1 import numpy
2 list_1 = [1,2,3,4]
3 array_1 = numpy.array(list_1) # 一维数组
4 list_2 = [4,5,6,7]
5 array_2 = numpy.array([list_1,list_2]) # 二维数组

1 array_2.shape # 查看数组特征，eg：2行4列
2 array_2.size # 查看元素个数, eg:8
3 array_2.dtype # 查看数组类型，eg：int64

1 numpy.zeros(s) # 全0矩阵，s可以为一个数也可以为一个列表，eg：[2,3]表示2*3的二维数组
2 numpy.eye(a) # 单位矩阵，生成的是浮点数

1 numpy.random.randn(10) # 十个元素的一维数组
2 numpy.random.randint(10,size=20).reshape(4,5) # 产生20个10以内的随机整数，后面的reshape是将这些数重新写成一个4*5的二维数组

1 numpy.mat([1,2,3],[4,5,6]) # 生成一个二维矩阵
2 numpy.mat(array_1) # 将数组转换成矩阵

 1 import numpy as np 
 2 f = open('x.pkl','wb')
 3 #序列化到硬盘
 4 
 5 #pickle
 6 import pickle
 7 pickle.dump(x,f) # 产生pkl文件
 8 pickle.load(f) # 提取pkl文件
 9 
10 #numpy本身的工具
11 numpy.save('one_array',x)
12 numpy.load('one_array.npy')
13 numpy.savez('two_array.npz',a=x,b=y) # 对多个进行操作，进行压缩储存
14 c = numpy.load('two_array.npz') # 提取文件
15 c['a'] #第一个文件
16 c['b'] #第二个文件

 1 import numpy as np
 2 import pandas as pd
 3 #下面是创建Series的三种方法
 4 #方法1：s1 = pd.Series([1,2,3,4]) 
 5 #方法2：s2 = pd.Series(np.arange(10)) # 通过numpy.arange创建
 6 #方法3：s3 = pd.Series({'1':1,'2':2,'3':3}) # 通过字典创建
 7 s1.values # 查看值
 8 s1.index # 查看索引
 9 s4 = pa.Series([1,2,3,4],index=['A','B','C','D']) # 设置索引
10 s4.to_dict() # 转化成字典
11 pd.isnull(s4) #判断其中元素是否为NaN，pd.notnull()同理

1 from pandas import Series,DataFrame
2 #通过粘贴板导入dataframe
3 df = pd.read_clipboard() # 在此之前需要你copy一个表
4 df.columns  # 输出列名
5 df.'列名'  # 输出列的数值(是一个Series)
6 df_new = DataFrame(df,columns=['列名1','列名2'])
7 s1 = pd.Series(df['列名'])  # 输出这一列，dataframe的每一列是一个series
8 s1.index\values 即对series操作，或者通过s1['索引值']

1 df1 = pd.read_clipboard()
2 df1.to_clipboard() # 写入粘贴板

1 df1.to_csv('名字.csv',index=False) # false则表示不添加索引号
2 df2 = pd.read_csv('df1.csv') # 读取CSV文件

1 df1.to_json() # 转化成json文件
2 pd.read_json(df1.to_json()) # 读取json文件

1 df1.to_html('df1_html') # 转换成HTML文件

1 df1.to_excel('df1.xlsx') # 生成Excel文件

1 df.head() # 返回前五行
2 df.tail() # 返回后五行
3 # 返回更多的内容则在括号中写出来，不写则默认为五行
4 df.iloc[:,:] #索引切片，定位，基于index，与索引名无关
5 df.loc[:,:] # 根据索引名来，label来过滤

1 s1.reindex(index=['A','B','C','D','E'],fill_value=10)
2 # fill_value 是指当重新写的index中有原来没有的，那么他本身输出为NaN，fill值为添加到这个索引下的值
3 # 创建一个新Series，另一种赋值的方法
4 s2 = Series(['A','B','C','D'],index=[1,5,10])
5 s2.reindex(index=range(15)) # 生成15个索引的Series，除了原有的其他的都是NaN
6 s2.reindex(index=range(15)，method='ffill') # 在上一步的基础上，按顺序将上一个value填充到他下面的几个中（forward fill）
7 s1.drop('A') # 表示删除A的内容

1 # 创建一个5*5的，通过numpy进行reshape
2 df1 = DataFrame(np.random.rand(25).reshape([5,5]),index=['A','B','D','E','F'],colums=['c1','c2','c3','c4','c5']) # 遗漏的index中的C，通过reindex来恢复
3 df1.reindex(index=['A','B','C','D','E','F']) # C被恢复并把value填充为NaN
4 # columns 同理
5 # 当index减少时就表现出切割的现象
6 df1.drop('A',axis=0) # axis=0，代表删除行；axis=1，代表删除列（后面遇到axis同样是这个意思）

1 df.dropna(axis=0,how='any'，thresh=None) # axis表示行和列0,1来表示,how为any时表示有Nan就删掉，为all时表示全为nan时才删掉；thresh表示一个界限，超过这个数字的nan则被删掉
2 df.fillna(value=1) # 表示所有为nan的地方填充为1
3 df.fillna(value={0:0,1:1,2:2,3:3}) # 表示第一列的填充1，第二列的填充2，后面同理

1 s1.replace({1,np.nan}) # 通过字典来改值
2 s1.replace([1,2,3],[10,20,30]) # 把123索引改成10,20,30