2. Универсальные функции (ufunc):

NumPy предоставляет множество универсальных функций, которые могут быть применены поэлементно к массивам. Например, вычисление квадратного корня для каждого элемента массива.

```python

import numpy as np

arr = np.array([1, 4, 9])

sqrt_arr = np.sqrt(arr)

print(sqrt_arr)

```

Результат: [1. 2. 3.]

3. Линейная алгебра:

NumPy обладает мощными 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': ['Москва', 'Санкт-Петербург', 'Киев']}

df = pd.DataFrame(data)

print(df)

```

Этот пример создает DataFrame из словаря, где ключи словаря становятся названиями столбцов, а значения – данными в столбцах. Созданный DataFrame будет выглядеть следующим образом:

```

Имя Возраст Город

0 Анна 25 Москва

1 Борис 30 Санкт-Петербург

2 Виктория 22 Киев

```

DataFrame в Pandas является важным инструментом для анализа и обработки данных, и он широко используется в областях работы с данными, машинного обучения, статистики и других.

Из списка словарей:

```python

import pandas as pd

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

'Возраст': [25, 30, 22],

'Город': ['Москва', 'Санкт-Петербург', 'Киев']}

df = pd.DataFrame(data)

print(df)

```

Из CSV-файла:

```python

import pandas as pd

df = pd.read_csv('данные.csv')

print(df)

```

CSV (Comma-Separated Values) – это текстовый формат для представления табличных данных. В файле CSV данные организованы в виде таблицы, где каждая строка представляет собой отдельную запись, а столбцы разделены разделителем, обычно запятой (`,`). Однако, в зависимости от локали, могут использоваться и другие разделители, такие как точка с запятой (`;`) или табуляция (`\t`).

CSV-файлы позволяют эффективно хранить и передавать табличные данные между программами. Этот формат широко используется в области обработки данных, анализа данных, а также в различных приложениях для импорта и экспорта информации в табличной форме.

Пример CSV-файла:

Имя,Возраст,Город

Анна,25,Москва

Борис,30,Санкт-Петербург

Виктория,22,Киев

В этом примере каждая строка представляет собой запись с именем, возрастом и городом. Значения разделены запятыми, что является стандартным подходом, но можно использовать и другие разделители.

CSV-файлы легко читаются и создаются с использованием различных программ, включая текстовые редакторы, электронные таблицы (например, Microsoft Excel, Google Sheets) и программы для обработки данных (например, Python с библиотекой Pandas).

3. Основные операции с DataFrame

Просмотр данных:

```python

# Вывести первые n строк DataFrame

print(df.head())

# Вывести последние n строк DataFrame

print(df.tail())

```

Индексация и выбор данных:

```python

# Выбор столбца по имени

age = df['Возраст']

# Выбор строки по индексу

row = df.loc[0]

```

Фильтрация данных:

```python

# Фильтрация по условию

filtered_df = df[df['Возраст'] > 25]

```

Добавление новых столбцов:

```python

# Добавление нового столбца

df['Зарплата'] = [50000, 60000, 45000]

```

Операции с группами:

```python

# Группировка данных по столбцу 'Город' и вычисление среднего значения возраста в каждой группе

grouped_df = df.groupby('Город')['Возраст'].mean()

```

4. Визуализация данных с Pandas

Pandas также предоставляет встроенные средства для визуализации данных. Например, гистограмму можно построить следующим образом:

Давайте разберем пошагово строки кода:

– Импорт библиотек:

```python

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

```

Здесь мы импортируем необходимые библиотеки. `pd` – это стандартное соглашение для обозначения библиотеки Pandas. `matplotlib.pyplot` используется для создания графиков, а `seaborn` – библиотека для стилизации графиков и добавления дополнительных функций визуализации.

– Создание данных:

```python

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

'Возраст': [25, 30, 22],

'Город': ['Москва', 'Санкт-Петербург', 'Киев']}

df = pd.DataFrame(data)

```

Мы создаем простой DataFrame с тремя колонками: 'Имя', 'Возраст' и 'Город'. Эти данные представляют собой три записи с именами, возрастами и городами.

Настраиваем стиль seaborn:

```python

sns.set(style="whitegrid")

```

Эта строка устанавливает стиль для графика с помощью библиотеки seaborn. Здесь мы выбрали стиль "whitegrid", который добавляет белую сетку на фоне графика.

– Создаем гистограмму:

```python

plt.figure(figsize=(8, 6))

sns.histplot(df['Возраст'], bins=20, kde=True, color='skyblue')

```

Здесь мы создаем гистограмму для столбца 'Возраст' из DataFrame. `figsize=(8, 6)` устанавливает размер графика. `bins=20` указывает количество столбцов в гистограмме. `kde=True` добавляет оценку плотности на гистограмму. `color='skyblue'` задает цвет графика.

– Добавляем подписи и заголовок:

```python

plt.xlabel('Возраст', fontsize=12)

plt.ylabel('Частота', fontsize=12)

plt.title('Гистограмма возрастов', fontsize=14)

```

Эти строки добавляют подписи к осям и заголовок для улучшения понимания графика

– Добавляем сетку:

```python

plt.grid(axis='y', linestyle='–', alpha=0.7)

```

Эта строка добавляет горизонтальную сетку для лучшей читаемости.

– Показываем график:

```python

plt.show()

```

И наконец, эта строка отображает график.

Этот код создает красивую гистограмму с данными о возрасте и демонстрирует базовые шаги визуализации данных с использованием библиотек Pandas, Matplotlib и Seaborn в Python.

Pandas предоставляет эффективные инструменты для работы с табличными данными, что делает его широко используемым в анализе данных, машинном обучении и других областях. DataFrame позволяет легко выполнять множество операций, от фильтрации и группировки данных до визуализации результатов. Это делает Pandas мощным инструментом для аналитики и обработки данных в Python.

Приведем примеры фильтрации, сортировки и агрегации данных с использованием библиотеки Pandas на основе предположимого DataFrame с информацией о людях:

В этом примере мы использовали фильтрацию для выбора только тех записей, где возраст больше 25 лет.

Здесь мы отсортировали DataFrame по столбцу 'Возраст' в порядке убывания.

В данном примере мы использовали агрегацию для расчета среднего возраста и суммы зарплаты для каждого города.

Эти примеры показывают базовые операции фильтрации, сортировки и агрегации данных с Pandas, которые могут быть полезны при работе с табличными данными.

2.3. Matplotlib

Matplotlib – это библиотека для визуализации данных в языке программирования Python. Она предоставляет множество инструментов для создания различных типов графиков и диаграмм. Давайте рассмотрим несколько основных видов графиков и диаграмм, которые можно создать с помощью Matplotlib.

1. Линейный график

Линейный график подходит для визуализации зависимости одной переменной от другой. Рассмотрим пример:

```python

import matplotlib.pyplot as plt

# Создаем данные для примера

x = [1, 2, 3, 4, 5]

y = [10, 15, 7, 12, 9]

# Строим линейный график

plt.plot(x, y, marker='o', linestyle='-', color='b', label='Линейный график')

# Добавляем подписи и заголовок

plt.xlabel('X-ось')

plt.ylabel('Y-ось')

plt.title('Пример линейного графика')

plt.legend() # Добавляем легенду

# Показываем график

plt.show()

```

2. Гистограмма

Гистограмма используется для визуализации распределения данных. Пример:

```python

import matplotlib.pyplot as plt

import numpy as np

# Создаем данные для примера

data = np.random.randn(1000)

# Строим гистограмму

plt.hist(data, bins=30, color='skyblue', edgecolor='black')

# Добавляем подписи и заголовок

plt.xlabel('Значения')

plt.ylabel('Частота')

plt.title('Пример гистограммы')

# Показываем график