深度学习—Pandas标签库基础

概述

numpy给了python列表矩阵运算的功能,pandas则是在此基础上添加了字典的功能,即给数据增加了 ,通过import pandas as pd导入使用,一维对象的创建使用sr=pd.Series()实现,函数内可以使用字典或值和键的列表创建,键缺省时默认为递增数组,该对象有valuesindex两个属性,可通过对象方法直接调用,简单示例展示如下:

二维对象可使用多个一维的Series拼接,本质是列的组合 ,二者index不一致时会取交集,可能造成数据丢失,多个一维对象通过df=pd.DataFram({标签:Series})进行组合,也可以使用df=pd.DataFram(值,行标签,列标签),该对象有三个属性valuesindex和columns,生成简单示例展示如下:

标签并不完全照搬字典的机制,最关键的就是不要求键唯一,标签中允许出现相同键 ,故可以使用index.unique判断是否有重复键,该二维矩阵在深度学习中,行为数据,列为特征

对象索引

由上面的概述知识,我们可以人为规定的元素的键,这称为显式索引 ,同时也有计算机自己使用的,单纯为递增数值的隐式索引 ,分别用索引器lociloc表示,我们访问元素时可以指定索引类型,再使用[键]的方式访问。

在标签中同样支持花式索引,和切片操作,区别是显式索引[起点:终点]切片时包含终点,而隐式不包含,二维数组中的索引器不可省,简单示例如下:

对象变形

转置df.T

翻转

上下翻转df=df.iloc[ : , : : -1]

左右翻转df=df.iloc[ : , -1, : ]

重塑,因为标签的存在,reshape不再适用,只能提取其特定行组成新向量;

拼接,pd.concat(df1,df2,axis),其中axis指定为行或是列,行添加为增加数据个体,列添加为增加特征,一维二维合并只需使用df[键]=src将一维数据赋值给二维即可。

对象运算

numpy类似,加减乘除都是逐元素运算,也可使用聚合函数np.sum()等。

对象与对象之间维度不同仍可运算,但不同的纬度值会直接缺失。

对象缺失值

df.isnull()发现缺失值,返回bool类型的数组

df.dropna(axis,how="方法")剔除缺失值的数据,默认axis=0删除行数据,也推荐该方式,因为训练中样本多而特征少,错误数据剔除样本即可,此外还可以使用how参数对剔除标准进行设置,比如设置为all表示数据全缺失才剔除,也可以输入其他个数。

df.fillna(参数)填充数据,可设置为0,或使用聚合函数np.mean()使用平均值填充,或method="ffill"或"bfill"使用前后数据填充。

Excel导入

以下图简单数据作为示例:

使用df=pd.read.csv(路径,index_col=0)读取表格文件到pandas,数据太多时可用df.head()展示前五行信息,np中的聚合函数在pd中均改为方法,即通过对象直接调用sum等方法,分析结果可用describe聚合查看,简单示例如下:

百分数分别表示该位置的数,如50%代表中位数的值。

数据透视

本文的示例只用于学习语法使用,实际的数据可能数量很大,整体查看很难获得有用信息,此时可以使用函数pivot_table(目的结果,index/colums=因子)查看因子如何影响结果,更新展示数据为

更接近实际问题,透视示例展示如下:

该方法中隐含参数aggfunc默认为mean求平均,也可使用其他聚合函数summax等。

该示例数据量很小,数据集中可能增大时年龄分布可能很广,每个年龄都单独统计看着让人眼花,所以需要进行分割计算,可以用age=pd.cut(df[标签],[分割点])再进行数据穿透,也可以使用pd.qcut(df[标签],n)自动将数据分成n份,简单示例如下:

age=pd.cut(df["年龄"],[0,21,23])
df.pivot_table("工资",index=age,columns="学历")

总结

本节学习了深度学习pandas库的使用,包括创建标签,访问和增加数据,比较关键的是在excel中的导入和使用,该库基于numpy实现,大部分方法可以直接使用,至此我们完成了深度学习数据操作的内容,下一步需要学习的就是网络的相关知识,包括如何搭建和调整参数。

相关推荐
小彭努力中4 分钟前
138. CSS3DRenderer渲染HTML标签
前端·深度学习·3d·webgl·three.js
敲代码不忘补水1 小时前
Python Matplotlib 数据可视化全面解析:选择它的七大理由与入门简介
开发语言·python·信息可视化·numpy·pandas·matplotlib
tzc_fly1 小时前
scPair:隐式特征选择提高single-cell paired多模态分析
深度学习
李歘歘1 小时前
Stable Diffusion经典应用场景
人工智能·深度学习·计算机视觉
段传涛1 小时前
AI Prompt Engineering
人工智能·深度学习·prompt
南门听露1 小时前
适用于资源受限IoT系统的非对称语义图像压缩技术
深度学习·神经网络·物联网
Donvink2 小时前
大模型安全和越狱攻击——《动手学大模型》实践教程第五章
深度学习·安全·语言模型·llama
Donvink2 小时前
大模型智能体安全——《动手学大模型》实践教程第七章
深度学习·安全·语言模型·prompt·llama
forestsea3 小时前
Spring Boot 与 Java 决策树:构建智能分类系统
java·人工智能·spring boot·深度学习·决策树·机器学习·数据挖掘
无脑敲代码,bug漫天飞3 小时前
神经网络的初始化
人工智能·深度学习·神经网络