我們知道Pandas是在NumPy的基礎(chǔ)構(gòu)建而來，因此，熟悉NumPy可以更加有效的幫助我們使用Pandas。
NumPy主要用C語言編寫，因此，在計(jì)算還和處理一維或多維數(shù)組方面，它要比Python數(shù)組快得多。
數(shù)組的主要作用是在一個(gè)變量中存儲(chǔ)多個(gè)值。NumPy可以輕松地處理多維數(shù)組，示例如下:
import numpy as np
arr = np.array([2, 4, 6, 8, 10, 12])
print(type(arr))print ("打印新建數(shù)組: ",end="")#使用for循環(huán)讀取數(shù)據(jù) for l in range (0,5):
print (arr[l], end=" ")1234567復(fù)制代碼類型：[python]輸出結(jié)果：
<class 'numpy.ndarray'> 打印新建數(shù)組: 2 4 6 8 1012復(fù)制代碼類型：[python]
雖然Python本身沒有數(shù)組這個(gè)說法，不過Python提供一個(gè)array模塊，用于創(chuàng)建數(shù)字、字符類型的數(shù)組，它能夠容納字符型、整型、浮點(diǎn)型等基本類型。示例如下：
import array#注意此處的 'l' 表示有符號int類型 arr = array.array('l', [2, 4, 6, 8, 10, 12])
print(type(arr))print ("新建數(shù)組: ",end="")
for i in range (0,5):
print (arr[i], end=" ") 1234567復(fù)制代碼類型：[python]輸出結(jié)果：
<class 'array.array'> 新建數(shù)組: 2 4 6 8 1012復(fù)制代碼類型：[python]
布爾索引是NumPy的重要特性之一，通常與Pandas一起使用。它的主要作用是過濾DataFrame中的數(shù)據(jù)，比如布爾值的掩碼操作。
下面示例展示了如何使用布爾索引訪問DataFrame中的數(shù)據(jù)。
首先創(chuàng)建一組包含布爾索引的數(shù)據(jù)，如下所示：
import pandas as pd
dict = {'name':["Smith", "William", "Phill", "Parker"],
'age': ["28", "39", "34", "36"]}
info = pd.DataFrame(dict, index = [True, True, False, True])
print(info)12345復(fù)制代碼類型：[python]輸出結(jié)果：
name ageTrue Smith 28True William 39False Phill 34True Parker 3612345復(fù)制代碼類型：[python]
然后使用.loc訪問索引為True的數(shù)據(jù)。示例如下：
import pandas as pd
dict = {'name':["Smith", "William", "Phill", "Parker"],
'age': ["28", "39", "34", "36"]}
info = pd.DataFrame(dict, index = [True, True, False, True])#返回所有為 True的數(shù)據(jù) print(info.loc[True]) 123456復(fù)制代碼類型：[python]輸出結(jié)果：
name ageTrue Smith 28True William 39True Parker 361234復(fù)制代碼類型：[python]
在不改變數(shù)組數(shù)據(jù)的情況下，對數(shù)組進(jìn)行變形操作，即改變數(shù)組的維度，比如2*3（兩行三列）的二維數(shù)組變維3*2（三行兩列）的二維數(shù)組。變形操作可以通過reshape()函數(shù)實(shí)現(xiàn)。
示例如下：
import numpy as np
arr = np.arange(16)
print("原數(shù)組: \n", arr)
arr = np.arange(16).reshape(2, 8)
print("\n變形后數(shù)組:\n", arr)
arr = np.arange(16).reshape(8 ,2)
print("\n變形后數(shù)組:\n", arr)1234567復(fù)制代碼類型：[python]輸出結(jié)果：
原數(shù)組:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15] 變形后數(shù)組: [[ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15]] 變形后數(shù)組: [[ 0 1] [ 2 3] [ 4 5] [ 6 7] [ 8 9] [10 11] [12 13] [14 15]]123456789101112131415復(fù)制代碼類型：[python]
Pandas和NumPy被認(rèn)為是科學(xué)計(jì)算與機(jī)器學(xué)習(xí)中必不可少的庫，因?yàn)樗鼈兙哂兄庇^的語法和高性能的矩陣計(jì)算能力。下面對Pandas與NumPy進(jìn)行簡單的總結(jié)，如下表所示：
| 比較項(xiàng) | Pandas | NumPy |
|---|---|---|
| 適應(yīng)性 | Pandas主要用來處理類表格數(shù)據(jù)。 | NumPy 主要用來處理數(shù)值數(shù)據(jù)。 |
| 工具 | Pandas提供了Series和DataFrame數(shù)據(jù)結(jié)構(gòu)。 | NumPy 構(gòu)建了 ndarray array來容納數(shù)據(jù)。 |
| 性能 | Pandas對于處理50萬行以上的數(shù)據(jù)更具優(yōu)勢。 | NumPy 則對于50萬以下或者更少的數(shù)據(jù)，性能更佳。 |
| 內(nèi)存利用率 | 與 NumPy相比，Pandas會(huì)消耗大量的內(nèi)存。 | NumPy 會(huì)消耗較少的內(nèi)存。 |
| 對象 | Pandas 提供了 DataFrame 2D數(shù)據(jù)表對象。 | NumPy 則提供了一個(gè)多維數(shù)組 ndarray 對象 |
在某些情況下，需要執(zhí)行一些NumPy數(shù)值計(jì)算的高級函數(shù)，這個(gè)時(shí)候您可以使用to_numpy()函數(shù)，將DataFrame對象轉(zhuǎn)換為NumPyndarray數(shù)組，并將其返回。函數(shù)的語法格式如下：
DataFrame.to_numpy(dtype=None, copy=False) 1復(fù)制代碼類型：[python]
參數(shù)說明如下：
dtype：可選參數(shù)，表示數(shù)據(jù)類型；
copy：布爾值參數(shù)，默認(rèn)值為Fales，表示返回值不是其他數(shù)組的視圖。
下面使用示例，了解該函數(shù)的使用方法。示例1：
info = pd.DataFrame({"P": [2, 3], "Q": [4.0, 5.8]})#給info添加R列 info['R'] = pd.date_range('2020-12-23', periods=2)
print(info)#將其轉(zhuǎn)化為numpy數(shù)組 n=info.to_numpy()
print(n)
print(type(n))12345678復(fù)制代碼類型：[python]輸出結(jié)果：
[[2 4.0 Timestamp('2020-12-23 00:00:00')]
[3 5.8 Timestamp('2020-12-24 00:00:00')]]12復(fù)制代碼類型：[python]可以通過type查看其類型，輸出如下：
numpy.ndarray1復(fù)制代碼類型：[python]
示例2：
import pandas as pd
#創(chuàng)建DataFrame對象info = pd.DataFrame([[17, 62, 35],[25, 36, 54],[42, 20, 15],[48, 62, 76]],
columns=['x', 'y', 'z'])
print('DataFrame\n----------\n', info)
#轉(zhuǎn)換DataFrame為數(shù)組arrayarr = info.to_numpy()
print('\nNumpy Array\n----------\n', arr) 12345678復(fù)制代碼類型：[python]輸出結(jié)果：
DataFrame ---------- x y z0 17 62 351 25 36 542 42 20 153 48 62 76Numpy Array ---------- [[17 62 35] [25 36 54] [42 20 15] [48 62 76]]
