NumPy是使用Python進行科學(xué)計算的基本軟件包。它包含以下內(nèi)容：
除了其明顯的科學(xué)用途外，NumPy還可以用作通用數(shù)據(jù)的高效多維容器?？梢远x任意數(shù)據(jù)類型。這使NumPy能夠無縫，快速地與各種數(shù)據(jù)庫集成。
1.argpartition（）
NumPy具有此驚人的功能，可以找到N個最大值索引。輸出將是N個最大值索引，然后可以根據(jù)需要對值進行排序。
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, 12, 16])2. allclose（）
Allclose（）用于匹配兩個數(shù)組，并根據(jù)布爾值獲取輸出。如果兩個數(shù)組中的項在公差范圍內(nèi)不相等，則將返回False。檢查兩個數(shù)組是否相似的好方法，實際上很難手動實現(xiàn)。
array1 = np.array（[0.12,0.17,0.24,0.29]）array2 = np.array（[0.13,0.19,0.26,0.31]）#公差為0.1，應(yīng)返回False：np.allclose（array1， array2,0.1）False #公差為0.2，應(yīng)返回True：np.allclose（array1，array2,0.2）True3. clip（）
Clip（）用于將值保留在一個間隔內(nèi)的數(shù)組中。有時，我們需要將值保持在上限和下限之內(nèi)。出于上述目的，我們可以使用NumPy的clip（）。給定一個間隔，該間隔以外的值將被裁剪到間隔邊緣。
x = np.array（[3，17，14，23，2，2，6，8，1，1，2，16，0]）np.clip（x，2,5）array（[ 3，5，5 ，5、2、2、5、5、2、2、5、2]）4. extract（）
顧名思義，Extract（）用于根據(jù)特定條件從數(shù)組中提取特定元素。通過extract（），我們還可以使用諸如and和or的條件。
#隨機整數(shù)array = np.random.randint（20，size = 12）array array（[ 0，1，8，19，16，18，10，11，2，2，13，14，3 ]）#除以2并檢查余數(shù)是否為1 cond = np.mod（array，2）== 1 cond array（[False，True，F(xiàn)alse，True，F(xiàn)alse，F(xiàn)alse，F(xiàn)alse，True，F(xiàn)alse，True，F(xiàn)alse，True]）#使用提取以獲取值np.extract（cond，array）array（[ 1，19，11，13，3 ]）#將條件直接應(yīng)用于提取np.extract（（（（array <3）|（array> 15）） ，array）array（[0，1，19，16，18，2]）5. where（）
where（）用于從滿足特定條件的數(shù)組中返回元素。它返回在特定條件下的值的索引位置。這幾乎類似于我們在SQL中使用的where條件，我將在下面的示例中進行演示。
y = np.array([1,5,6,8,1,7,3,6,9])# y大于5時，返回索引位置np.where(y>5)array([2, 3, 5, 7, 8], dtype=int64),)# 首先將替換符合條件的值, # 其次將不替換np.where(y>5, 'Hit', 'Miss')array(['Miss', 'Miss', 'Hit', 'Hit', 'Miss', 'Hit', 'Miss', 'Hit', 'Hit'],dtype='<U4')6. percentile（）
Percentile（）用于計算沿指定軸的數(shù)組元素的第n個百分點。
a = np.array([1,5,6,8,1,7,3,6,9])print('50th Percentile of a, axis = 0 : ', np.percentile(a, 50, axis =0))50th Percentile of a, axis = 0 : 6.0b = np.array([[10, 7, 4], [3, 2, 1]])print('30th Percentile of b, axis = 0 : ', np.percentile(b, 30, axis =0))30th Percentile of b, axis = 0 : [5.1 3.5 1.9]如果你以前使用過這些函數(shù)，那么你一定了解，這些函數(shù)對你有多大幫助！
pandas是一個Python軟件包，提供快速，靈活和富于表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，旨在使處理結(jié)構(gòu)化（表格，多維，潛在異構(gòu)）和時間序列數(shù)據(jù)既簡單又直觀。
pandas非常適合許多不同類型的數(shù)據(jù)：
以下是pandas擅長處理的一些事情：
1.read_csv（nrows = n）
可能你已經(jīng)知道 read_csv 函數(shù)的使用。但是，即使不需要，我們大多數(shù)人仍然會錯誤地讀取整個.csv文件。讓我們考慮第一種情況，即我們不知道10gb的.csv文件中的列和數(shù)據(jù)，在這里讀取整個.csv文件將不是一個明智的決定，因為這將不必要地占用我們的內(nèi)存，并且會花費很多時間。我們可以從.csv文件中導(dǎo)入幾行，然后根據(jù)需要進行進一步操作。
import ioimport requests# 、為了讓你們更輕松地使用，在這里我們將使用在線數(shù)據(jù)集url = 'https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv's = requests.get(url).content# 僅讀取前10行df = pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10 , index_col=0)2. map（）
map（）函數(shù)用于根據(jù)輸入對應(yīng)關(guān)系映射Series的值。用于將系列中的每個值替換為可以從函數(shù)，字典或系列中得出的另一個值。
#創(chuàng)建一個數(shù)據(jù)dframe = pd.DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['India', 'USA', 'China', 'Russia'])#根據(jù)幀中的每個浮點值計算格式化的字符串changefn = lambda x: '%.2f' % x# 按元素進行更改dframe['d'].map(changefn)3. apply（）
apply（）允許用戶傳遞一個函數(shù)并將其應(yīng)用于Pandas系列的每個單個值。
# 最大值減去最小值的混合 lambda fnfn = lambda x: x.max() - x.min()# 將其應(yīng)用于上面剛剛創(chuàng)建的dframedframe.apply(fn)4. isin（）
isin（）用于過濾數(shù)據(jù)幀。isin（）幫助選擇在特定列中具有特定（或多個）值的行。這是我遇到的最有用的功能。
#使用我們?yōu)閞ead_csv創(chuàng)建的數(shù)據(jù)框filter1 = df [“ value”]。isin（[112]）filter2 = df [“ time”]。isin（[1949.000000]）df [filter1＆filter2]5. copy（）
copy（）用于創(chuàng)建Pandas對象的副本。將數(shù)據(jù)幀分配給另一個數(shù)據(jù)幀時，在另一個數(shù)據(jù)幀中進行更改時其值也會更改。為了防止出現(xiàn)上述問題，我們可以使用copy（）。
#創(chuàng)建樣本系列data = pd.Series(['India', 'Pakistan', 'China', 'Mongolia'])#分配我們面臨的問題data1 = data #修改值data1 [0] ='USA' #還要更改舊數(shù)據(jù)框中的值#為防止這種情況，我們使用#創(chuàng)建系列的副本new = data.copy（）#分配新的值new [1] ='Changed value' #打印數(shù)據(jù)print（new）print（data）6. select_dtypes（）
select_dtypes（）函數(shù)基于列dtypes返回數(shù)據(jù)框的列的子集?？梢詫⒋撕瘮?shù)的參數(shù)設(shè)置為包括具有某些特定數(shù)據(jù)類型的所有列，也可以設(shè)置為排除具有某些特定數(shù)據(jù)類型的所有那些列。
#我們將使用read_csvframex = df.select_dtypes(include='float64')#僅返回時間列其他的收獲：數(shù)據(jù)透視表（）
Pandas 最神奇、最有用的功能是 pivot_table。如果你還在猶豫使用 groupby 并想擴展其功能，那么可以很好試試 pivot_table 。如果你知道數(shù)據(jù)透視表在excel中是如何工作的，那么對你來說可能就是小菜一碟。數(shù)據(jù)透視表中的級別將存儲在結(jié)果 DataFrame 的索引和列上的MultiIndex對象（分層索引）中。
#創(chuàng)建一個樣本數(shù)據(jù)school = pd.DataFrame({'A': ['Jay', 'Usher', 'Nicky', 'Romero', 'Will'], 'B': ['Masters', 'Graduate', 'Graduate', 'Masters', 'Graduate'], 'C': [26, 22, 20, 23, 24]})#讓我們根據(jù)年齡和課程來創(chuàng)建數(shù)據(jù)透視表table = pd.pivot_table(school, values ='A', index =['B', 'C'], columns =['B'], aggfunc = np.sum, fill_value='Not Available') table學(xué)習(xí)是為了更加方便我們的工作，這12個函數(shù)，不僅能方便我們處理數(shù)據(jù)，還能提高我們的工作效率。希望能對你帶來收獲！
以上所有代碼都給你整理好了：https ://github.com/kunaldhariwal/Medium-12-Amazing-Pandas-NumPy-Functions
本文由未艾信息（www.weainfo.net）編譯，
