手机上的网站是怎么做的吗,苏州专业设计网站,wordpress win调试,wordpress音频插件下载数据采集习题参考答案#xff0c;会持续更新#xff0c;点个关注防丢失。
创作不易#xff0c;一键三连给博主一个支持呗。
为了方便查找#xff0c;已按照头歌重新排版#xff0c;朋友们按照头歌所属门类查找实训哦#xff0c;该篇为Pandas。
文章目录
实训一#…数据采集习题参考答案会持续更新点个关注防丢失。
创作不易一键三连给博主一个支持呗。
为了方便查找已按照头歌重新排版朋友们按照头歌所属门类查找实训哦该篇为Pandas。
文章目录
实训一Pandas初体验
第一关了解数据处理对象--Series
编程要求
Pandas中的数据结构
第一关答案
第二关了解数据处理对象-DataFrame
编程要求
相关知识
第二关答案
第三关读取CSV格式数据
编程要求
相关知识
第三关答案
第四关数据的基本操作——排序
编程要求
相关知识
第四关答案
第五关数据的基本操作——删除
编程要求
相关知识
第五关答案
第六关数据的基本操作——算术运算
编程要求
相关知识
第六关答案
第七关数据的基本操作——去重
编程要求
相关知识
第七关答案
第八关层次化索引
编程要求
相关知识
第八关答案 实训一Pandas初体验
第一关了解数据处理对象--Series
编程要求 创建一个名为series_a的series数组当中值为[1,2,5,7],对应的索引为[nu, li, xue, xi] 创建一个名为dict_a的字典字典中包含如下内容{ting:1, shuo:2, du:32, xie:44} 将dict_a字典转化成名为series_b的series数组。 相关知识
Pandas是为了解决数据分析任务而创建的纳入了大量的库和标准数据模型提供了高效地操作大型数据集所需的工具。 对于Pandas包在Python中常见的导入方法如下 from pandas import Series,DataFrame import pandas as pd Pandas中的数据结构
Series: 一维数组类似于Python中的基本数据结构list区别是Series只允许存储相同的数据类型这样可以更有效的使用内存提高运算效率。就像数据库中的列数据DataFrame: 二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器Panel三维的数组可以理解为DataFrame的容器。
了解Series
为了开始使用Pandas我们必需熟悉它的两个重要的数据结构Series 和DataFrame。虽然它们不是每一个问题的通用解决方案但可以提供一个坚实的易于使用的大多数应用程序的基础。 Series是一个一维的类似的数组对象包含一个数组的数据任何NumPy的数据类型和一个与数组关联的数据标签被叫做索引 。最简单的Series是由一个数组的数据构成
In [1]:objSeries([4,7,-5,3])In [2]:objOut[2]:0 41 72 -53 3
Series的交互式显示的字符串表示形式是索引在左边值在右边。因为我们没有给数据指定索引一个包含整数0到N-1这里N是数据的长度的默认索引被创建。你可以分别的通过它的values和index属性来获取 Series的数组表示和索引对象
In [3]: obj.valuesOut[3]:array([4,7,-5,3])In [4]: obj.indexOut[4]:Int64Index([0,1,2,3])
通常需要创建一个带有索引来确定每一个数据点的Series。
In [5]:obj2Series([4,7,-5,3],index[d,b,a,c])In [6]:obj2Out[6]:d 4b 7a -5c 3
如果你有一些数据在一个Python字典中你可以通过传递字典来从这些数据创建一个Series只传递一个字典的时候结果Series中的索引将是排序后的字典的键。
第一关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pddef create_series():返回值:series_a: 一个Series类型数据series_b: 一个Series类型数据dict_a 一个字典类型数据# 请在此添加代码 完成本关任务# ********** Begin *********#series_aSeries([1,2,5,7],index[nu,li,xue,xi])dict_a{ting:1,shuo:2,du:32,xie:44}series_bSeries(dict_a)# ********** End **********## 返回series_a,dict_a,series_breturn series_a,dict_a,series_b第二关了解数据处理对象-DataFrame
编程要求 创建一个五行三列的名为df1的DataFrame数组列名为 [states,years,pops]行名[one,two,three,four,five] 给df1添加新列列名为new_add值为[7,4,5,8,2]。 相关知识
DataFrame是一个表格型的数据结构是以一个或多个二维块存放的数据表格层次化索引DataFrame既有行索引还有列索引它有一组有序的列每列既可以是不同类型数值、字符串、布尔型的数据或者可以看做由Series组成的字典。 DataFrame创建:
dictionary {state:[0hio,0hio,0hio,Nevada,Nevada],year:[2000,2001,2002,2001,2002],pop:[1.5,1.7,3.6,2.4,2.9]}frame DataFrame(dictionary)
修改行名
frameDataFrame(dictionary,index[one,two,three,four,five])
添加修改
frame[add][0,0,0,0,0]
添加Series类型
value Series([1,3,1,4,6,8],index [0,1,2,3,4,5])frame[add1] value
第二关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pddef create_dataframe():返回值:df1: 一个DataFrame类型数据# 请在此添加代码 完成本关任务# ********** Begin *********#data{states:[Ohio,Ohio,Ohio,Nevada,Nevada],years:[2000,2001,2002,2001,2002],pops:[1.5,1.7,3.6,2.4,2.9]}df1DataFrame(data,index[one,two,three,four,five])df1[new_add] [7,4,5,8,2]# ********** End **********##返回df1return df1
第三关读取CSV格式数据
编程要求 将test3/uk_rain_2014.csv中的数据导入到df1中 将列名修改为[water_year,rain_octsep,outflow_octsep,rain_decfeb, outflow_decfeb, rain_junaug, outflow_junaug] 计算df1的总行数并存储在length1中。 相关知识
在使用机器学习工具包对数据进行修改、探索和分析之前我们必须先讲外部数据导入。使用Pandas导入数据比Numpy要容易。在这里我们将使用英国降雨数据数据已下好并放在本实训的当前文件夹。
读取CSV # Reading a csv into Pandas. # 如果数据集中有中文的话最好在里面加上 encoding gbk 以避免乱码问题。后面的导出数据的时候也一样。 df pd.read_csv(uk_rain_2014.csv, header0) 这里我们从csv文件里导入了数据并储存在DataFrame中。这一步非常简单你只需要调用read_csv然后将文件的路径传进去就行了。header 关键字告诉Pandas哪些是数据的列名。如果没有列名的话就将它设定为 None。 数据导入pandas之后我们该怎么查看数据呢
查看前n行
# Getting first x rows.df.head(5)
查看后n行
# Getting last x rows.df.tail(5)
查看总行数
# Finding out how many rows dataset has.len(df)
修改列名
我们通常使用列的名字来在Pandas中查找列。这一点很好而且易于使用但是有时列名太长我们需要缩短列名。
# Changing column labels.df.columns [water_year,rain_octsep,outflow_octsep,rain_decfeb, outflow_decfeb, rain_junaug, outflow_junaug]
第三关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pd
def read_csv_data():返回值:df1: 一个DataFrame类型数据length1: 一个int类型数据# 请在此添加代码 完成本关任务# ********** Begin *********#df1pd.read_csv(test3/uk_rain_2014.csv, header0,encoding gbk)df1.columns [water_year,rain_octsep,outflow_octsep,rain_decfeb, outflow_decfeb, rain_junaug, outflow_junaug]length1len(df1)# ********** End **********##返回df1,length1return df1,length1
第四关数据的基本操作——排序
编程要求 对代码中s1进行按索引排序并将结果存储到s2 对代码中d1进行按值排序index为f并将结果存储到d2。 相关知识
本关我们将学习处理Series和DataFrame中的数据的基本手段我们将会探讨Pandas最为重要的一些功能。
对索引进行排序
Series用sort_index()按索引排序sort_values()按值排序 DataFrame也是用sort_index()和sort_values()。
In[73]: obj Series(range(4), index[d,a,b,c])In[74]: obj.sort_index() Out[74]: a 1b 2c 3d 0dtype: int64In[78]: frame DataFrame(np.arange(8).reshape((2,4)),index[three, one],columns[d,a,b,c])In[79]: frameOut[79]: d a b cthree 0 1 2 3one 4 5 6 7In[86]: frame.sort_index()Out[86]: d a b cone 4 5 6 7three 0 1 2 3
按行排序
In[89]: frame.sort_index(axis1, ascendingFalse)Out[89]: d c b athree 0 3 2 1one 4 7 6 5
按值排序
Series:
In[92]: obj Series([4, 7, -3, 2])In[94]: obj.sort_values()Out[94]: 2 -33 20 41 7dtype: int64
DataFrame:
In[95]: frame DataFrame({b:[4, 7, -3, 2], a:[0, 1, 0, 1]})In[97]: frame.sort_values(byb) #DataFrame必须传一个by参数表示要排序的列Out[97]: a b2 0 -33 1 20 0 41 1 7
第四关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pd
def sort_gate():返回值:s2: 一个Series类型数据d2: 一个DataFrame类型数据# s1是Series类型数据d1是DataFrame类型数据s1 Series([4, 3, 7, 2, 8], index[z, y, j, i, e])d1 DataFrame({e: [4, 2, 6, 1], f: [0, 5, 4, 2]})# 请在此添加代码 完成本关任务# ********** Begin *********#s2s1.sort_index()d2d1.sort_values(byf)# ********** End **********##返回s2,d2return s2,d2第五关数据的基本操作——删除
编程要求 在s1中删除z行并赋值到s2 d1中删除yy列并赋值到d2。 相关知识
删除指定轴上的项
即删除Series的元素或DataFrame的某一行列的意思我们可以通过对象的drop(labels, axis0)方法实现此功能。
删除Series的一个元素
In[11]: ser Series([4.5,7.2,-5.3,3.6], index[d,b,a,c])In[13]: ser.drop(c)Out[13]: d 4.5b 7.2a -5.3dtype: float64
删除DataFrame的行或列
In[17]: df DataFrame(np.arange(9).reshape(3,3), index[a,c,d], columns[oh,te,ca])In[18]: dfOut[18]: oh te caa 0 1 2c 3 4 5d 6 7 8In[19]: df.drop(a)Out[19]: oh te cac 3 4 5d 6 7 8In[20]: df.drop([oh,te],axis1)Out[20]: caa 2c 5d 8
需要注意的是drop()返回的是一个新对象原对象不会被改变。
第五关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import pandas as pddef delete_data():返回值:s2: 一个Series类型数据d2: 一个DataFrame类型数据# s1是Series类型数据d1是DataFrame类型数据s1 Series([5, 2, 4, 1], index[v, x, y, z])d1DataFrame(np.arange(9).reshape(3,3), columns[xx,yy,zz])# 请在此添加代码 完成本关任务# ********** Begin *********#s2s1.drop(z)d2d1.drop([yy],axis1)# ********** End **********## 返回s2,d2return s2, d2
第六关数据的基本操作——算术运算
编程要求 让df1与df2相加得到df3并设置默认填充值为4。相关知识
算术运算-*/
DataFrame中的算术运算是df中对应位置的元素的算术运算如果没有共同的元素则用NaN代替。
In[5]: df1 DataFrame(np.arange(12.).reshape((3,4)),columnslist(abcd))In[6]: df2 DataFrame(np.arange(20.).reshape((4,5)),columnslist(abcde))In[9]: df1df2Out[9]: a b c d e0 0 2 4 6 NaN1 9 11 13 15 NaN2 18 20 22 24 NaN3 NaN NaN NaN NaN NaN
此外如果我们想设置默认的其他填充值而非NaN的话可以传入填充值。
In[11]: df1.add(df2, fill_value0)Out[11]: a b c d e0 0 2 4 6 41 9 11 13 15 92 18 20 22 24 143 15 16 17 18 19
第六关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import pandas as pddef add_way():返回值:df3: 一个DataFrame类型数据# df1,df2是DataFrame类型数据df1 DataFrame(np.arange(12.).reshape((3, 4)), columnslist(abcd))df2 DataFrame(np.arange(20.).reshape((4, 5)), columnslist(abcde))# 请在此添加代码 完成本关任务# ********** Begin *********#df3df1.add(df2,fill_value4)# ********** End **********## 返回df3return df3
第七关数据的基本操作——去重
编程要求 去除df1中重复的行并把结果保存到df2中。相关知识
duplicated()
DataFrame的duplicated方法返回一个布尔型Series表示各行是否是重复行。具体用法如下
In[1]: df DataFrame({k1:[one]*3 [two]*4, k2:[1,1,2,3,3,4,4]})In[2]: dfOut[2]: k1 k20 one 11 one 12 one 23 two 34 two 35 two 46 two 4In[3]: df.duplicated()Out[3]: 0 False1 True2 False3 False4 True5 False6 Truedtype: bool
drop_duplicates()
drop_duplicates()用于去除重复的行数具体用法如下
In[4]: df.drop_duplicates()Out[4]: k1 k20 one 12 one 23 two 35 two 4
第七关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pddef delete_duplicated():返回值:df2: 一个DataFrame类型数据# df1是DataFrame类型数据df1 DataFrame({k1: [one] * 3 [two] * 4, k2: [1, 1, 2, 3, 3, 4, 4]})# 请在此添加代码 完成本关任务# ********** Begin *********#df2df1.drop_duplicates()# ********** End **********## 返回df2return df2
第八关层次化索引
编程要求 对s1进行数据重塑转化成DataFrame类型并复制到d1。相关知识
层次化索引
层次化索引(hierarchical indexing)是pandas的一项重要功能它使我们能在一个轴上拥有多个两个以上索引级别。请看以下例子
In[1]:data Series(np.random.randn(10), index [[a, a, a, b, b, b, c, c, d, d ],[1,2,3,1,2,3,1,2,2,3]])In[2]:dataOut[2]:a 1 0.1692392 0.6892713 0.879309b 1 -0.6991762 0.2604463 -0.321751c 1 0.8931052 0.757505d 2 -1.2233443 -0.802812dtype: float64
索引方式
In[3]:data[b:d]Out[3]:b 1 -0.6991762 0.2604463 -0.321751c 1 0.8931052 0.757505d 2 -1.2233443 -0.802812dtype: float64
内层选取
In[4]:data[:, 2]Out[4]:a 0.689271b 0.260446c 0.757505d -1.223344dtype: float64
数据重塑
将Series转化成DataFrame:
in[5]:data.unstack()Out[5]:1 2 3a 0.169239 0.689271 0.879309b -0.699176 0.260446 -0.321751c 0.893105 0.757505 NaNd NaN -1.223344 -0.802812
第八关答案
# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import pandas as pd
import numpy as np
def suoying():返回值:d1: 一个DataFrame类型数据#s1是Series类型数据s1Series(np.random.randn(10),index[[a, a, a, b, b, b, c, c, d, d], [1, 2, 3, 1, 2, 3, 1, 2, 2, 3]])# 请在此添加代码 完成本关任务# ********** Begin *********#d1s1.unstack()# ********** End **********## 返回d1return d1suoying() 数据采集习题参考答案会持续更新点个关注防丢失。
创作不易一键三连给博主一个支持呗。
