大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
1.pkl文件
pkl文件是python里面保存文件的一种格式，如果直接打开会显示一堆序列化的东西（二进制文件）。
常用于保存神经网络训练的模型或者各种需要存储的数据。
- 保存神经网络训练模型举例（使用pytorch进行保存）
保存整个网络：torch.save(net, ‘net.pkl’)
保存网络的状态信息：torch.save(net.state_dict(), ‘net_params.pkl’)
提取神经网络的方法：
torch.load(‘net.pkl’) - 存储数据举例
import pandas as pd
import numpy as np
df = pd.DataFrame(np.arange(20).reshape(4,5))
df.to_pickle('foo.pkl')
data=pd.read_pickle('foo.pkl')
print(data)
输出为：
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
2.pickle库对文件进行写入，读取操作
- 写入pkl文件
import pickle
#wb是覆盖写，如果需要追加，则为‘ab'
f = open('data.pkl','wb')
#待写入数据
datas = {
'name':'Bruce','age':25,'high':175}
#写入
data= pickle.dump(datas,f,-1)
#关闭文件
f.close()
- 读取.pkl文件
f = open('data.pkl','rb')
#使用load的方法将数据从pkl文件中读取出来
pickle.load(f)
#关闭文件
f.close()
3.pandas库对文件进行写入，读取操作
- 写入.pkl文件：
使用DataFrame的to_pickle就可以生成pickle文件，因此如果需要存储其他类型的数据将其转化为DataFrame即可存取，例如将dict类型数据保存在.pkl文件中
import pandas as pd
import numpy as np
df = pd.DataFrame(np.arange(20).reshape(4,5))
#使用DataFrame的to_pickle就可以生成pickle文件
df.to_pickle('data.pkl')
#通过字典创建数据
dic={
'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]}
df2 = pd.DataFrame(dic,index=["a","b","c"])
df2.to_pickle('data2.pkl')
- 读取.pkl文件：
data=pd.read_pickle('data.pkl')
data2=pd.read_pickle('data2.pkl')
print('data:\n',data)
print('data2:\n',data2)
输出为
data:
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
data2:
A B C
a 1 4 7
b 2 5 8
c 3 6 9
4.pandas库常用函数及其作用
- loc和iloc（截取特定数据）
https://blog.csdn.net/qq1483661204/article/details/77587881
https://blog.csdn.net/htbeker/article/details/80332360
除了通过标签和索引进行选择某一行（列）或者区域的数据，还可以完成符合条件的数据选取。
1.根据指定的索引列表查找
import pandas as pd
dic={
'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]}
df = pd.DataFrame(dic,index=["a","b","c"])
print('data:\n',df)
ids=[0,2]
data=df.iloc[ids]
print('choose\n',data)
data:
A B C
a 1 4 7
b 2 5 8
c 3 6 9
choose
A B C
a 1 4 7
c 3 6 9
2.根据指定的**行列标签（不是索引）**进行查找
import pandas as pd
dic={
'A':[1,2,3],'B':[4,5,6],'C':[7,5,7]}
df = pd.DataFrame(dic)
print('data:\n',df)
data=df.loc[0,'A']
print(data)
dic1={
'A':[1,2,3],'B':[4,5,6],'C':[7,5,7]}
df1 = pd.DataFrame(dic1,index=['a','b','c'])
print('data:\n',df1)
data1=df1.loc['a','A']
print(data1)
data:
A B C
0 1 4 7
1 2 5 5
2 3 6 7
1
data:
A B C
a 1 4 7
b 2 5 5
c 3 6 7
1
3.根据判断条件查找
dic1={
'A':[1,2,3],'B':[4,5,6],'C':[7,5,7]}
df1 = pd.DataFrame(dic1,index=['a','b','c'])
print('data:\n',df1)
print('-------------------')
data1=df1.loc[df1['B']==4,'C']
print(data1)
data:
A B C
a 1 4 7
b 2 5 5
c 3 6 7
-------------------
a 7
Name: C, dtype: int64
- .unique（去除重复元素，行列写法不同）
import pandas as pd
dic={
'A':[1,2,3],'B':[4,5,6],'C':[7,5,7]}
df = pd.DataFrame(dic,index=["a","b","c"])
print('data:\n',df)
print('\n.unique:(列)\n',df['C'].unique())
#.loc默认逗号分隔，逗号前是行，逗号后是列
print('\n.unique:(行)\n',df.loc['b'].unique())
print('\n.unique:(列)\n',df.loc[:,'C'].unique())
data:
A B C
a 1 4 7
b 2 5 5
c 3 6 7
.unique:(列)
[7 5]
.unique:(行)
[2 5]
.unique:(列)
[7 5]
- set_index和reset_index（设置索引）
https://blog.csdn.net/jingyi130705008/article/details/78162758 - drop（删除数据）
https://www.cnblogs.com/wodexk/p/10316674.html - .merge（DataFrame对象拼接）
https://blog.csdn.net/brucewong0516/article/details/82707492 - Series（常用数据结构）
pandas两个主要的数据结构：Series和DataFrame。
Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成。
from pandas import Series,DataFrame
data = Series([9,23,3,56])
print(data)
输出索引在左，数值在右。在没有指定具体的索引时，则自动创建一个0~N-1的整数型索引
0 9
1 23
2 3
3 56
dtype: int64
可以通过Series的values和index属性获取数组的值和索引
print('data.values',data.values)
print('data.index',data.index)
data.values [ 9 23 3 56]
data.index RangeIndex(start=0, stop=4, step=1)
pandas的isnull和notnul或者实例方法data.isnull()可用于检测缺失数据：
import pandas as pd
from pandas import Series,DataFrame
dict={
'a':1000,
'b':900,
'c':800}
data=Series(dict)
index=['a','b','d']
#根据字典和给出的索引创建Series
data2=Series(dict,index)
print('-'*20)
print('data\n',data)
print('-'*20)
print('data2\n',data2)
print('-'*20)
print('isnull\n',pd.isnull(data2))
print('-'*20)
print('notnull\n',pd.notnull(data2))
print('-'*20)
print('data2.isnull\n',data2.isnull())
--------------------
data
a 1000
b 900
c 800
dtype: int64
--------------------
data2
a 1000.0
b 900.0
d NaN
dtype: float64
--------------------
isnull
a False
b False
d True
dtype: bool
--------------------
notnull
a True
b True
d False
dtype: bool
--------------------
data2.isnull
a False
b False
d True
dtype: bool
参考链接：
https://zhuanlan.zhihu.com/p/32190141
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/195550.html原文链接：https://javaforall.net
![python中sqrt函数用法_sqrt是什么函数[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
