 地理上常见的那种。
    import matplotlib.pyplot as plt
    import numpy as np
    
    def f(x,y):
    	#the height function
    	return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
    
    n=256
    x=np.linspace(-3,3,n)
    y=np.linspace(-3,3,n)
    X,Y=np.meshgrid(x,y)   #x,y绑定成网格的输入值,因为等高线相当于网格上的不同高度得到的线
    plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)   #放上颜色,前两个是值,下一个是求高度的函数,然后是8代表分开程度相当于十部分(可以记住0分成两部分),然后是透明度,然后是颜色地图,每个数值对应一个颜色,这个相当于查找的参考表。
    C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=.5)   #画上等高线的线,此处的8对应上面的8
    plt.clabel(C,inline=True,fontsize=10)   #给等高线加上描述,inline表示画在线里面
    
    plt.xticks(())   #空的ticks,相当于坐标轴上啥也没有
    plt.yticks(())
    plt.show()
    

    十一、image图片

    1. 相当于图像处理里三通道图像的显示
    import matplotlib.pyplot as plt
    import numpy as np
    #image data
    a=np.array([0.31,0.36,0.42,0.36,0.43,0.52,0.42,0.52,0.65]).reshape(3,3)
    plt.imshow(a,interpolation='nearest',cmap='bone',origin='upper')   #第一项是数据,然后是显示类型可以参考网站选用不同风格的,然后是颜色参考,然后是方向,upper是数值正向对应。
    plt.colorbar()   #颜色对应卡,有很多参数例如可以进行压缩,shrink=0.9展示出来大小只有图片的90%
    plt.xticks(())
    plt.yticks(())
    plt.show()
    

    网站:http://matplotlib.org/examples/images_contours_and_fields/interpolation_mathods.html

    十二、3D plot 3D数据

    1. 导入3D模块,X,Y网格成底面,求出高度,构建一个彩虹3D数据,并在x-y上绘制出对应的等高线。
    import matplotlib.pyplot as plt
    import numpy as np
    from mpl_toolkits.mplot3d import Axes3D
    
    fig=plt.figure()
    ax=Axes3D(fig)
    #X,Y value
    X=np.arange(-4,4,0.25)
    Y=np.arange(-4,4,0.25)
    X,Y=np.meshgrid(X,Y)   #组成网格
    R=np.sqrt(X**2+Y**2)   
    #height value
    Z=np.sin(R)   #计算高度
    
    ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))   #plot3D的方式.前三个是数据,后两个分别是x于y的跨度,相当于网格的疏密
    ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow')   #等高线,前三个是数据,然后说明是从那个等高线压下去的,偏移z轴的位置(一般压到坐标轴在的位置上),颜色参考。
    ax.set_zlim(-2,2)
    plt.show()
    

    十三、subplot多个显示

    1. 在一个figure上绘制多个图片
    2. 方法一:
    import matplotlib.pyplot as plt
    
    plt.figure()
    plt.subplot(2,2,1)   #绘制小图,前两个表示分成2行2列,第三个表示绘制的第一张图
    plt.plot([0,1],[0,1])
    plt.subplot(2,2,2)   #绘制小图,第三个表示绘制的第二张图
    plt.plot([0,1],[0,2])
    plt.subplot(2,2,3)   #绘制小图,第三个表示绘制的第三张图
    plt.plot([0,1],[0,2])
    plt.subplot(2,2,4)   #绘制小图,第三个表示绘制的第四张图
    plt.plot([0,1],[0,2])
    
    plt.figure()
    plt.subplot(2,1,1)   #绘制小图,前两个表示分成2行第一行是1列,第三个表示绘制的第一张图
    plt.plot([0,1],[0,1])
    plt.subplot(2,3,4)   #绘制小图,前两个表示分成2行第二行是3列,第三个表示绘制的第一张图相当于是第四张图,如果是2会覆盖上面的第一张图显示到第一行的第二张图
    plt.plot([0,1],[0,2])
    plt.subplot(2,3,5)   #绘制小图,第三个表示绘制的第五张图
    plt.plot([0,1],[0,2])
    plt.subplot(2,3,6)   #绘制小图,第三个表示绘制的第六张图
    plt.plot([0,1],[0,2])
    plt.show()
    
    1. 方法二、三、四:
    import matplotlib.pyplot as plt
    import matplotlib.gridspec as gridspec
    
    #method 1:subplot2grid
    plt.figure()
    ax1=plt.subplot2grid((3,3),(0,0),colspan=3,rowspan=1)   #分成三行三列,第一个从(0,0)开始,行跨度是3,列跨度是1
    #其他可以ax1.set_title()   相当于之前的函数前面加上set_
    ax1.plot([1,2],[1,2])   #画上线
    ax2=plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=1)   #同一个基准分成三行三列,第二个从(1,0)开始,行跨度是2,列跨度是1(默认是1)
    ax3=plt.subplot2grid((3,3),(1,2),colspan=1,rowspan=2)   #同一个基准分成三行三列,第二个从(1,2)开始,行跨度是1,列跨度是2
    ax4=plt.subplot2grid((3,3),(2,0),colspan=1,rowspan=1)   #同一个基准分成三行三列,第二个从(1,0)开始,行跨度是1,列跨度是1
    ax5=plt.subplot2grid((3,3),(2,1),colspan=1,rowspan=1)   #同一个基准分成三行三列,第二个从(1,0)开始,行跨度是1,列跨度是1
    #method 2:gridspec
    plt.figure()
    gs=gridspec.GridSpec(3,3)   #三行三列
    ax6=plt.subplot(gs[0,:])   #从第0行开始,后面是全部的
    ax7=plt.subplot(gs[1,:2])   #用索引表示位置
    ax8=plt.subplot(gs[1:,2])
    ax9=plt.subplot(gs[-1,0])
    ax10=plt.subplot(gs[-1,-2])
    #method 3:easy to define structure
    f,((ax11,ax12),(ax21,ax22))=plt.subplots(2,2,sharex=True,sharey=True)   #2,2表示几行几列,sharex共享x轴,sharey共享y轴(共享后上面的没有x轴右边的没有y轴,因为共享了);返回一个figure的值(等回来可以用f修改参数),以及所有的两行两列的subplot,按照格式定义了所有的ax
    ax11.scatter([1,2],[1,2])   #在ax中绘制点图
    
    plt.tight_layout()
    plt.show()
    

    十四、图中图

    1. 先画一张大图,,上面加上小图
    import matplotlib.pyplot as plt
    
    fig =plt.figure()
    x=[1,2,3,4,5,6,7]
    y=[1,3,4,2,5,9,6]
    #绘制大图
    left,bottom,width,height=0.1,0.1,0.8,0.8
    ax1=fig.add_axes([left,bottom,width,height])    #定位
    ax1.plot(x,y,'r')
    ax1.set_xlabel('x')
    ax1.set_ylabel('y')
    ax1.set_title('title')
    #绘制小图,可以用同样的方法
    left,bottom,width,height=0.2,0.6,0.25,0.25
    ax2=fig.add_axes([left,bottom,width,height])
    ax2.plot(x,y,'r')
    ax2.set_xlabel('x')
    ax2.set_ylabel('y')
    ax2.set_title('title inside 1')
    #绘制小图,可以用不同的方法
    plt.axes([0.2,0.6,0.25,0.25])   #这个axes下面全部是关于这个axes的东西
    plt.plot(y[::-1],x,'g')   #y[::-1]表示从后向前,间隔为-1;切片的三个参数,开始结尾步长,步长为-1即默认从后向前
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title('title inside 2')
    
    plt.show()
    

    十五、次坐标轴

    1. 相当于共享x轴,左右两边都有y轴。
    import matplotlib.pyplot as plt
    import numpy as np
    
    x=np.arange(0,10,0.1)
    y1=0.05*x**2
    y2=-1*y1
    fig,ax1=plt.subplots()
    ax2=ax1.twinx()   #将ax1翻转过来,获得ax2
    ax1.plot(x,y1,‘g-)   #绿色的,线的样式是实线
    ax2.plot(x,y2,’b—-)   #蓝色的,线的样式是虚线
    ax1.set_xlabel(‘X data’)
    ax1.set_ylabel(‘Y1 data’,color=‘g’)
    ax2.set_ylabel(‘Y2 data’,color=‘b’)
    
    plt.show()
    

    十六、animation 动画

    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib.animation
    
    fig,ax=plt.subplot()
    x=np.arange(0,2*np.pi,0.01)
    line,=ax.plot(x,np.sin(x))   #因为返回的是一个列表[list],因此想要直接赋值可以在后面加上逗号,这样就会把列表内的第一个值进行赋值,赋值给变量的是数据而不是列表了。
    
    def animate(i):   #传入第i帧
        line.set_ydata(np.sin(x+i/100))    #更新y,这里的100是因为下面定义里的frames是100,每闪过100个后更新
        return line,
    
    def init():
        line.set_ydata(np.sin(x))
        return line,
    
    ani=animation.FuncAnimation(fig=fig,func=animate,frames=100,init_func=init,interval=20,blit=True)   #还有很多的animation,需要传入figure,需要传入function,需要传入frames也就是总共的长度,这里的100相当于闪过100个后重新开始循环,循环开始是从哪里开始的,隔多少毫秒更新一次,每次更新整张图片(False)的所有点还是更新变化的点(True)。
    plt.show()
    
    展开全文
  • anaconda软件包是python的一种发行版本,安装包大约四百多至五百多兆,安装好后大约需要2个多g的硬盘空间,我不太推荐这种安装方式,更推荐大家使用miniconda。 一般软件安装包我建议都去官网下载,但是conda官网...

    miniconda软件下载及安装

    anaconda软件包是python的一种发行版本,安装包大约四百多至五百多兆,安装好后大约需要2个多g的硬盘空间,我不太推荐这种安装方式,更推荐大家使用miniconda。

    一般软件安装包我建议都去官网下载,但是conda官网下载速度实在太慢,我建议大家去清华大学开源软件镜像站下载,网址是:https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/?C=M&O=D

    安装包有windows平台、macos平台、linux平台三种,大家可以根据自己的操作系统下载合适的安装包。miniconda程序安装非常容易,在此不再赘述miniconda的安装过程。

    conda设置国内软件源

    • 修改conda国内源:

      • conda配置文件位置:~/.condarc (Windows路径为:C:\Users<UserName>.condarc)

      • 清华源配置,通常配置写入标准库的内容即可,若要使用附加库的内容才将其插入“ - defaults”那一行前面:

        • 前面3行标准库,后面4行附加库(若不需要可删除):

          channels:
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
            - defaults
          show_channel_urls: true
          
      • 交大源配置:

        • 前面3行标准库,后面4行附加库(若不需要可删除):

          channels:
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/free/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/conda-forge/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/msys2/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/bioconda/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/menpo/
            - https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/pytorch/
            - defaults
          show_channel_urls: true
          
    • 修改pip国内源:

      • pip配置文件位置:~/.pip/pip.conf (Windows路径为:C:\Users<UserName>\pip\pip.ini)

      • 阿里源配置:

        [global]
        index-url = https://mirrors.aliyun.com/pypi/simple/
        trusted-host=mirrors.aliyun.com
        timeout = 120
        
      • 华为源配置:

        [global]
        index-url = https://mirrors.huaweicloud.com/repository/pypi/simple
        trusted-host = mirrors.huaweicloud.com
        timeout = 120
        

    conda下载更新及清理

    建议conda只用来更新conda和python、下载和更新python包使用pip,因为清华源和交大源下载速度远远不及阿里源和华为源。

    • conda

      • 更新conda

        conda update conda
        
      • 更新python

        conda update python
        
      • 更新所有包

        conda update --all
        
      • 清理无用的安装包

        conda clean -p        # 清理无用的包
        conda clean -t        # 清理tar包
        conda clean -y --all  # 清理所有安装包及cache
        
    • pip (以下用pandas包举例)

      • 下载

        pip install pandas
        
      • 更新

        pip install --upgrade pandas
        
      • 删除

        pip uninstall pandas
        
      • 指定版本(2个等于号前面是包名后面是版本号)

        pip install pandas==1.1.4
        

    conda管理虚拟环境

    • base环境

      若在上述.condarc文件中未配置关于auto_activate_base的设置,那么默认是true即启动终端时自动进入base环境。

      若要关闭自动进入base环境,使用下面的命令:

      conda config --set auto_activate_base false
      

      需要打开自动进入base环境,使用下面的命令:

      conda config --set auto_activate_base true
      
    • 创建自定义环境

      conda create --name py38 python=3.8
      

      命令解释:

      • –name后面指定环境的名字,名字最好是英文字母、下划线、数字的组合,建议不要用中文。

      • python=后面指定版本号。案例中指定了版本是3.8,下载时会定位仓库3.8版最新的包。

      • 上述案例中创建了一个名字叫py38、python版本是3.8的虚拟环境。

    • 进入与退出自定义环境

      • 进入自定义环境:

        conda activate py38
        
      • 退出自定义环境:

        conda deactivate
        
    • 删除自定义环境

      只能删除自定义环境,不能删除base环境。删除步骤如下:

      1. 退出自定义环境:

        conda deactivate
        
      2. 删除自定义环境:

        conda remove --name py38 --all
        
    • 查看所有环境

      conda env list
      

    快速安装多个包

    由于软件源的关系,我们下载和安装包时优先使用pip,那么新建了虚拟环境怎么快速下载多个需要的软件包呢?

    1. 在原环境导出包清单:

      pip list > list.txt
      
    2. 处理清单文件,注意要进入上面的list.txt所在目录,在该目录下创建reinstall.py文件,然后运行:

      with open("list.txt", mode='r', encoding='utf8') as f1,\
          open("list2.txt", mode='w', encoding='utf8') as f2:
              f1.readline()
              f1.readline()
              f2.write('pip install ')
              for i in f1:
                  line = i.split()
                  f2.write(line[0] + ' ')
      
    3. 进入虚拟环境一键pip:

      打开list2.txt,全部内容复制,然后打开终端,进入虚拟环境,再粘贴过来运行。

      1. 切换环境:

        conda activate py38
        
      2. pip安装包 (将上面的list2.txt文件内容ctrl+a、ctrl+c)粘贴(ctrl+v)过来,然后回车:

        pip install ***
        

        发生报错时的情况:

        1. 如果遇到下面的报错,那是提示你conda相关的包不能在虚拟环境里重复安装,将list.txt里面含conda的所有包名都删掉即可。

          ERROR: Could not find a version that satisfies the requirement conda-package-handling
          ERROR: No matching distribution found for conda-package-handling
          
        2. 少数版本冲突的情况,找到报错的包名,选择适合的版本即可。即前面案例中的pip install 包名=版本号。

    python新旧版本讨论

    1. 目前发现的版本问题,在python3.8系列中numba包可以使用,但在python3.9系列中numba不能使用,推测是因为python3.9解释器解析语句方式相对python3.8变动很大,导致numba尚未完成更新。如果要用numba建议使用python3.8。
    2. python3.9解析语句方式调整后对于很多一行写的很复杂的语句解析及执行速度提升很大。建议有精力的朋友空余时间可以尝试将自己的项目放在新版本下进行测试,新版本整体运行速度比旧版本略有提升。
    3. 总之,有了miniconda神器,不再害怕版本问题,随时可以创建适合自己项目的版本,也随时可以尝试最新版本的python。建议多多尝试新版本。
    展开全文
  • Miniconda简介 Miniconda是一款小巧的python环境管理工具,安装包大约只有50M多点,其安装程序中包含conda软件包管理器和Python。...下载版本最好选择python3的64位版本,即Miniconda3 Windows 64-bit,(.

    Miniconda简介

    conda介绍

    conda分为三类:


    conda:是一种通用包管理系统,旨在构建和管理任何语言和任何类型的软件。举个例子:包管理与pip的使用类似,环境管理则允许用户方便地安装不同版本的python并可以快速切换。

    Anaconda:则是一个打包的集合,里面预装好了conda、某个版本的python、众多packages、科学计算工具等等,就是把很多常用的不常用的库都给你装好了。

    Miniconda:,顾名思义,它只包含最基本的内容——python与conda,以及相关的必须依赖项,对于空间要求严格的用户,Miniconda是一种选择。就只包含最基本的东西,其他的库得自己装
    上面介绍的来源

    为什么使用Miniconda:


    (1)安装python便捷。无论是在win还是linux环境下,miniconda都是傻瓜式的安装方式,一路next即可,而不需要编译源码。
    (2)方便的python库管理。conda在安装python包时会自动处理依赖包,只需要点确定就可以了。尤其是在安装opencv,TensorFlow等依赖较为复杂的包的时候,使用pip会需要手动处理很多依赖项,编译很多软件包,而conda不需要。conda甚至可以修改当前python的版本。
    (3)方便的python虚拟环境管理。conda命令可以方便的创建和删除python的虚拟环境。否则需要自己安装virtualenv等python包。
    (4)Anaconda作为一个python发行版携带了很多科学计算的python包,但它太大了,有些包也不需要。而miniconda就小得多,只携带了conda所必须的依赖包。

    下载

    可以进入miniconda的官网下载,也可通过以下链接直接进入下载页面。下载版本最好选择python3的64位版本,即Miniconda3 Windows 64-bit ,(电脑是32位,则下载32位版本)。

     https://link.zhihu.com/?target=https%3A//docs.conda.io/en/latest/miniconda.html%23

    安装配置

    下载完成后,进行安装

    自己用,就选择Just me

     选择习惯的存储盘

    下面两个全部选上,点Install安装就好了

     两个选项都勾选

    验证Anaconda是否安装成功的方法:

    可进入开始菜单栏中点击Anaconda Promot命令窗口中输入“conda --version” ----->得到conda 4.2.0

    看到了这个结果,恭喜你,你已经成功的安装上了Anaconda了,那么我们继续。

    通过conda命令进行Miniconda的安装和配置环境变量。以下通过conda命令进行安装和配置:

    1,配置清华源

    此处需要配置一个清华的镜像服务器,以解决conda下载文件速度慢的问题。

    在Anaconda Promot中依次输入以下两条命令:

    1. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
    2. conda config --set show_channel_urls yes

    2.创建python 3.6 虚拟环境

    我要创建python3.6虚拟环境,则需要在Anaconda Promot中输入命令:

    conda create -n python_3.6 python=3.6

    虚拟环境名称:python_3.6(该名称可根据自己喜好设定,建议设置容易记住的名称)

    版本:python=3.6(3.6代表我创建的环境为3.6版本,此版本号可以自行设定)

    • 如命令无错误,则显示:

    命令无误

    • 如输入命令时,“-”和“n”之间出现了空格,或者忘记输入 “-n”,则会出现如下情况(建议输入命令后可以扫一眼,检查是否有错误有错误):

    命令有误

    安装工具包的时候可能需要安装一些其他的工具,如果系统提示 proceed ([y]/n)? ,输入y, 点击回车就可以。如果出现以下情况,则表示环境创建成功。

    Python 3.6 环境创建成功

    conda管理虚拟环境

    1, 触发Python 3.6 环境

    如果需要触发刚刚创建的环境,则输入:

    conda activate python_3.6

    由于我在Anaconda promot中操作,需在命令前加conda;如在cmd中操作,直接输入“activate python_3.6”即可。如果命令行出现(python_3.6)或者出现是你自己设定的名称,表示已经载入这个环境,即:

    成功载入Python3.6环境

    2、退出或切换python 3.6 环境

    退出:

    conda deactivate

    切换到其他环境(此处切换到默认的base环境,即下载的python 3.7 环境 ):

    activate base

    3. 安装科学计算所需的工具

    可利用conda install命令安装所需工具。

    • 安装pandas,输入:
    conda install pandas
    • 安装matplotlib,输入:
    conda install matplotlib
    • 安装scipy,输入:
    conda install scipy

    需要注意的是:再安装这些工具前,需要退出python,在我们所创建的python_3.6环境中进行安装。如需检查工具包是否安装成功,则需要先进入python,利用import命令进行检查,比如,我要进入python并检查pandas包是否安装成功,则依次输入:

    python
    import pandas

    另外:也可以用 pip 安装 scikit-learn (pip是Python自带的管理包工具),输入

    pip install scikit-learn 

    很多包其实用 pip 也可以直接安装。

    4,可以输入以下命令查看所有工具包:

    conda list

    连接 Pycharm

    方法一::


    (1)打开pycharm
    创建一个新项目ProphetPro;file-settings-Project Interpreter

    (2)点击小齿轮add

    (3)选择左边第三个System Iterpreter  点击...

    选择anaconda安装目录下的envs里面自己刚才新创建的虚拟环境,里面的python.exe

    点击ok。


    ok,下面就可以在这个环境里面使用anaconda中已有的库创建工程啦。、

    方法二

    1.打开设置

    在这里插入图片描述

     2.点击项目解释器,添加Conda环境

    在这里插入图片描述

    3.在解释器中找anaconda3的安装路径,找到python.exe 确定

    在这里插入图片描述

    这样就导入完成了 需要注意的是不同的项目用到的解释器可能不一样,因此新建项目时可以选择想用的解释器

    编辑配置 

    在这里插入图片描述

     对该项目的解释器进行选择

    在这里插入图片描述

    python新旧版本讨论



    目前发现的版本问题,在python3.8系列中numba包可以使用,但在python3.9系列中numba不能使用,推测是因为python3.9解释器解析语句方式相对python3.8变动很大,导致numba尚未完成更新。如果要用numba建议使用python3.8。
    python3.9解析语句方式调整后对于很多一行写的很复杂的语句解析及执行速度提升很大。建议有精力的朋友空余时间可以尝试将自己的项目放在新版本下进行测试,新版本整体运行速度比旧版本略有提升。
    总之,有了miniconda神器,不再害怕版本问题,随时可以创建适合自己项目的版本,也随时可以尝试最新版本的python。建议多多尝试新版本。
     

    展开全文
  • 下载ipython notebook 在Anaconda Prompt命令框里输入conda install ipython notebook 等待完成即可 4.tensorflow-gpu版本的下载 进入新环境之后输入conda install tensorflow-gpu=2.6.0 等待下载完成即可 用conda...
  • Pandas 学习笔记

    2021-01-14 16:03:33
    1. 安装如果做数据分析用途建议使用...安装之后可以在terminal 输入 conda 开头的命令(类似pip),例如list 查看已经安装的包,以及进行常用的install update等动作。2. Import绝大部分时候pandas都被使用者imp...
  • 有时候用pip insatll命令安装包时会出现下载缓慢甚至下载失败的情况,此问题可以通过添加...pip install安装包的用法:pip install 包名、pip install "包名==版本名"、pip insatll "包名>所需要的最低版本,包名......
  • Pandas教程:初学者入门必备,很全面,很详解!​mp.weixin.qq.com 学习Panda一些最重要的特性,用于对数据进行探索、清洗、转换、可视化以及从数据中学习。 Pandas库是当今使用Python进行工作的数据科学家和分析...
  • 则这样安装这些库:pip install numpypip install pandaspip install matplotlibsudo apt-get install python3-tksudo apt-get install python-tksudo apt-get install python3.4-tk 如果是python 3.4版本...
  • 安装pandasconda install pandas #若已安装anaconda pip install pandas #未安装anaconda Pandas的主要数据结构: Series 系列 DataFrame 数据帧 Panel 面板 Series创建: 系列(Series)是能够保存任何类型的数据...
  • cuDF(https://github.com/rapidsai/cudf)是一个基于Python的GPU...笔者觉得,对于我来说一个比较好的使用场景是,代替并行,在pandas处理比较慢的时候,切换到cuDF,就不用写繁琐的并行了。 官方文档: 1 Docs »...
  • 一行Pandas代码即可惊艳四座

    千次阅读 2022-06-13 09:54:28
    一行Pandas代码即可惊艳四座,QQ学习群:1026993837
  • ❝本文示例代码及文件已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes❞1 简介pandas发展了如此多年,所...
  • pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库。本文是对它的一个入门教程。pandas提供了快速,灵活和富有表现力的数据结构,目的是使“关系”或...
  • 数据分析——numpy-pandas-matpoltlib
  • Pandas——基础(创建与查看)

    千次阅读 2018-05-26 09:34:50
    一、Pandas数据结构 1.1 pandas学习资料 http://pandas.pydata.org/pandas-docs/stable/10min.html#operation http://pandas.pydata.org/pandas-docs/stable/api.html (API资料查询) 安装:推荐...
  • pandas适合于许多不同类型的数据,包括:具有异构类型列的表格数据,例如SQL表格或Excel数据有序和无序(不一定是固定频率)时间序列数据。具有行列标签的任意矩阵数据(均匀类型或不同类型)任何其他形式的观测/统计...
  • Anaconda是Python的一个发行版本,安装好了Anaconda就相当于安装好了Python,并且里面还集成了很多Python科学计算的第三方库。比如我们需要用到的Pandas、numpy、dateutil等等,高达几百种。因此,安装了Anaconda,...
  • 【Python】Numpy&Pandas

    2021-10-16 19:44:12
    Pandas1. Numpy1.1 Numpy 简介1.2 Numpy 安装1.3 Ndarray对象1.3 Numpy数据类型1.5 Numpy 数组属性1.6 对Numpy数组的操作2. Pandas2.1 DataFrame与Series2.2 构造数据表2.3 对数据表的操作2.4 pandas 导入导出2.5 ...
  • pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库。本文是对它的一个入门教程。pandas提供了快速,灵活和富有表现力的数据结构,目的是使“关系”或...
  • 数据分析 numpy、pandas、matplotlib

    千次阅读 2022-03-24 10:21:01
    一、数据分析初始: 1.为什么要有数据分析? a.... b.python数据科学的基础;...c....用适当的方法对收集的大量数据进行分析,帮助人们做出判断,以便采取适当...4.CONDA环境安装: conad : data science package & ...
  • pandas是一个Python语言的软件包,在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础编程库。本文是对Python 数据处理库 pandas 入门教程,非常不错,感兴趣的朋友一起看看吧pandas是一个Python...
  • 1.Anaconda3安装 ... 这是我用来安装时的大神教程,亲测可用。 2.输入conda命令后显示conda不是内部命令 'conda' 不是内部或外部命令 3.配置环境变量 原链接中的做法 ...
  • conda install seaborn 在 BigQuant平台 上,你可以跳过这一步,直接在策略编写中import seaborn,即可使用 数据集 我们选取财报数据17年到19年的数据进行绘制,首先在策略模板中输入如下代码: import ...
  • 第一问:什么是conda? 答:简单来说吧conda就是一个辅助进行包管理和环境管理的工具,目前是anaconda默认的python包和环境管理工具,所以说只要你安装了anaconda,就默认你安装了condaConda既有pip的包管理功能,...
  • 例如:Pandas,NumPy 等等,并且还提供了一个网页版本的 Jupiter Notebook 编辑器来方便的编写Python 数据处理代码,类似于 pip3 这种 Python 自带的包下载和管理模块(Anaconda 中是 conda 模块),但是要强大很多。...
  • 由于不是utf编码所以报错 # 先调整文件 utf = pd.read_csv('data/utf_student1.csv') utf 序号 性别 年龄 身高 体重 省份 成绩 0 1 male 20 170 70 LiaoNing 71 1 2 male 22 180 71 GuangXi 77 2 3 male 22 180 62 ...
  • 如果您正在为Python库使用pip安装程序,您可以执行以下命令来下载这个库: pip install seaborn 或者,如果您正在使用Python的Anaconda发行版,您可以使用以下命令来下载seaborn库: conda install seaborn 在BigQuant...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,225
精华内容 490
热门标签
关键字:

conda 调整pandas版本