Narzędzia użytkownika
Pasek boczny
notatki:studianoteaptaszniml
To jest stara wersja strony!
Spis treści
Spotkanie 1
Wprowadzenie do Pythona
Typy proste
Typy zlożone
6*7
42
_
42
zm=_ print(zm,type(zm))
42 <class 'int'>
zm.__dir__()
['__repr__', '__hash__', '__getattribute__', '__lt__', '__le__', '__eq__', '__ne__', '__gt__', '__ge__', '__add__', '__radd__', '__sub__', '__rsub__', '__mul__', '__rmul__', '__mod__', '__rmod__', '__divmod__', '__rdivmod__', '__pow__', '__rpow__', '__neg__', '__pos__', '__abs__', '__bool__', '__invert__', '__lshift__', '__rlshift__', '__rshift__', '__rrshift__', '__and__', '__rand__', '__xor__', '__rxor__', '__or__', '__ror__', '__int__', '__float__', '__floordiv__', '__rfloordiv__', '__truediv__', '__rtruediv__', '__index__', '__new__', 'conjugate', 'bit_length', 'to_bytes', 'from_bytes', 'as_integer_ratio', '__trunc__', '__floor__', '__ceil__', '__round__', '__getnewargs__', '__format__', '__sizeof__', 'real', 'imag', 'numerator', 'denominator', '__doc__', '__str__', '__setattr__', '__delattr__', '__init__', '__reduce_ex__', '__reduce__', '__subclasshook__', '__init_subclass__', '__dir__', '__class__']
zm=7*6.4 print(zm,type(zm))
44.800000000000004 <class 'float'>
Typy złożone
#Lista
lista=list() print(lista,type(lista))
[] <class 'list'>
lista.append('Ola') print(lista,type(lista))
['Ola'] <class 'list'>
lista=[1,2,3,'Tola',[3,7,'Ula']] print(lista,type(lista))
[1, 2, 3, 'Tola', [3, 7, 'Ula']] <class 'list'>
lista[3]
'Tola'
#krotki (tuple) zm=tuple(lista) print(zm,type(zm)) zm.
(1, 2, 3, 'Tola', [3, 7, 'Ula']) <class 'tuple'>
print(zm) zm[4].append('XXXXXX') print(zm)
(1, 2, 3, 'Tola', [3, 7, 'Ula']) (1, 2, 3, 'Tola', [3, 7, 'Ula', 'XXXXXX'])
zm[2]=5
--------------------------------------------------------------------------- TypeError Traceback (most recent call last) Cell In[20], line 1 ----> 1 zm[2]=5 TypeError: 'tuple' object does not support item assignment
# typ słownikowy zm=dict() print(zm,type(zm))
{} <class 'dict'>
zm['Ula']=5600 zm[(1,2)]='Nie wiem co to jest' print(zm)
{'Ula': 5600, (1, 2): 'Nie wiem co to jest'}
zm['Ula']=7200 print(zm)
{'Ula': 7200, (1, 2): 'Nie wiem co to jest'}
zm[(1,2)]
'Nie wiem co to jest'
zm[1]
--------------------------------------------------------------------------- KeyError Traceback (most recent call last) Cell In[26], line 1 ----> 1 zm[1] KeyError: 1
zm="Witam wszystkich uczestników kursu" for nr,słowo in enumerate(zm.split(' ')): print(nr,słowo) print("========") print("Koniec roboty")
0 Witam ======== 1 wszystkich ======== 2 uczestników ======== 3 kursu ======== Koniec roboty
zm1,zm2=45*7,3>8 print(zm1,type(zm1)) print(zm2,type(zm2))
315 <class 'int'> False <class 'bool'>
zm=45*7,3>8 print(zm)
(315, False)
import matplotlib.pyplot as plt import numpy as np x=np.arange(-20,20,0.01) y=np.sin(x) plt.plot(x,y,color='red') plt.grid() plt.show()
png
Spotkanie 2
Wprowadzenie do przetwarzania danych z pakietami numpy i pandas
import numpy as np import pandas as pd # Wprowadzenie do numpy lista=[4,6,7,6,5,43,12,3,7,11,3,6] [x**2 for x in lista] tablica=np.array(lista) print(tablica,type(tablica), tablica.dtype) tablica**2
[ 4 6 7 6 5 43 12 3 7 11 3 6] <class 'numpy.ndarray'> int64
array([ 16, 36, 49, 36, 25, 1849, 144, 9, 49, 121, 9,
36])
# Tablice wielowymiarowe m1=np.array([[4,7,2],[3,5,8]]) m1
array([[4, 7, 2],
[3, 5, 8]])
# TAblice specjalne np.zeros((4,6))
array([[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.]])
# TAblice specjalne np.ones((4,6))
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
# genowanie sekwencji jako tablicy t1=np.arange(-8,8,0.01) t1
array([-8. , -7.99, -7.98, ..., 7.97, 7.98, 7.99])
t2=np.linspace(-1,1,10) t2
array([-1. , -0.77777778, -0.55555556, -0.33333333, -0.11111111,
0.11111111, 0.33333333, 0.55555556, 0.77777778, 1. ])
# Indeksowanie tablicy print(tablica[2]) print(tablica[2:5])
7 [7 6 5]
# zmiana kształtu tablicy m1=tablica.reshape((3,4))
m1
array([[ 4, 6, 7, 6],
[ 5, 43, 12, 3],
[ 7, 11, 3, 6]])
m1**2
array([[ 16, 36, 49, 36],
[ 25, 1849, 144, 9],
[ 49, 121, 9, 36]])
m1[0:2,0:2]
array([[ 4, 6],
[ 5, 43]])
# Operacje na tablicach tb1=np.array([5,3,9]) tb2=np.array([3,1,7]) print(tb1+tb2) print(tb1*tb2) print(tb1**2) print(tb1>5)
[ 8 4 16] [15 3 63] [25 9 81] [False False True]
# Funkcje statystyczne na tablicach print(tablica) np.mean(tablica)
[ 4 6 7 6 5 43 12 3 7 11 3 6] np.float64(9.416666666666666)
print(tablica) print(tablica.mean()) print(tablica.std())
[ 4 6 7 6 5 43 12 3 7 11 3 6] 9.416666666666666 10.467874134173035
# Wygenerowanie tablicy losowej np.random.seed(33) m1=np.random.randint(0,10,(5,5)) m1
array([[4, 7, 8, 2, 2],
[9, 9, 3, 6, 3],
[3, 1, 7, 6, 0],
[0, 6, 6, 0, 4],
[8, 8, 3, 7, 9]])
# Statystyki z wierszy print(m1.mean(axis=1)) print(m1.max(axis=1))
[4.6 6. 3.4 3.2 7. ] [8 9 7 6 9]
# Statystyki z kolumn print(m1.mean(axis=0)) print(m1.max(axis=0))
[4.8 6.2 5.4 4.2 3.6] [9 9 8 7 9]
Wprowadzenie do pakietu pandas
import numpy as np import pandas as pd # Typ danych series s1=pd.Series([5,7,3,2,8,9]) print(s1,type(s1))
0 5 1 7 2 3 3 2 4 8 5 9 dtype: int64 <class 'pandas.core.series.Series'>
print(s1[2]) print(s1[1:4])
3 1 7 2 3 3 2 dtype: int64
s1=pd.Series([5,7,3,2,8,9],index=['a','a','b','c','b','a']) print(s1,type(s1))
a 5 a 7 b 3 c 2 b 8 a 9 dtype: int64 <class 'pandas.core.series.Series'>
s1['a']
a 5 a 7 a 9 dtype: int64
s1[1:4]
a 7 b 3 c 2 dtype: int64
# Operacje na sieriach s1**2
a 25 a 49 b 9 c 4 b 64 a 81 dtype: int64
# Typ DataFrame dane={ 'Imię':['Ola','Tola','Ula','Ala','Zula','Ela'], 'Wiek':[23,18,34,27,17,32], 'Miasto' : ['Warszawa','Opole','Opole','Sopot','Warszawa','Sopot'], 'Pensja' : [6700,5432,8760,6450,5670,8245] } tb=pd.DataFrame(dane)
tb.to_csv(".\Dane2.csv")
tb=pd.read_csv(".\Dane2.csv") tb
Unnamed: 0
Imię
Wiek
Miasto
Pensja
0
0
Ola
23
Warszawa
6700
1
1
Tola
18
Opole
5432
2
2
Ula
34
Opole
8760
3
3
Ala
27
Sopot
6450
4
4
Zula
17
Warszawa
5670
5
5
Ela
32
Sopot
8245
#Wstępne badanie DataFrame tb.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 6 entries, 0 to 5 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Unnamed: 0 6 non-null int64 1 Imię 6 non-null object 2 Wiek 6 non-null int64 3 Miasto 6 non-null object 4 Pensja 6 non-null int64 dtypes: int64(3), object(2) memory usage: 368.0+ bytes
tb.shape
(6, 5)
tb.describe()
Unnamed: 0
Wiek
Pensja
count
6.000000
6.000000
6.000000
mean
2.500000
25.166667
6876.166667
std
1.870829
7.082843
1354.669025
min
0.000000
17.000000
5432.000000
25%
1.250000
19.250000
5865.000000
50%
2.500000
25.000000
6575.000000
75%
3.750000
30.750000
7858.750000
max
5.000000
34.000000
8760.000000
#Filtrowanie danych w=tb['Wiek']>20 tb[w]
Unnamed: 0
Imię
Wiek
Miasto
Pensja
0
0
Ola
23
Warszawa
6700
2
2
Ula
34
Opole
8760
3
3
Ala
27
Sopot
6450
5
5
Ela
32
Sopot
8245
# Grupowanie danych
tb
Unnamed: 0
Imię
Wiek
Miasto
Pensja
0
0
Ola
23
Warszawa
6700
1
1
Tola
18
Opole
5432
2
2
Ula
34
Opole
8760
3
3
Ala
27
Sopot
6450
4
4
Zula
17
Warszawa
5670
5
5
Ela
32
Sopot
8245
tb.groupby('Miasto')['Pensja'].mean()
Miasto Opole 7096.0 Sopot 7347.5 Warszawa 6185.0 Name: Pensja, dtype: float64
# Indeksowanie za pomocą metod iloc i loc dane= { 'Imię': ['Anna', 'Marek', 'Ewa', 'Piotr', 'Kasia'], 'Wiek': [28, 35, 22, 45, 30], 'Miasto': ['Warszawa', 'Kraków', 'Warszawa', 'Gdańsk', 'Kraków'], 'Dochód': [3500, 4000, 2800, 5000, 4200] } tb1=pd.DataFrame(dane,index=['a','a','b','c','d']) tb1
Imię
Wiek
Miasto
Dochód
a
Anna
28
Warszawa
3500
a
Marek
35
Kraków
4000
b
Ewa
22
Warszawa
2800
c
Piotr
45
Gdańsk
5000
d
Kasia
30
Kraków
4200
tb1.head(3)
Imię
Wiek
Miasto
Dochód
a
Anna
28
Warszawa
3500
a
Marek
35
Kraków
4000
b
Ewa
22
Warszawa
2800
tb1.tail(2)
Imię
Wiek
Miasto
Dochód
c
Piotr
45
Gdańsk
5000
d
Kasia
30
Kraków
4200
#Indeksowanie metodą loc tb1.loc['a']
Imię
Wiek
Miasto
Dochód
a
Anna
28
Warszawa
3500
a
Marek
35
Kraków
4000
tb1['Wiek']
a 28 a 35 b 22 c 45 d 30 Name: Wiek, dtype: int64
tb1.loc[['a','c'],['Wiek','Miasto']]
Wiek
Miasto
a
28
Warszawa
a
35
Kraków
c
45
Gdańsk
tb1.loc['a':'c','Wiek':'Dochód']
Wiek
Miasto
Dochód
a
28
Warszawa
3500
a
35
Kraków
4000
b
22
Warszawa
2800
c
45
Gdańsk
5000
#Indeksowanie metod iloc tb1.iloc[2]
Imię Ewa Wiek 22 Miasto Warszawa Dochód 2800 Name: b, dtype: object
tb1.iloc[2,3]
np.int64(2800)
tb1.iloc[1:3,0:2]
Imię
Wiek
a
Marek
35
b
Ewa
22
tb1.iloc[[0,2],[2,3]]
Miasto
Dochód
a
Warszawa
3500
b
Warszawa
2800
tb1['Wiek'].plot(color='red')
<Axes: >
png
notatki/studianoteaptaszniml.1746617886.txt.gz · ostatnio zmienione: przez administrator
Narzędzia strony
Wszystkie treści w tym wiki, którym nie przyporządkowano licencji, podlegają licencji: GNU Free Documentation License 1.3
