Python人工智能编程基础（微课版）课件 项目11 数据运算操作

Python人工智能编程基础项目十一

数据运算操作主讲教师：XXX课前导入假设您是一名气象学家，负责分析一周内的气温数据以预测未来的气候趋势。您需要创建一个存储每日最高气温的科学计算数组，并根据每天温度的变化对气温数据集合进行修改，以满足后续分析和可视化的需求。这些工作都离不开NumPy和Pandas库，本项目将详细介绍相关数据运算操作。重难点重点：难点：掌握NumPy数组的修改操作、基本运算及广播机制；掌握Pandas基本数据结构及数据处理、分析方法理解NumPy广播机制的规则及应用；灵活运用Pandas处理缺失值、重复值等数据问题CONTENTS修改数据集合数组运算操作Pandas基本操作Pandas数据处理目录CONTENTS01020304parTONE修改数据集合01知识储备：数据添加与删除1np.append()：数据添加

格式为np.append(arr,values,axis=None)。参数：arr为目标数组，values为要附加的值或数组，axis指定附加的轴，为None时数组展平后附加。importnumpyasnparr=np.array([1,2,3])new_arr=np.append(arr,[4,5,6])print(new_arr)#输出[123456]例：知识储备：数据添加与删除1np.delete()：数据删除

格式为np.delete(arr,obj,axis=None)。参数：arr为目标数组，obj为要删除的索引或切片，axis指定删除的轴，为None时数组展平后删除。arr=np.array([1,2,3,4,5,6])new_arr=np.delete(arr,2)print(new_arr)#输出[12456]例：知识储备：修改数据形状1reshape方法

形状改变但数据和原数组相同，新形状元素数量需与原数组一致arr=np.array([1,2,3,4,5,6])reshaped_arr=arr.reshape((2,3))print(reshaped_arr)#输出[[123][456]]例：知识储备：修改数据形状1resize方法

可改变数组形状和大小，新大小大于原大小时插入重复元素，小于时截取部分arr=np.array([1,2,3,4,5,6])resized_arr2=np.resize(arr,(3,3))print(resized_arr2)#输出[[123][456][123]]例：知识储备：修改数据形状1设置shape属性直接修改原始数组形状，新形状元素数量需与原数组一致arr=np.array([1,2,3,4,5,6])arr.shape=(2,3)print(arr)#输出[[123][456]]例：知识储备：数组展平1flatten()和ravel()：均将多维数组展平为一维数组，不修改原始数组arr_2d=np.array([[1,2,3],[4,5,6]])flattened_arr=arr_2d.flatten()raveled_arr=arr_2d.ravel()print(flattened_arr)#输出[123456]print(raveled_arr)#输出[123456]例：知识储备：数组分割1函数名称说明hsplit对数组进行横向分割vsplit对数组进行纵向分割split对数组进行横向和纵向分割例：arr=np.arange(12).reshape(3,4)split_arr=np.hsplit(arr,2)#水平分割split_arr_v=np.vsplit(arr,3)#垂直分割知识储备：数组组合1函数名称说明hstack实现数组的横向组合vstack实现数组的纵向组合concatenate通过参数axis实现纵向或横向组合例：arr1=np.array([1,2,3])arr2=np.array([4,5,6])result_hstack=np.hstack((arr1,arr2))#水平组合result_vstack=np.vstack((arr1,arr2))#垂直组合任务实操——创建数组1任务实操数组的合并与展平此任务通过介绍使用Numpy实现数组的创建和操作，帮助大家更好地应用Numpy解决实际问题。【例11.1】根据前面学过的NumPy数组创建的方法，创建包含1到10的奇数和偶数的数组，并将两个数组沿垂直方向合并为1个数组，然后将合并的数组进行展平。具体编程示例：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)#输出任务实操——数组形状改变1【例11.2】使用NumPy创建1~9的数组，然后将其形状改为3×3。具体编程示例：arr=np.arange(1,10)arr_2d=arr.reshape(3,3)print("创建的数组列表为：\n",arr)print("修改成二维的数组列表：\n",arr_2d)运行程序，输出结果如下：创建的数组列表为：

[123456789]修改成二维的数组列表：

[[123][456][789]]任务巩固——创建特殊数组1任务巩固数组维度变换与合并请使用NumPy创建两个数组，一个是：[9,8,7,6,5,4,3,2,1]，另一个是：[6,6,6,6,6,6]，将第一个数组形状改为3×3，第二个数组形状改为2×3。然后沿水平方向合并两个数组为新数组，并打印结果。输入示例：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行与arr1合并print(merged_arr)parTTWO数组运算操作02知识储备：数组运算2NumPy提供了丰富的数组运算操作，常见的有算术运算、数学运算、比较运算和逻辑运算等函数名称运算符说明add(x,y)+计算数组x和数组y中各元素的和substract(x,y)-计算数组x和数组y中各元素的差multiply(x,y)*计算数组x和数组y中各元素的积divide(x,y)/计算数组x和数组y中各元素的商power(x,y)**计算数组x和数组y中各元素的幂abs(x)

计算数组x中各元素的绝对值exp(x)

计算自然数E的数组x中各元素的次幂log(x)

计算数组x中各元素的对数sqrt(x)

计算数组x中各元素的平方根equal(x,y)

判断数组x和y中各元素是否相等知识储备：广播运算2广播运算的规则： 1.让所有输入数组向shape最长的数组看齐，不足部分在前面加1补齐。 2.输出数组shape是输入数组各轴最大值。 3.输入数组某轴与输出对应轴长度相同或为1时可计算，否则出错。 4.输入数组某轴长度为1时，沿该轴运算使用第一组值scalar=5arr=np.array([1,2,3])print(scalar*arr)#输出[51015]arr1=np.array([[1,2,3],[4,5,6]])arr2=np.array([10,20,30])print(arr1+arr2)#输出[[112233][142536]]例：任务实操——数组运算2任务实操数组运算此任务通过介绍使用NumPy数组的运算操作及广播机制，帮助同学对数组的运算操作和广播规则有更好地理解和应用。【例10.3】假设有两个NumPy数组，要求计算两个数组的元素级别的和；计算两个数组的元素级别的差；计算两个数组的元素级别的乘积。提示：首先创建两个数组，然后使用对应的函数实现数组运算。任务实操——天气数据管理2具体编程示例：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("数组元素级别加法结果：",result_add)print("数组元素级别减法结果：",result_subtraction)print("数组元素级别乘法结果：",result_multiplication)任务巩固——广播运算2任务巩固广播运算此任务要求使用Numpy数组的广播机制，实现标量和数组以及数组与数组的广播运算，可以按照以下步骤进行。①首先随机创建一个二维数组，一个一维数组，和一个标量。②使用广播将标量与数组相乘、相加，同时将数组的每一行与标量相除。③使用广播将一维数组与二维数据进行加减运算。④输出运行结果。parTTHREEPandas基本操作03知识储备：Series对象3Series对象 Pandas中的Series是一种一维数组结构，可以容纳任意数据类型。每个Series对象都由两个主要部分组成：索引（Index）和数据（Data）。索引用于标识数据，类似于字典中的键，而数据则是一维数组。数组：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对象：

Pandas中的DataFrame是一个二维标记数据结构，类似于电子表格或SQL表。DataFrame由行和列组成，每列可以包含不同的数据类型。它可以看作由Series组成的dict，每个Series看作DataFrame的一个列。它是Pandas中最常用的数据结构之一，提供了丰富的功能来处理和分析数据。知识储备：DataFrame对象3data_dict={'Name':['Cao','Fu','Lu'],'Age':[27,29,30], 'City':['WenZhou','HangZhou','ShangHai']}df_dict=pd.DataFrame(data_dict)#使用字典创建DataFrame#使用列表创建DataFramedata_list=[['Cao',27,'WenZhou'],['Fu',29,'HangZhou'],['Lu',30,'ShangHai']]df_list=pd.DataFrame(data_list,columns=['Name','Age','City’])#使用数组创建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类型都有一些常用的属性，这些属性提供了关于数据结构的基本信息，利用这些属性提供的功能可以用来处理和分析数据。知识储备：常用属性3属性说明values以数组形式返回Series对象的所有元素index返回Series对象的索引dtype返回Series对象的数据类型shape返回Series对象的形状nbytes返回Series对象的字节数ndim返回Series对象的维度size返回Series对象内的元素个数T返回Series对象的转置任务实操——简单的Pandas数据操作3任务实操简单的Pandas数据操作【例11.4】编写一个Python程序，使用字典或列表创建一个包含学生信息的DataFrame，至少包含5名学生的信息，信息包括学生姓名（Name）、年龄（Age）、成绩（Grade）。importpandasaspd#创建学生信息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("学生信息DataFrame:")print(students_df)任务巩固——DataFrame数据操作及属性3任务巩固DataFrame数据操作及属性此任务要求使用Pands创建一个二维数组，实现学生成绩的记录与分析，可以按照以下步骤进行。①首先创建一个如下所示的DataFrame数组，模拟班级学生的成绩信息。

NameMathEnglishScience0Alice8575901Bob9080852Charlie7892883David9288944Emma889587②输出DataFrame的形状；输出DataFrame的列名；输出学生的姓名列。③输出创建的数组及相应的属性结果parTFOURPandas数据处理04知识储备：数据访问4Series访问

通过索引位置（如s[0]）或索引名称（如s['a’]）。DataFrame访问

列：df['Math']、df[['Math','English’]]

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

条件：df[(df['Math']>=85)&(df['English']>=85)]。在Pandas中，数据处理是数据分析过程中至关重要的一部分。常见的数据处理方法包括缺失值处理、重复值处理和异常值处理。知识储备：数据处理3函数说明df.dropna()删除缺失值df.fillna()用一个值来替换缺失值df.Interpolate()插值法填充缺失值df.drop_duplicates()去除重复数据统计分析是了解数据最常用的手段，在NumPy中提供了丰富的统计函数，用于对数据进行统计分析，Pandas库基于NumPy库，因此，NumPy中的统计函数大都适用于Pandas中的数据统计分析。知识储备：数据统计3函数名称功能说明sum求和mean平均值min最小值max最大值median中位数var方差std标准差cov协方差sem标准误差mode众数skew样本偏度kurt样本峰度quantile四分位数count非空值数目mad平均绝对离差任务实操——成绩统计分析4任务实操成绩统计分析本任务主要练习对学生成绩的统计分析。【例11.5】假设班级有三个学生A(男)，B(女)，C(女)，每个学生的语文、数学、英语成绩记录在数组中：[[89,85,92],[92,81,76],[90,80,83]]，数组的每一行表示一个学生的三科成绩，下面请对该成绩进行简单的数据分析。要求：（1）创建一个DataFrame记录学生成绩信息，包含5列，分别为姓名，性别，各科成绩；（2）计算语文、数学和英语成绩的平均分、最大值和最小值；（3）计算三个人的成绩总分，并打印最高的总分数；（4）计算每个学生的平均成绩，同时找出每个学生成绩的最高分和最低分。任务实操——成绩统计分析2具体编程示例：scores=np.array([[89,85,92],[92,81,76],[90,80,83]])#成绩数据#创建DataFrame记录学生成绩信息df_grades=pd.DataFrame({'姓名':['A','B','C'],'性别':=['男','女','女'],