(2.6)--6.Python常见库Python程序设计基础.pdf

《(2.6)--6.Python常见库Python程序设计基础.pdf》由会员分享，可在线阅读，更多相关《(2.6)--6.Python常见库Python程序设计基础.pdf（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Python 常见库Python 作为一个设计优秀的程序语言，现在已广泛应用于各种领域，依靠其强大的第三方类库，Python 在各个领域都能发挥巨大的作用。下面表格中展示了部分常见库及其用途，其中我们对 numpy 和 pandas 库进行详细了解。分分类类库名称库名称库用途库用途Web框架Django开源 web 开发框架，它鼓励快速开发,并遵循 MVC 设计，我以前用过很多次，比较好用，开发周期短ActiveGrid企业级的 Web2.0 解决方案Karrigell简单的 Web 框架，自身包含了 Web 服务，py 脚本引擎和纯 python 的数据库PyDBLitewebpy一个小巧灵

2、活的 Web 框架，虽然简单但是功能强大CherryPy基于 Python 的 Web 应用程序开发框架Pylons基于 Python 的一个极其高效和可靠的 Web 开发框架Zope开源的 Web 应用服务器TurboGears基于 Python 的 MVC 风格的 Web 应用程序框架Twisted流行的网络编程库，大型 Web 框架QuixoteWeb 开发框架科学计算Matplotlib用 Python 实现的类 matlab 的第三方库，用以绘制一些高质量的数学二维图形SciPy基于 Python 的 matlab 实现，旨在实现 matlab 的所有功能NumPy基于 Python

3、 的科学计算第三方库，提供了矩阵，线性代数，傅立叶变换等等的解决方案GUIPyGtk基于 Python 的 GUI 程序开发 GTK+库PyQt用于 Python 的 QT 开发库WxPythonPython 下的 GUI 编程框架，与 MFC 的架构相似TkinterPython 下标准的界面编程包，因此不算是第三方库了 o(_)o其它BeautifulSoup基于 Python 的 HTML/XML 解析器，简单易用PIL基于 Python 的图像处理库，功能强大，对图形文件的格式支持广泛MySQLdb用于连接 MySQL 数据库cElementTree高性能 XML 解析库，Py2.5

4、应该已经包含了该模块，因此不算一个第三方库了PyGame基于 Python 的多媒体开发和游戏软件开发模块Py2exe将 python 脚本转换为 windows 上可以独立运行的可执行程序pefileWindows PE 文件解析器一、numpy 库numpy 是用于科学计算的第三方库，它是一个开源的 Python 程序库，它提供一个多维数组对象、各种派生对象（如矩阵）以及用于数组快速操作的各种函数，包括数学函数、逻辑运算、基本线性代数、基本统计操作等。使用 numpy 库可以很自然的使用数组和矩阵。1.numpy 安装方法一：安装 Anaconda。如果安装了 Anaconda 发行版，它

5、包括 Python、numpy 库和许多其他用于科学计算和数据科学的常用包，不需要另外安装 numpy。方法二：安装 Miniconda。如果安装了 Miniconda，它只包含最基本的内容：Python和conda等，numpy库需要使用conda命令来安装，可以从defaults channels或者 conda-forge channels 安装 numpy 库。命令格式为：conda config-add channels conda-forgeconda install numpy方法三：使用 pip 安装。使用 pip 的命令格式为：pip install numpy2.numpy

6、 数组先通过一个例子了解一下 numpy 数组的应用。【例 1】编写一个程序，计算向量和：x+y=(x0,x1,xn-1)+(y0,y1,yn-1)=(x0+y0,x1+y1,，xn-1+yn-1)=(z0,z1,zn-1)=z求解方法有两种：方法一：数据存储在 Python 的两个列表(x 和 y)中，可以使用循环对列表 x和 y 中对应元素相加，程序代码如下：n=10 x=range(n)y=range(n)z=for i in range(len(x):z.append(xi*yi)print(z)方法二：数据存储在 numpy 数组 x 和 y 中，程序代码如下：import nump

7、y as npn=10 x=np.arange(n)y=np.arange(n)z=x+yprint(z)其中 np.arange(n)创建 numpy 数组即 ndarray 对象，该数组为一维数组，每个数组元素的值依次是 0 到 n-1 的整数，即数组元素 x0的值是 0，数组元素 x1的值是 1，数组元素 xn-1的值是 n-1。x+y 表示 numpy 数组（ndarray 对象）x 和 y 对应元素逐个进行求和运算。在 numpy 库中，numpy 数组（ndarray 对象）的所有操作，都是按照逐个元素的方式进行，而不需要使用循环实现对应元素的相应操作。对比上述两段代码可知，对数组

8、的计算，不需要显示的循环语句，其代码更加简单、明了，使用起来更加自然。numpy 库的核心是 ndarray 对象。numpy ndarray 对象是一个 N 维数组，数组中的所有类型相同，数组中的每个元素由一个非负整数索引，索引值按元素顺序从 0 开始，与 Python 数组的索引值（或下标）规则相同。N 维数组，每个方向称为一个轴（axis），N 维则有 N 个轴，这就像二维数组，有两个轴，一个轴为行（垂直）方向，一个轴为列（水平）方向。下面是 numpy 数组的三种创建方法：首先导入 numpy 库。import numpy as np（1）使用 Python 列表、元组等进行创建-nu

9、mpy.array()示例如下：d1=1,2,3,4#或者 d1=(1,2,3,4)a=np.array(d1)#将列表转换为 ndarray 数组 aarray(1,2,3,4)还可以通过嵌套列表、嵌套元组，来创建二维数组、三维数组等。示例如下：d3=1,2,3,4,5,6,7,8#列表嵌套 c=np.array(d3)#二维数组 carray(1,2,3,4,5,6,7,8)（2）使用 numpy 内部函数创建 numpy 数组zeros()函数：dtype 参数设置元素类型，元素值默认类型为 float 类型；shape参数设置数组的维度，该参数可以使用元组或列表赋值。arange()函

10、数：arange(start,stop,step,dtype=None)，根据 start 与 stop 指定的范围以及 step 设定的步长，生成一维 ndarray 对象。start 起始值，默认为 0；stop 终止值，生成的值不包含该值；step 为生成元素值的步长，默认为 1，该值可为小数；dtype 返回数组元素值的数据类型，如果没有设置，则会使用输入数据的类型。linspace()函数-创建等差数列一维数组。linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)，start 为序列的起始值；stop 为

11、序列的终止值；num 为生成的等差数列中的元素个数，默认值为 50；endpoint 值为 Ture时，stop 值包含在数列中，反之不包含，默认是 True；retstep 如果为 True 时，生成的数组中会显示间距，反之不显示，默认值为 False；dtype 为数组元素的数据类型。（3）使用 random 模块创建数组数组创建好以后，下面是数组的索引与切片。（1）索引访问数据一维数组的每个元素都有一个索引，这个索引可以是正数，也可以是负数。如果是正数，从开始依次递增，即索引值为 0 表示第一个元素，索引值为 1 表示第 2 个元素等。如果是负数，索引从后往前计数，从最后一个元素开始计数

12、，即索引值为-1，表示最后一个元素，索引值为-2 表示倒数第二个元素等。示例如下：a=np.arange(1,10)aarray(1,2,3,4,5,6,7,8,9)a2#第 3 个元素3 a-3#倒数第三个元素7多维数组每个轴有一个索引，这些索引用逗号分隔给出。例如，二维数组，使用行索引，列索引的结构，访问元素。（2）切片访问数据切片操作访问一定范围内的元素。切片操作返回的是一个新的一维的ndarray 数组。具体操作，使用start:stop:step的结构，其中，start 表示开始索引，默认为 0；stop 为截止的索引，切片时不包括该值；step 步长，默认为 1。示例如下：b=np

13、.arange(1,10)barray(1,2,3,4,5,6,7,8,9)b1:5array(2,3,4,5)b:5:2array(1,3,5)b:array(1,2,3,4,5,6,7,8,9)多维数组的切片，分别对每个轴进行切片，然后用逗号隔开。二维数组，切片结构为行切片，列切片，切片返回一个新的 ndarray 数组。对于数组内元素的操作，有删除、插入、查找等方法，如下表：在 numpy 中，有一种函数称为通用函数（Universal functions），其英文简写为 ufunc。通用函数在 ndarray 数组上按元素进行运算，其输出仍为一个数组。ufunc 比 math 模块中的

14、函数更灵活。math 模块的输入一般是标量数据，对数组进行计算时，需要使用循环对每个元素进行计算，但 numpy 中的函数输入可以是一个 ndarray 数组，使用 ndarray 数组可以避免使用循环语句。在 numpy 中，可用的 ufunc 有 60 多种，主要包括数学运算函数、三角函数、比较函数等。在这里具体介绍其中的数学函数。下表给出了 numpy 库中常用的数学运算函数的说明。另外，这里给出 numpy 库中常用的统计函数，如下表：其中参数 axis 表示轴，可选参数，默认对所有元素进行相关计算；在二维数组中，axis=0 表示行（垂直）方向，axis=1 表示列（水平）方向。二、

15、pandas 库pandas 是 Python 中非常实用的一个数据分析库，构建在 numpy 的基础之上。pandas 库中提供了大量用于数据整理与清洗、数据分析与建模、数据可视化与制表等数据处理所需的函数和方法。pandas 主要有两种数据结构：Series 和 DataFrame，这两种数据结构可高效、灵活的处理数据分析的相关任务。【例 2】程序代码给出了几名学生某门课程的平时成绩和期末成绩汇总表，并根据汇总表进行数据访问，以及根据两种成绩计算学生的总评成绩。程序代码如下：import numpy as npimport pandas as pd#学生的平时成绩g1=np.array(9

16、0,91,88,70)#与数组 g1 对应学生的期末成绩g2=np.array(89,99,75,80)#成绩与学生姓名对应，创建 pandas 的 Series 结构数据 s1s1=pd.Series(g1,index=Mary,Alice,Peter,Mike)print(s1:n,s1)print(s1Mary:,s1Mary)s2=pd.Series(g2,index=Mary,Alice,Peter,Mike)#s1 和 s2 汇总在一起，并且加列标签，创建成绩单 dfdata=平时成绩:s1,期末成绩:s2df=pd.DataFrame(data)print(df=:n,df)#得

17、到 series 结构的数据print(df.locAlice:n,df.locAlice)#得到 series 结构的数据print(df平时成绩:n,df平时成绩)print(df.locAlice:,平时成绩:,df.locAlice,平时成绩)代码运行结果：在代码中：s1、s2 数据和 numpy 数组 g1、g2 的区别是，多了一列姓名，每个姓名和一个数据对应，这列姓名是该数组的标签，或称为索引；带有标签的一维数组，其数据结构称为 Series 对象。df 数据，构成了像关系数据表一样的结构，有行名称和列名称df 数据是一个带有行标签和列标签的二维数组，这样的数据结构成为DataFrame 对象。s1Mary通过标签索引获取 Mary 的平时成绩；df.locAlice、df平时成绩、df.locAlice,平时成绩可通过行标签索引、列标签索引访问；DataFrame 结构上的数据，获得一行、一列或一个具体位置上的值。Series 和 DataFrame 结构的数据，都带有标签，并可用标签索引访问数据，使用时更直观更自然。