摘要：以指定数目均匀分割区间。所以给定区间和，以及等分分割点数目，将返回一个数组。将一个函数应用于指定轴上的每一个元素。如果您熟悉，那么你也许听说过数据透视表。内置的函数以的形式创建电子表格样式的数据透视表，它可以帮助我们快速查看某几列的数据。
一行代码定义List
下面是使用For循环创建列表和用一行代码创建列表的对比。
x = [1,2,3,4]
out = []
for item in x:
out.append(item**2)
print(out)
[1, 4, 9, 16]
# vs.
x = [1,2,3,4]
out = [item**2 for item in x]
print(out)
[1, 4, 9, 16]
Lambda表达式
厌倦了定义用不了几次的函数？ Lambda表达式是你的救星！ Lambda表达式用于在Python中创建小型，一次性和匿名函数对象。 它能替你创建一个函数。
lambda表达式的基本语法是：
lambda arguments: expression
请注意，只要有一个lambda表达式，就可以完成常规函数可以执行的任何操作。 你可以从下面的例子中，感受lambda表达式的强大功能：
double = lambda x: x * 2 print(double(5)) 10Map和Filter
一旦掌握了lambda表达式，学习将它们与Map和Filter函数配合使用，可以实现更为强大的功能。
具体来说，map通过对列表中每个元素执行某种操作并将其转换为新列表。 在本例中，它遍历每个元素并乘以2，构成新列表。 请注意，list()函数只是将输出转换为列表类型。
# Map seq = [1, 2, 3, 4, 5] result = list(map(lambda var: var*2, seq)) print(result) [2, 4, 6, 8, 10]
Filter函数接受一个列表和一条规则，就像map一样，但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。
# Filter seq = [1, 2, 3, 4, 5] result = list(filter(lambda x: x > 2, seq)) print(result) [3, 4, 5]Arange和Linspace
Arange返回给定步长的等差列表。 它的三个参数start、stop、step分别表示起始值，结束值和步长， 请注意，stop点是一个“截止”值，因此它不会包含在数组输出中。
# np.arange(start, stop, step) np.arange(3, 7, 2) array([3, 5])
Linspace和Arrange非常相似，但略有不同。 Linspace以指定数目均匀分割区间。 所以给定区间start和end，以及等分分割点数目num，linspace将返回一个NumPy数组。 这对绘图时数据可视化和声明坐标轴特别有用。
# np.linspace(start, stop, num) np.linspace(2.0, 3.0, num=5) array([ 2.0, 2.25, 2.5, 2.75, 3.0])Axis代表什么？
在Pandas中，删除一列或在NumPy矩阵中求和值时，可能会遇到Axis。 我们用删除一列（行）的例子：
df.drop("Column A", axis=1)
df.drop("Row A", axis=0)
如果你想处理列，将Axis设置为1，如果你想要处理行，将其设置为0。 但为什么呢？ 回想一下Pandas中的shape
df.shape (# of Rows, # of Columns)
从Pandas DataFrame中调用shape属性返回一个元组，第一个值代表行数，第二个值代表列数。如果你想在Python中对其进行索引，则行数下标为0，列数下标为1，这很像我们如何声明轴值。
Concat，Merge和Join如果您熟悉SQL，那么这些概念对您来说可能会更容易。 无论如何，这些函数本质上就是以特定方式组合DataFrame的方式。 在哪个时间跟踪哪一个最适合使用可能很困难，所以让我们回顾一下。
Concat允许用户在表格下面或旁边追加一个或多个DataFrame（取决于您如何定义轴）。
Merge将多个DataFrame合并指定主键（Key）相同的行。
Join，和Merge一样，合并了两个DataFrame。 但它不按某个指定的主键合并，而是根据相同的列名或行名合并。
Apply是为Pandas Series而设计的。如果你不太熟悉Series，可以将它想成类似Numpy的数组。
Apply将一个函数应用于指定轴上的每一个元素。 使用Apply，可以将DataFrame列（是一个Series）的值进行格式设置和操作，不用循环，非常有用！
df = pd.DataFrame([[4, 9],] * 3, columns=["A", "B"])
df
A B
0 4 9
1 4 9
2 4 9
df.apply(np.sqrt)
A B
0 2.0 3.0
1 2.0 3.0
2 2.0 3.0
df.apply(np.sum, axis=0)
A 12
B 27
df.apply(np.sum, axis=1)
0 13
1 13
2 13
Pivot Tables
最后是Pivot Tables。 如果您熟悉Microsoft Excel，那么你也许听说过数据透视表。 Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。 下面是几个例子：非常智能地将数据按照“Manager”分了组
pd.pivot_table(df, index=["Manager", "Rep"])
或者也可以筛选属性值
pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/42177.html
摘要：的批评者声称性能低效执行缓慢，但实际上并非如此尝试以下个小技巧，可以加快应用程序。使用或者机器语言扩展包来执行关键任务能极大改善性能。但是如果你把求值的结果放入一个变量中，就能提高程序的性能。 Python是一门非常酷的语言，因为很少的Python代码可以在短时间内做很多事情，并且，Python很容易就能支持多任务和多重处理。 Python的批评者声称Python性能低效、执行缓慢，...
摘要：本文分享自华为云社区使用技巧使用技巧，作者小聪不是小葱。是一款开源的编辑器，拥有强大的功能，。由于拥有各种各样的插件，这就使得可以做到的事情更多了。在使用的过程中，也是有很多技巧的，掌握一些技巧对于后期写代码也会轻松很多。 摘要：VsCode是一款开源的编辑器，拥有强大的功能，。由于拥有各...
摘要：使用或机器语言的外部功能包处理时间敏感任务，可以有效提高应用的运行效率。关键在于，优化循环方案是提高应用程序运行速度的上佳选择。此外，关于交叉编译是否为提高运行效率的最佳方法还存在讨论的空间。在使用交叉编译器时，记得确保它支持你所用的版本。 Python 是一门优秀的语言，它能让你在短时间内通过极少量代码就能完成许多操作。不仅如此，它还轻松支持多任务处理，比如多进程。 不喜欢 Pyt...
摘要：但是实际写程序中，我们经常会写出许多繁杂的丑陋的代码。特别推荐，许多代码让我获益匪浅，比如这里对的使用。用可以写出很简单直观的代码，如下当然，上面不考虑效率，这里有一个利用分治法思想的高效的方法。更多文章更多阅读中参数的用法高级编程技巧 用 Python 时间也算不短了，但总感觉自己在用写 C++ 代码的思维写 Python，没有真正用到其作为脚本语言的优势。之前刷 LeetCode ...
摘要：你可以进行如下操作需要注意的是这个窍门只适用于。在中就不需要进行操作了，因为它已经默认进行了。这里有几个例子可以供你参考译文出处本文根据的所译，整个译文带有我自己的理解与思想，如果译得不好或有不对之处还请同行朋友指点。 枚举 不要这么做： i = 0 for item in iterable: print i, item i += 1 而是这样： for...
阅读 1110·2021-09-22 16:04
阅读 1492·2019-08-30 15:43
阅读 1094·2019-08-29 14:01
阅读 3436·2019-08-26 12:19
阅读 3351·2019-08-26 12:15
阅读 1442·2019-08-26 12:13
阅读 3261·2019-08-23 17:00
阅读 1481·2019-08-23 15:38
