Python Библиотеки. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ возможностями для линейной алгебры. Вычисление матричного произведения, нахождение обратной матрицы и определителя – все это можно легко сделать с использованием NumPy. Пример вычисления матричного произведения.

      ```python

      import numpy as np

      matrix1 = np.array([[1, 2], [3, 4]])

      matrix2 = np.array([[5, 6], [7, 8]])

      result_matrix_product = np.dot(matrix1, matrix2)

      print(result_matrix_product)

      ```

      Результат:

      [[19 22]

      [43 50]]

      4. Статистика:

      NumPy предоставляет функции для вычисления различных статистических параметров, таких как среднее значение, стандартное отклонение и медиана.

      ```python

      import numpy as np

      data = np.array([1, 2, 3, 4, 5])

      mean_value = np.mean(data)

      std_deviation = np.std(data)

      median_value = np.median(data)

      print("Mean:", mean_value)

      print("Standard Deviation:", std_deviation)

      print("Median:", median_value)

      ```

      Результат:

      Mean: 3.0

      Standard Deviation: 1.4142135623730951

      Median: 3.0

      Эти примеры демонстрируют лишь небольшую часть функциональности NumPy. Библиотека предоставляет множество инструментов для работы с математическими вычислениями, что делает ее неотъемлемой частью научных и инженерных приложений.

2.2. Pandas

      Pandas – это библиотека для анализа и обработки данных в языке программирования Python. Одним из ключевых компонентов Pandas является структура данных под названием DataFrame, которая представляет собой двумерную табличную структуру данных с метками по осям (столбцы и строки). Рассмотрим основные аспекты работы с DataFrame в Pandas.

      1. Установка Pandas

      Прежде всего, убедитесь, что у вас установлен пакет Pandas. Вы можете установить его с помощью команды:

      ```bash

      pip install pandas

      ```

      2. Создание DataFrame

      DataFrame можно создать из различных источников данных, таких как списки, словари, массивы NumPy, CSV-файлы и многие другие. Рассмотрим несколько примеров.

      DataFrame – это структура данных, предоставляемая библиотекой Pandas в языке программирования Python. Она представляет собой двумерную табличную структуру данных с метками по осям (столбцы и строки), что делает ее похожей на таблицу базы данных или электронную таблицу. DataFrame в Pandas позволяет эффективно хранить и манипулировать структурированными данными.

      Основные характеристики DataFrame в Pandas:

      1. Структура табличных данных: DataFrame представляет из себя таблицу с данными, где каждая строка представляет собой отдельную запись, а каждый столбец – различные атрибуты (поля) этих записей.

      2. Метки по осям: В DataFrame метки по осям позволяют легко идентифицировать данные. Оси DataFrame имеют метки строк (индексы) и столбцов.

      3. Разнообразные типы данных: В DataFrame можно хранить данные различных типов, включая числа, строки, временные метки и другие.

      4. Гибкость в обработке данных: Pandas предоставляет обширный набор методов и функций для фильтрации, сортировки, группировки, объединения и агрегации данных в DataFrame.

      Пример создания простого DataFrame:

      ```python

      import pandas as pd

      data = {'Имя': ['Анна', 'Борис', 'Виктория'],

      'Возраст': [25, 30, 22],

      'Город': СКАЧАТЬ