Pandas是Python中非常常用的数据处理工具，使用起来非常方便。它建立在NumPy数组结构之上，所以它的很多操作通过NumPy或者Pandas自带的扩展模块编写，这些模块用Cython编写并编译到C，并且在C上执行，因此也保证了处理速度。
今天我们就来体验一下它的强大之处。
1.创建数据
使用pandas可以很方便地进行数据创建，现在让我们创建一个5列1000行的pandas DataFrame：
x
mu1, sigma1 = 0, 0.1mu2, sigma2 = 0.2, 0.2n = 1000df = pd.DataFrame( { "a1": pd.np.random.normal(mu1, sigma1, n), "a2": pd.np.random.normal(mu2, sigma2, n), "a3": pd.np.random.randint(0, 5, n), "y1": pd.np.logspace(0, 1, num=n), "y2": pd.np.random.randint(0, 2, n), })- a1和a2：从正态（高斯）分布中抽取的随机样本。
- a3：0到4中的随机整数。
- y1：从0到1的对数刻度均匀分布。
- y2：0到1中的随机整数。
生成如下所示的数据：
2.绘制图像
Pandas 绘图函数返回一个matplotlib的坐标轴(Axes)，所以我们可以在上面自定义绘制我们所需要的内容。比如说画一条垂线和平行线。这将非常有利于我们：
1.绘制平均线
2.标记重点的点
import matplotlib.pyplot as pltax = df.y1.plot()ax.axhline(6, color="red", linestyle="--")ax.axvline(775, color="red", linestyle="--")plt.show()
我们还可以自定义一张图上显示多少个表：
fig, ax = plt.subplots(2, 2, figsize=(14,7))df.plot(x="index", y="y1", ax=ax[0, 0])df.plot.scatter(x="index", y="y2", ax=ax[0, 1])df.plot.scatter(x="index", y="a3", ax=ax[1, 0])df.plot(x="index", y="a1", ax=ax[1, 1])plt.show()
3.绘制直方图
Pandas能够让我们用非常简单的方式获得两个图形的形状对比：
df[["a1", "a2"]].plot(bins=30, kind="hist")plt.show()
还能允许多图绘制:
df[["a1", "a2"]].plot(bins=30, kind="hist", subplots=True)plt.show()
当然，生成折线图也不在画下：
df[['a1', 'a2']].plot(by=df.y2, subplots=True)plt.show()
4.线性拟合
Pandas还能用于拟合，让我们用pandas找出一条与下图最接近的直线：
最小二乘法计算和该直线最短距离：
df['ones'] = pd.np.ones(len(df))m, c = pd.np.linalg.lstsq(df[['index', 'ones']], df['y1'], rcond=None)[0]根据最小二乘的结果绘制y和拟合出来的直线：
df['y'] = df['index'].apply(lambda x: x * m + c)df[['y', 'y1']].plot()plt.show()
我们的文章到此就结束啦，如果你希望我们今天的Python 教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦
有任何问题都可以在下方留言区留言，我们都会耐心解答的！
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)