Python資料處理之（十 四）Pandas 匯入匯出
pandas可以讀取與存取的資料格式有很多種，像csv、excel、json、html與pickle等…， 詳細請看官方說明檔案
一、讀取csv
下面的例子假設當前路徑中有xxx.csv檔案：
>>> import pandas as pd
>>> data=pd.read_csv('xxx.csv')
>>> print(data)
二、將資料存取成pickle
下面例子是將資料data儲存為x.pickle檔案
>>> data.to_pickle('x.pickle')
相關推薦
Python資料處理之（十 四）Pandas 匯入匯出
pandas可以讀取與存取的資料格式有很多種，像csv、excel、json、html與pickle等…， 詳細請看官方說明檔案 一、讀取csv 下面的例子假設當前路徑中有xxx.csv檔案： >>> import pandas as pd >>
Python資料處理之（十 一）Pandas 選擇資料
首先先建立一個6X4的矩陣 >>> import pandas as pd >>> import numpy as np >>> dates=pd.date_range('20181121',periods=6) >>
Python資料處理之（十 五）Pandas 合併concat
一、要點 pandas處理多組資料的時候往往會要用到資料的合併處理,使用 concat是一種基本的合併方式.而且concat中有很多引數可以調整,合併成你想要的資料形式. 二、axis(合併方向) axis=0是預設值，因此未設定任何引數時，函式預設axis=0。 >
Python資料處理之（十 七）Pandas plot畫圖
這次我們講如何將資料視覺化. 首先import我們需要用到的模組，除了 pandas，我們也需要使用 numpy 生成一些資料，這節裡使用的 matplotlib 僅僅是用來 show 圖片的, 即 plt.show()。 import pandas as pd import num
Python資料處理之（十 六）Pandas 合併merce
要點 pandas中的merge和concat類似,但主要是用於兩組有key column的資料,統一索引的資料. 通常也被用在Database的處理當中. 依據一組key合併 import pandas as pd #定義資料集並打印出 left = pd.DataFrame({
Python資料處理之（十 三）Pandas 處理丟失資料
建立含 NaN 的矩陣 有時候我們匯入或處理資料, 會產生一些空的或者是NaN資料,如何刪除或者是填補這些 NaN 資料就是我們今天所要提到的內容. 建立了一個6X4的矩陣資料並且把兩個位置置為空. >>> dates=pd.date_range('20181
Python資料處理之（十 二）Pandas 設定值
一、建立資料 我們可以根據自己的需求, 用 pandas 進行更改資料裡面的值, 或者加上一些空的,或者有數值的列. 首先建立了一個 6X4 的矩陣資料。 >>> import pandas as pd >>> import numpy a
Python資料處理之（十 八）10分鐘搞定matplotlib
Matplotlib 簡介 1.1 為什麼用 Matplotlib 1.2 Matplotlib 安裝 基本使用 2.1 基本用法 2.2 figure 影象 2.3 設定座標軸1 2.4 設定座標軸2 2.5 Legend 圖例 2.6 Annota
Python資料處理之（十）Pandas 基本介紹
一、Numpy 和 Pandas 有什麼不同 如果用 python 的列表和字典來作比較, 那麼可以說 Numpy 是列表形式的，沒有數值標籤，而 Pandas 就是字典形式。Pandas是基於Numpy構建的，讓Numpy為中心的應用變得更加簡單。 要使用pandas，首先需要
Python資料處理之（四）numpy基礎運算1
一、一維矩陣的基礎運算 下例中 a和b是兩個屬性為array也就是矩陣的變數，而且二者都是1行4列的矩陣， 其中b矩陣中的元素分別是從0到3。 如果我們想要求兩個矩陣之間的減法，你可以嘗試著輸入：a-b,得到的結果是對應元素相減的結果也就是[10 19 28 37]，同理元素的相加相
Python資料處理之（三）Numpy建立array
一、關鍵字 array：建立陣列 dtype：指定資料型別 zeros：建立資料全為0 ones：建立資料全為1 empty：建立資料接近0 arrange：按指定範圍建立資料 linspace：建立線段
Python資料處理之（二）Numpy屬性
簡單介紹一下numpy中常見的三個屬性： ndim: 維度 shape: 行數和列數 size: 元素個數 使用numpy首先要匯入模組，為了方便
Python資料處理之（一）為什麼要學習 Numpy & Pandas？
今天我們介紹兩個科學運算當中最為重要的兩個模組，一個是numpy,一個是 pandas。任何關於資料分析的模組都少不了它們兩個。 一、主要用途： 資料分析 機器學習 深度學習 二、為什麼使用 numpy & pandas
Python資料處理之（七）Numpy array 合併
一、np.vstack() 對array的合併，我們可以想到按行、按列等多種方式進行合併。 vertical stack本身屬於一種上下合併，即對括號中的兩個整體進行對應操作。 >>> import numpy as np >>> A=np.a
Python資料處理之（九）Numpy copy & deep copy
一、= 的賦值方式會有關聯性 首先匯入numpy並建立變數a,b,c,d >>> import numpy as np >>> a=np.arange(4) >>> print(a) [0 1 2 3] >>>
Python資料處理之（八）Numpy array分割
一、建立資料 匯入模組並建立3行4列的Array >>> import numpy as np >>> A=np.arange(12).reshape((3,4)) >>> print(A) [[ 0 1 2 3] [
Python資料處理之（六）numpy索引
一、一維索引 在元素列表或者陣列中，我們可以用如同a[2]一樣的索引方法，同樣的，在Numpy中也有相對應的表示方法。 >>> import numpy as np >>> A=np.arange(3,15) >>> prin
Python資料處理之（五）numpy基礎運算2
通過上一節的學習，我們可以瞭解到一部分矩陣中元素的計算和查詢操作。然而在日常使用中，對應元素的索引也是非常重要的。依然，讓我們先從一個指令碼開始 ： >>> import numpy as np >>> A=np.arange(2,14).resh
Python資料處理之（一）為什麼要學習 Numpy & Pandas？
今天我們介紹兩個科學運算當中最為重要的兩個模組，一個是numpy,一個是 pandas。任何關於資料分析的模組都少不了它們兩個。 一、主要用途： 資料分析 機器學習 深度學習 二、為什麼使用 n
python/pandas資料探勘（十四）-groupby,聚合，分組級運算
groupby import pandas as pd df = pd.DataFrame({'key1':list('aabba'), 'key2': ['one','two','one','two','one'],