Python人工智能編程基礎(chǔ)項目十一

數(shù)據(jù)運算操作主講教師：XXX課前導(dǎo)入假設(shè)您是一名氣象學家，負責分析一周內(nèi)的氣溫數(shù)據(jù)以預(yù)測未來的氣候趨勢。您需要創(chuàng)建一個存儲每日最高氣溫的科學計算數(shù)組，并根據(jù)每天溫度的變化對氣溫數(shù)據(jù)集合進行修改，以滿足后續(xù)分析和可視化的需求。這些工作都離不開NumPy和Pandas庫，本項目將詳細介紹相關(guān)數(shù)據(jù)運算操作。重難點重點：難點：掌握NumPy數(shù)組的修改操作、基本運算及廣播機制；掌握Pandas基本數(shù)據(jù)結(jié)構(gòu)及數(shù)據(jù)處理、分析方法理解NumPy廣播機制的規(guī)則及應(yīng)用；靈活運用Pandas處理缺失值、重復(fù)值等數(shù)據(jù)問題CONTENTS修改數(shù)據(jù)集合數(shù)組運算操作Pandas基本操作Pandas數(shù)據(jù)處理目錄CONTENTS01020304parTONE修改數(shù)據(jù)集合01知識儲備：數(shù)據(jù)添加與刪除1np.append()：數(shù)據(jù)添加

格式為np.append(arr,values,axis=None)。參數(shù)：arr為目標數(shù)組，values為要附加的值或數(shù)組，axis指定附加的軸，為None時數(shù)組展平后附加。importnumpyasnparr=np.array([1,2,3])new_arr=np.append(arr,[4,5,6])print(new_arr)#輸出[123456]例：知識儲備：數(shù)據(jù)添加與刪除1np.delete()：數(shù)據(jù)刪除

格式為np.delete(arr,obj,axis=None)。參數(shù)：arr為目標數(shù)組，obj為要刪除的索引或切片，axis指定刪除的軸，為None時數(shù)組展平后刪除。arr=np.array([1,2,3,4,5,6])new_arr=np.delete(arr,2)print(new_arr)#輸出[12456]例：知識儲備：修改數(shù)據(jù)形狀1reshape方法

形狀改變但數(shù)據(jù)和原數(shù)組相同，新形狀元素數(shù)量需與原數(shù)組一致arr=np.array([1,2,3,4,5,6])reshaped_arr=arr.reshape((2,3))print(reshaped_arr)#輸出[[123][456]]例：知識儲備：修改數(shù)據(jù)形狀1resize方法

可改變數(shù)組形狀和大小，新大小大于原大小時插入重復(fù)元素，小于時截取部分arr=np.array([1,2,3,4,5,6])resized_arr2=np.resize(arr,(3,3))print(resized_arr2)#輸出[[123][456][123]]例：知識儲備：修改數(shù)據(jù)形狀1設(shè)置shape屬性直接修改原始數(shù)組形狀，新形狀元素數(shù)量需與原數(shù)組一致arr=np.array([1,2,3,4,5,6])arr.shape=(2,3)print(arr)#輸出[[123][456]]例：知識儲備：數(shù)組展平1flatten()和ravel()：均將多維數(shù)組展平為一維數(shù)組，不修改原始數(shù)組arr_2d=np.array([[1,2,3],[4,5,6]])flattened_arr=arr_2d.flatten()raveled_arr=arr_2d.ravel()print(flattened_arr)#輸出[123456]print(raveled_arr)#輸出[123456]例：知識儲備：數(shù)組分割1函數(shù)名稱說明hsplit對數(shù)組進行橫向分割vsplit對數(shù)組進行縱向分割split對數(shù)組進行橫向和縱向分割例：arr=np.arange(12).reshape(3,4)split_arr=np.hsplit(arr,2)#水平分割split_arr_v=np.vsplit(arr,3)#垂直分割知識儲備：數(shù)組組合1函數(shù)名稱說明hstack實現(xiàn)數(shù)組的橫向組合vstack實現(xiàn)數(shù)組的縱向組合concatenate通過參數(shù)axis實現(xiàn)縱向或橫向組合例：arr1=np.array([1,2,3])arr2=np.array([4,5,6])result_hstack=np.hstack((arr1,arr2))#水平組合result_vstack=np.vstack((arr1,arr2))#垂直組合任務(wù)實操——創(chuàng)建數(shù)組1任務(wù)實操數(shù)組的合并與展平此任務(wù)通過介紹使用Numpy實現(xiàn)數(shù)組的創(chuàng)建和操作，幫助大家更好地應(yīng)用Numpy解決實際問題。【例11.1】根據(jù)前面學過的NumPy數(shù)組創(chuàng)建的方法，創(chuàng)建包含1到10的奇數(shù)和偶數(shù)的數(shù)組，并將兩個數(shù)組沿垂直方向合并為1個數(shù)組，然后將合并的數(shù)組進行展平。具體編程示例：importnumpyasnpodd_array=np.arange(1,11,2)even_array=np.arange(2,11,2)result_vstack=np.vstack((odd_array,even_array))flattened_arr=result_vstack.flatten()print(flattened_arr)#輸出任務(wù)實操——數(shù)組形狀改變1【例11.2】使用NumPy創(chuàng)建1~9的數(shù)組，然后將其形狀改為3×3。具體編程示例：arr=np.arange(1,10)arr_2d=arr.reshape(3,3)print("創(chuàng)建的數(shù)組列表為：\n",arr)print("修改成二維的數(shù)組列表：\n",arr_2d)運行程序，輸出結(jié)果如下：創(chuàng)建的數(shù)組列表為：

[123456789]修改成二維的數(shù)組列表：

[[123][456][789]]任務(wù)鞏固——創(chuàng)建特殊數(shù)組1任務(wù)鞏固數(shù)組維度變換與合并請使用NumPy創(chuàng)建兩個數(shù)組，一個是：[9,8,7,6,5,4,3,2,1]，另一個是：[6,6,6,6,6,6]，將第一個數(shù)組形狀改為3×3，第二個數(shù)組形狀改為2×3。然后沿水平方向合并兩個數(shù)組為新數(shù)組，并打印結(jié)果。輸入示例：importnumpyasnparr1=np.array([9,8,7,6,5,4,3,2,1]).reshape(3,3)arr2=np.array([6,6,6,6,6,6]).reshape(2,3)merged_arr=np.hstack((arr1,arr2[:3,:]))#取arr2前3行與arr1合并print(merged_arr)parTTWO數(shù)組運算操作02知識儲備：數(shù)組運算2NumPy提供了豐富的數(shù)組運算操作，常見的有算術(shù)運算、數(shù)學運算、比較運算和邏輯運算等函數(shù)名稱運算符說明add(x,y)+計算數(shù)組x和數(shù)組y中各元素的和substract(x,y)-計算數(shù)組x和數(shù)組y中各元素的差multiply(x,y)*計算數(shù)組x和數(shù)組y中各元素的積divide(x,y)/計算數(shù)組x和數(shù)組y中各元素的商power(x,y)**計算數(shù)組x和數(shù)組y中各元素的冪abs(x)

計算數(shù)組x中各元素的絕對值exp(x)

計算自然數(shù)E的數(shù)組x中各元素的次冪log(x)

計算數(shù)組x中各元素的對數(shù)sqrt(x)

計算數(shù)組x中各元素的平方根equal(x,y)

判斷數(shù)組x和y中各元素是否相等知識儲備：廣播運算2廣播運算的規(guī)則： 1.讓所有輸入數(shù)組向shape最長的數(shù)組看齊，不足部分在前面加1補齊。 2.輸出數(shù)組shape是輸入數(shù)組各軸最大值。 3.輸入數(shù)組某軸與輸出對應(yīng)軸長度相同或為1時可計算，否則出錯。 4.輸入數(shù)組某軸長度為1時，沿該軸運算使用第一組值scalar=5arr=np.array([1,2,3])print(scalar*arr)#輸出[51015]arr1=np.array([[1,2,3],[4,5,6]])arr2=np.array([10,20,30])print(arr1+arr2)#輸出[[112233][142536]]例：任務(wù)實操——數(shù)組運算2任務(wù)實操數(shù)組運算此任務(wù)通過介紹使用NumPy數(shù)組的運算操作及廣播機制，幫助同學對數(shù)組的運算操作和廣播規(guī)則有更好地理解和應(yīng)用。【例10.3】假設(shè)有兩個NumPy數(shù)組，要求計算兩個數(shù)組的元素級別的和；計算兩個數(shù)組的元素級別的差；計算兩個數(shù)組的元素級別的乘積。提示：首先創(chuàng)建兩個數(shù)組，然后使用對應(yīng)的函數(shù)實現(xiàn)數(shù)組運算。任務(wù)實操——天氣數(shù)據(jù)管理2具體編程示例：arr1=np.array([1,2,3,4,5])arr2=np.array([5,4,3,2,1])result_add=np.add(arr1,arr2)result_subtraction=np.subtract(arr1,arr2)result_multiplication=np.multiply(arr1,arr2)print("數(shù)組元素級別加法結(jié)果：",result_add)print("數(shù)組元素級別減法結(jié)果：",result_subtraction)print("數(shù)組元素級別乘法結(jié)果：",result_multiplication)任務(wù)鞏固——廣播運算2任務(wù)鞏固廣播運算此任務(wù)要求使用Numpy數(shù)組的廣播機制，實現(xiàn)標量和數(shù)組以及數(shù)組與數(shù)組的廣播運算，可以按照以下步驟進行。①首先隨機創(chuàng)建一個二維數(shù)組，一個一維數(shù)組，和一個標量。②使用廣播將標量與數(shù)組相乘、相加，同時將數(shù)組的每一行與標量相除。③使用廣播將一維數(shù)組與二維數(shù)據(jù)進行加減運算。④輸出運行結(jié)果。parTTHREEPandas基本操作03知識儲備：Series對象3Series對象 Pandas中的Series是一種一維數(shù)組結(jié)構(gòu)，可以容納任意數(shù)據(jù)類型。每個Series對象都由兩個主要部分組成：索引（Index）和數(shù)據(jù)（Data）。索引用于標識數(shù)據(jù)，類似于字典中的鍵，而數(shù)據(jù)則是一維數(shù)組。數(shù)組：s=pd.Series(np.arange(5),index=['a','b','c','d','e'])字典：s=pd.Series({'a':0,'b':1,'c':2,'d':3,'e':4})列表：s=pd.Series([0,1,2,3,4],index=['a','b','c','d','e'])例：DataFrame對象：

Pandas中的DataFrame是一個二維標記數(shù)據(jù)結(jié)構(gòu)，類似于電子表格或SQL表。DataFrame由行和列組成，每列可以包含不同的數(shù)據(jù)類型。它可以看作由Series組成的dict，每個Series看作DataFrame的一個列。它是Pandas中最常用的數(shù)據(jù)結(jié)構(gòu)之一，提供了豐富的功能來處理和分析數(shù)據(jù)。知識儲備：DataFrame對象3data_dict={'Name':['Cao','Fu','Lu'],'Age':[27,29,30], 'City':['WenZhou','HangZhou','ShangHai']}df_dict=pd.DataFrame(data_dict)#使用字典創(chuàng)建DataFrame#使用列表創(chuàng)建DataFramedata_list=[['Cao',27,'WenZhou'],['Fu',29,'HangZhou'],['Lu',30,'ShangHai']]df_list=pd.DataFrame(data_list,columns=['Name','Age','City’])#使用數(shù)組創(chuàng)建DataFramedata_array=np.array([['Cao',27,''WenZhou''],['Fu',29,'HangZhou'],['Lu',30,'ShangHai']])df_array=pd.DataFrame(data_array,columns=['Name','Age','City’])例：Pandas中DataFrame和Series類型都有一些常用的屬性，這些屬性提供了關(guān)于數(shù)據(jù)結(jié)構(gòu)的基本信息，利用這些屬性提供的功能可以用來處理和分析數(shù)據(jù)。知識儲備：常用屬性3屬性說明values以數(shù)組形式返回Series對象的所有元素index返回Series對象的索引dtype返回Series對象的數(shù)據(jù)類型shape返回Series對象的形狀nbytes返回Series對象的字節(jié)數(shù)ndim返回Series對象的維度size返回Series對象內(nèi)的元素個數(shù)T返回Series對象的轉(zhuǎn)置任務(wù)實操——簡單的Pandas數(shù)據(jù)操作3任務(wù)實操簡單的Pandas數(shù)據(jù)操作【例11.4】編寫一個Python程序，使用字典或列表創(chuàng)建一個包含學生信息的DataFrame，至少包含5名學生的信息，信息包括學生姓名（Name）、年齡（Age）、成績（Grade）。importpandasaspd#創(chuàng)建學生信息DataFramestudents_data={'Name':['Alice','Bob','Charlie','David','Emma'], 'Age':[20,22,21,23,20],'Grade':[85,90,78,92,88]}students_df=pd.DataFrame(students_data)print("學生信息DataFrame:")print(students_df)任務(wù)鞏固——DataFrame數(shù)據(jù)操作及屬性3任務(wù)鞏固DataFrame數(shù)據(jù)操作及屬性此任務(wù)要求使用Pands創(chuàng)建一個二維數(shù)組，實現(xiàn)學生成績的記錄與分析，可以按照以下步驟進行。①首先創(chuàng)建一個如下所示的DataFrame數(shù)組，模擬班級學生的成績信息。

NameMathEnglishScience0Alice8575901Bob9080852Charlie7892883David9288944Emma889587②輸出DataFrame的形狀；輸出DataFrame的列名；輸出學生的姓名列。③輸出創(chuàng)建的數(shù)組及相應(yīng)的屬性結(jié)果parTFOURPandas數(shù)據(jù)處理04知識儲備：數(shù)據(jù)訪問4Series訪問

通過索引位置（如s[0]）或索引名稱（如s['a’]）。DataFrame訪問

列：df['Math']、df[['Math','English’]]

行和列：df.loc[row_label,column_label]（標簽）或 df.iloc[row_index,column_index]（位置）

條件：df[(df['Math']>=85)&(df['English']>=85)]。在Pandas中，數(shù)據(jù)處理是數(shù)據(jù)分析過程中至關(guān)重要的一部分。常見的數(shù)據(jù)處理方法包括缺失值處理、重復(fù)值處理和異常值處理。知識儲備：數(shù)據(jù)處理3函數(shù)說明df.dropna()刪除缺失值df.fillna()用一個值來替換缺失值df.Interpolate()插值法填充缺失值df.drop_duplicates()去除重復(fù)數(shù)據(jù)統(tǒng)計分析是了解數(shù)據(jù)最常用的手段，在NumPy中提供了豐富的統(tǒng)計函數(shù)，用于對數(shù)據(jù)進行統(tǒng)計分析，Pandas庫基于NumPy庫，因此，NumPy中的統(tǒng)計函數(shù)大都適用于Pandas中的數(shù)據(jù)統(tǒng)計分析。知識儲備：數(shù)據(jù)統(tǒng)計3函數(shù)名稱功能說明sum求和mean平均值min最小值max最大值median中位數(shù)var方差std標準差cov協(xié)方差sem標準誤差mode眾數(shù)skew樣本偏度kurt樣本峰度quantile四分位數(shù)count非空值數(shù)目mad平均絕對離差任務(wù)實操——成績統(tǒng)計分析4任務(wù)實操成績統(tǒng)計分析本任務(wù)主要練習對學生成績的統(tǒng)計分析?！纠?1.5】假設(shè)班級有三個學生A(男)，B(女)，C(女)，每個學生的語文、數(shù)學、英語成績記錄在數(shù)組中：[[89,85,92],[92,81,76],[90,80,83]]，數(shù)組的每一行表示一個學生的三科成績，下面請對該成績進行簡單的數(shù)據(jù)分析。要求：（1）創(chuàng)建一個DataFrame記錄學生成績信息，包含5列，分別為姓名，性別，各科成績；（2）計算語文、數(shù)學和英語成績的平均分、最大值和最小值；（3）計算三個人的成績總分，并打印最高的總分數(shù)；（4）計算每個學生的平均成績，同時找出每個學生成績的最高分和最低分。任務(wù)實操——成績統(tǒng)計分析2具體編程示例：scores=np.array([[89,85,92],[92,81,76],[90,80,83]])#成績數(shù)據(jù)#創(chuàng)建DataFrame記錄學生成績信息df_grades=pd.DataFrame({'姓名':['A','B','C'],'性別':=['男','女','女'],