Python近幾年十分流行，不少小伙伴都來學(xué)習(xí)Python了，都知道Python有幾大方向，如爬蟲、Python開發(fā)工程師、數(shù)據(jù)分析、人工智能等，本篇針對(duì)數(shù)據(jù)分析學(xué)科，給大家講解Numpy和Pandas函數(shù)，使用高效函數(shù)會(huì)使數(shù)據(jù)分析更為容易、簡(jiǎn)單，請(qǐng)看下文：

Numpy的高效函數(shù)

1、argpartition()：借助它，Numpy可以找出N個(gè)最大數(shù)值的索引，也會(huì)將找到的索引進(jìn)行輸出，進(jìn)而根據(jù)需要對(duì)數(shù)值進(jìn)行排序。

2、allclose()：適用于匹配兩個(gè)數(shù)組，進(jìn)而得到布爾值表示的輸出。如果在一個(gè)范圍內(nèi)(withinatolerance)兩個(gè)數(shù)組不等同，則會(huì)返回False。該函數(shù)對(duì)于檢查兩個(gè)數(shù)組是否相似非常有用。

3、clip()：使一個(gè)數(shù)組中的數(shù)值保持在區(qū)間內(nèi)。在需要保證數(shù)值在上下限范圍的情況下，可以借助clip()函數(shù)實(shí)現(xiàn)該目的。

4、extract()：它是在特定條件下從一個(gè)數(shù)組中提取特定元素，還可以使用and和or等條件。

5、where()：用于從一個(gè)數(shù)組中返回滿足條件的數(shù)據(jù)。比如，它會(huì)返回滿足條件的數(shù)據(jù)的索引位置。

6、percentile()：用于計(jì)算特定軸方向上數(shù)組元素的第n個(gè)百分位數(shù)。

Pandas的高效函數(shù)

1、read_csv：大多數(shù)新手都會(huì)犯的一個(gè)錯(cuò)誤是，在不需要.csv文件的情況下仍會(huì)完整地讀取它。如果一個(gè)未知的.csv文件有10GB，那么讀取整個(gè).csv文件將會(huì)非常不明智，不僅要占用大量?jī)?nèi)存，還會(huì)花很多時(shí)間。我們需要做的只是從.csv文件中導(dǎo)入幾行，之后根據(jù)需要繼續(xù)導(dǎo)入。

2、map()：根據(jù)輸入來映射Series的值。用于將一個(gè)Series中的每個(gè)值替換為另一個(gè)值。

3、apply()：允許用戶傳遞函數(shù)，并將其應(yīng)用于Pandas序列中的每個(gè)值。

4、isin()：用于過濾數(shù)據(jù)幀。Isin()有助于選擇特定列中具有特定(或多個(gè))值的行。

5、copy()：用于復(fù)制Pandas對(duì)象。當(dāng)一個(gè)數(shù)據(jù)分配給另一個(gè)數(shù)據(jù)時(shí)，如果其中一個(gè)數(shù)據(jù)進(jìn)行了修改，另一個(gè)數(shù)據(jù)的值也會(huì)發(fā)生改變。這種時(shí)候就可以使用copy()函數(shù)。

6、select_dtypes()：這個(gè)函數(shù)的參數(shù)可設(shè)置為包含所擁有特定數(shù)據(jù)類型的列，也可以設(shè)置為排除具有特定數(shù)據(jù)類型的列。