python pandas模塊基礎(chǔ)學(xué)習(xí)詳解
更新時(shí)間：2019年07月03日 09:31:48 作者：To_2020_1_4
這篇文章主要介紹了python pandas模塊基礎(chǔ)學(xué)習(xí)詳解的相關(guān)資料,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
Pandas類(lèi)似R語(yǔ)言中的數(shù)據(jù)框(DataFrame),Pandas基于Numpy,但是對(duì)于數(shù)據(jù)框結(jié)構(gòu)的處理比Numpy要來(lái)的容易。
1. Pandas的基本數(shù)據(jù)結(jié)構(gòu)和使用
Pandas有兩個(gè)主要的數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame。Series類(lèi)似Numpy中的一維數(shù)組，DataFrame則是使用較多的多維表格數(shù)據(jù)結(jié)構(gòu)。
Series的創(chuàng)建
>>>import numpy as np >>>import pandas as pd >>>s=pd.Series([1,2,3,np.nan,44,1]) # np.nan創(chuàng)建一個(gè)缺失數(shù)值 >>>s # 若未指定，Series會(huì)自動(dòng)建立index，此處自動(dòng)建立索引0-5 0 1.0 1 2.0 2 3.0 3 NaN 4 44.0 5 1.0 dtype: float64
DataFrame的創(chuàng)建
>>>dates=pd.date_range('20170101',periods=6)
>>>dates
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04',
'2017-01-05', '2017-01-06'],
dtype='datetime64[ns]', freq='D')
>>>df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])
>>>df
a b c d
2017-01-01 -1.993447 1.272175 -1.578337 -1.972526
2017-01-02 0.092701 -0.503654 -0.540655 -0.126386
2017-01-03 0.191769 -0.578872 -1.693449 0.457891
2017-01-04 2.121120 0.521884 -0.419368 -1.916585
2017-01-05 1.642063 0.222134 0.108531 -1.858906
2017-01-06 0.636639 0.487491 0.617841 -1.597920
DataFrame可以跟Numpy一樣根據(jù)索引取出其中的數(shù)據(jù)，只是DataFrame索引方式更加多樣化。DataFrame不僅可以根據(jù)默認(rèn)的行列編號(hào)來(lái)索引，還可以根據(jù)標(biāo)簽序列來(lái)索引。
還可以采用字典的方式創(chuàng)建DataFrame：
>>>df2=pd.DataFrame({'a':1,'b':'hello kitty','c':np.arange(2),'d':['o','k']})
>>>df2
a b c d
0 1 hello kitty 0 o
1 1 hello kitty 1 k
對(duì)于DataFrame的一些屬性也可以采用相應(yīng)的方法查看
dtype # 查看數(shù)據(jù)類(lèi)型 index # 查看行序列或者索引 columns # 查看各列的標(biāo)簽 values # 查看數(shù)據(jù)框內(nèi)的數(shù)據(jù)，也即不含表頭索引的數(shù)據(jù) describe # 查看數(shù)據(jù)的一些信息，如每一列的極值，均值，中位數(shù)之類(lèi)的，只能對(duì)數(shù)值型數(shù)據(jù)統(tǒng)計(jì)信息 transpose # 轉(zhuǎn)置，也可用Ｔ來(lái)操作 sort_index # 排序，可按行或列index排序輸出 sort_values # 按數(shù)據(jù)值來(lái)排序
一些例子
>>>df2.dtypes
a int64
b object
c int64
d object
dtype: object
>>>df2.index
RangeIndex(start=0, stop=2, step=1)
>>>df2.columns
Index(['a', 'b', 'c', 'd'], dtype='object')
>>>df2.values
array([[1, 'hello kitty', 0, 'o'],
[1, 'hello kitty', 1, 'k']], dtype=object)
>>>df2.describe # 只能對(duì)數(shù)值型數(shù)據(jù)統(tǒng)計(jì)信息
a c
count 2.0 2.000000
mean 1.0 0.500000
std 0.0 0.707107
min 1.0 0.000000
25% 1.0 0.250000
50% 1.0 0.500000
75% 1.0 0.750000
max 1.0 1.000000
>>>df2.T
0 1
a 1 1
b hello kitty hello kitty
c 0 1
d o k
>>>df2.sort_index(axis=1,ascending=False) # axis=1 按列標(biāo)簽從大到小排列
d c b a
0 o 0 hello kitty 1
1 k 1 hello kitty 1
>>>df2.sort_index(axis=0,ascending=False) # 按行標(biāo)簽從大到小排序
a b c d
1 1 hello kitty 1 k
0 1 hello kitty 0 o
>>>df2.sort_values(by="c",ascending=False) # 按c列的值從大到小排序
a b c d
1 1 hello kitty 1 k
0 1 hello kitty 0 o
2. 從DataFrame中篩選取出目的數(shù)據(jù)
從DataFrame中取出目的數(shù)據(jù)方法有多種，一般常用的有：
- - 直接根據(jù)索引選取
- - 根據(jù)標(biāo)簽選取(縱向選擇列)：loc
- - 根據(jù)序列(橫向選擇行): iloc
- - 組合使用標(biāo)簽序列來(lái)選取特定位置的數(shù)據(jù): ix
- - 通過(guò)邏輯判斷篩選
簡(jiǎn)單選取
>>>import numpy as np
>>>import pandas as pd
>>>dates=pd.date_range('20170101',periods=6)
>>>df=pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['a','b','c','d'])
>>>df
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 10 11
2017-01-04 12 13 14 15
2017-01-05 16 17 18 19
2017-01-06 20 21 22 23
>>>df['a'] # 根據(jù)表簽直接選?。崃校部捎胐f.a,結(jié)果相同
2017-01-01 0
2017-01-02 4
2017-01-03 8
2017-01-04 12
2017-01-05 16
2017-01-06 20
Freq: D, Name: a, dtype: int64
>>>df[0:3] # 選擇前３行，也可用行標(biāo)簽 df['2017-01-01':'2017-01-03'],結(jié)果相同,但是無(wú)法用此法選擇多列
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 10 11
loc使用顯式的行標(biāo)簽來(lái)選取數(shù)據(jù)
DataFrame行的表示方式有兩種，一種是通過(guò)顯式的行標(biāo)簽來(lái)索引，另一種是通過(guò)默認(rèn)隱式的行號(hào)來(lái)索引。loc方法是通過(guò)行標(biāo)簽來(lái)索引選取目標(biāo)行，可以配合列標(biāo)簽來(lái)選取特定位置的數(shù)據(jù)。
>>>df.loc['2017-01-01':'2017-01-03']
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 10 11
>>>df.loc['2017-01-01',['a','b']] # 選取特定行的a,b列
a 0
b 1
Name: 2017-01-01 00:00:00, dtype: int64
iloc使用隱式的行序列號(hào)來(lái)選取數(shù)據(jù)
使用iloc可以搭配列序列號(hào)來(lái)更簡(jiǎn)單的選取特定位點(diǎn)的數(shù)據(jù)
>>>df.iloc[3,1]
13
>>>df.iloc[1:3,2:4]
c d
2017-01-02 6 7
2017-01-03 10 11
ix利用ix可以混用顯式標(biāo)簽與隱式序列號(hào)
loc只能使用顯式標(biāo)簽來(lái)選取數(shù)據(jù)，而iloc只能使用隱式序列號(hào)來(lái)選取數(shù)據(jù)，ix則能將二者結(jié)合起來(lái)使用。
>>> df.ix[3:5,['a','b']]
a b
2017-01-04 12 13
2017-01-05 16 17
使用邏輯判斷來(lái)選取數(shù)據(jù)
>>>df
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 10 11
2017-01-04 12 13 14 15
2017-01-05 16 17 18 19
2017-01-06 20 21 22 23
>>>df[df['a']>5] # 等價(jià)于df[df.a>5]
a b c d
2017-01-03 8 9 10 11
2017-01-04 12 13 14 15
2017-01-05 16 17 18 19
2017-01-06 20 21 22 23
3. Pandas設(shè)置特定位置值
>>>import numpy as np
>>>import pandas as pd
>>>dates=pd.date_range('20170101',periods=6)
>>>datas=np.arange(24).reshape((6,4))
>>>columns=['a','b','c','d']
>>>df=pd.DataFra me(data=datas,index=dates,colums=columns)
>>>df.iloc[2,2:4]=111 # 將第２行2,3列位置的數(shù)據(jù)改為111
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 111 111
2017-01-04 12 13 14 15
2017-01-05 16 17 18 19
2017-01-06 20 21 22 23
>>>df.b[df['a']>10]=0 # 等價(jià)于df.b[df.a>10] # 以ａ列大于10的數(shù)的位置為參考，改變b列相應(yīng)行的數(shù)值為0
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 111 111
2017-01-04 12 0 14 15
2017-01-05 16 0 18 19
2017-01-06 20 0 22 23
>>>df['f']=np.nan # 新建f列并設(shè)置數(shù)值為np.nan
a b c d f
2017-01-01 0 1 2 3 NaN
2017-01-02 4 5 6 7 NaN
2017-01-03 8 9 111 111 NaN
2017-01-04 12 0 14 15 NaN
2017-01-05 16 0 18 19 NaN
2017-01-06 20 0 22 23 NaN
>>>
# 用上面的方法也可以加上`Series`序列，但是必須與列長(zhǎng)度一致
>>>df['e']=pd.Series(np.arange(6),index=dates)
>>>df
a b c d f e
2017-01-01 0 1 2 3 NaN 0
2017-01-02 4 5 6 7 NaN 1
2017-01-03 8 9 111 111 NaN 2
2017-01-04 12 0 14 15 NaN 3
2017-01-05 16 0 18 19 NaN 4
2017-01-06 20 0 22 23 NaN 5
4. 處理丟失數(shù)據(jù)
有時(shí)候我們的數(shù)據(jù)中會(huì)有一些空的或者缺失(NaN)數(shù)據(jù)，使用dropna可以選擇性的刪除或填補(bǔ)這些NaN數(shù)據(jù)。drop函數(shù)可以選擇性的刪除行或者列，drop_duplicates去除冗余。fillna則將NaN值用其他值替換。操作后不改變?cè)?，若要保存更改需重新賦值。
>>>import numpy as np
>>>import pandas as pd
>>>df=pd.DataFrame(np.arange(24).reshape(6,4),index=pd.date_range('20170101',periods=6),columns=['a','b','c','d'])
>>>df
a b c d
2017-01-01 0 1 2 3
2017-01-02 4 5 6 7
2017-01-03 8 9 10 11
2017-01-04 12 13 14 15
2017-01-05 16 17 18 19
2017-01-06 20 21 22 23
>>>df.iloc[1,3]=np.nan
>>>di.iloc[3,2]=np.nan
>>>df.
a b c d
2017-01-01 0 1 2.0 3.0
2017-01-02 4 5 6.0 NaN
2017-01-03 8 9 10.0 11.0
2017-01-04 12 13 NaN 15.0
2017-01-05 16 17 18.0 19.0
2017-01-06 20 21 22.0 23.0
>>>df.dropna(axis=0,how='any') # axis=0(1)表示將含有NaN的行(列)刪除。
# how='any'表示只要行(或列，視axis取值而定)含有NaN則將該行(列)刪除，
# how='all'表示當(dāng)某行(列)全部為NaN時(shí)才刪除
a b c d
2017-01-01 0 1 2.0 3.0
2017-01-03 8 9 10.0 11.0
2017-01-05 16 17 18.0 19.0
2017-01-06 20 21 22.0 23.0
>>>df.fillna(value=55)
a b c d
2017-01-01 0 1 2.0 3.0
2017-01-02 4 5 6.0 55.0
2017-01-03 8 9 10.0 11.0
2017-01-04 12 13 55.0 15.0
2017-01-05 16 17 18.0 19.0
2017-01-06 20 21 22.0 23.0
還可以利用函數(shù)來(lái)檢查數(shù)據(jù)中是否有或者全部為NaN
>>>np.any(df.isnull())==True True >>>np.all(df.isnull())==True False
5. 數(shù)據(jù)的導(dǎo)入以及導(dǎo)出
一般excel文件以csv方式讀入，pd.read_csv(file)，data保存為filedata.to_csv(file)。
6. 數(shù)據(jù)添加合并
本節(jié)主要學(xué)習(xí)Pandas的一些簡(jiǎn)單基本的數(shù)據(jù)添加合并方法：concat,append。
concat合并方式類(lèi)似于Numpy的concatenate方法，可橫向或者豎向合并。
>>>import numpy as np
>>>import pandas as pd
>>> df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
>>> df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
>>> df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])
>>>res=pd.concat([df1,df2,df3],axis=0)
# axis=0表示按行堆疊合并，axis=1表示按列左右合并
>>>res
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
0 1.0 1.0 1.0 1.0
1 1.0 1.0 1.0 1.0
2 1.0 1.0 1.0 1.0
0 2.0 2.0 2.0 2.0
1 2.0 2.0 2.0 2.0
2 2.0 2.0 2.0 2.0
>>>
# 使用ignore_index=True參數(shù)可以重置行標(biāo)簽
>>>res=pd.concat([df1,df2,df3],axis=0,ignore_index=True)
>>>res
a b c d
0 0.0 0.0 0.0 0.0
1 0.0 0.0 0.0 0.0
2 0.0 0.0 0.0 0.0
3 1.0 1.0 1.0 1.0
4 1.0 1.0 1.0 1.0
5 1.0 1.0 1.0 1.0
6 2.0 2.0 2.0 2.0
7 2.0 2.0 2.0 2.0
8 2.0 2.0 2.0 2.0
join參數(shù)提供了更多樣化的合并方式。join=outer為默認(rèn)值,表示將幾個(gè)合并的數(shù)據(jù)都用上，具有相同列標(biāo)簽的合二為一，上下合并，不同列標(biāo)簽的獨(dú)自成列，原來(lái)沒(méi)有數(shù)值的位置以NaN填充；join=inner則只將具有相同列標(biāo)簽的(行)列上下合并，其余的列舍棄。簡(jiǎn)言之，outer代表并集，inner代表交集**。
>>>import numpy as np
>>>import pandas as pd
>>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d'])
>>>df2=pd.DataFrame(np.ones((3,4))*2,index=[1,2,3],columns=['b','c','d','e'])
>>>res=pd.concat([df1,df2],axis=0,join='outer')
>>>res
a b c d e
1 1.0 1.0 1.0 1.0 NaN
2 1.0 1.0 1.0 1.0 NaN
3 1.0 1.0 1.0 1.0 NaN
1 NaN 2.0 2.0 2.0 2.0
2 NaN 2.0 2.0 2.0 2.0
3 NaN 2.0 2.0 2.0 2.0
>>>res1=pd.concat([df1,df2],axis=1,join='outer')
# axis=1表示按列左右合并具有相同的行標(biāo)簽的，其余的各成一行，NaN補(bǔ)齊空缺
>>>res1
a b c d b c d e
1 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
2 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
>>>res2=pd.concat([df1,df2],axis=0,join='inner',ignore_index=True)
# 將具有相同列標(biāo)簽的列上下合并
>>>res2
b c d
0 1.0 1.0 1.0
1 1.0 1.0 1.0
2 1.0 1.0 1.0
3 2.0 2.0 2.0
4 2.0 2.0 2.0
5 2.0 2.0 2.0
join_axes參數(shù)可以設(shè)定參考系，以設(shè)定的參考來(lái)合并，參考系中沒(méi)有的舍棄掉
>>>import numpy as np
>>>import pandas as pd
>>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d'])
>>> df2=pd.DataFrame(np.ones((3,4))*2,index=[2,3,4],columns=['b','c','d','e'])
>>>res3=pd.concat([df1,df2],axis=0,join_axes=[df1.columns])
# 以df1的列標(biāo)簽為參考上下合并擁有相同列標(biāo)簽的列
>>>res3
a b c d
1 1.0 1.0 1.0 1.0
2 1.0 1.0 1.0 1.0
3 1.0 1.0 1.0 1.0
2 NaN 2.0 2.0 2.0
3 NaN 2.0 2.0 2.0
4 NaN 2.0 2.0 2.0
>>>res4=pd.concat([df1,df2],axis=1,join_axes=[df1.index])
# 以df1行標(biāo)簽為參考，左右合并擁有相同行標(biāo)簽的各列
a b c d b c d e
1 1.0 1.0 1.0 1.0 NaN NaN NaN NaN
2 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
3 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0
append只有上下合并，沒(méi)有左右合并
>>>df1=pd.DataFrame(np.ones((3,4)),index=[1,2,3],columns=['a','b','c','d'])
>>> df2=pd.DataFrame(np.ones((3,4))*2,index=[2,3,4],columns=['b','c','d','e'])
>>>res5=df1.append(df2,ignore_index=True)
>>>res5
a b c d e
0 1.0 1.0 1.0 1.0 NaN
1 1.0 1.0 1.0 1.0 NaN
2 1.0 1.0 1.0 1.0 NaN
3 NaN 2.0 2.0 2.0 2.0
4 NaN 2.0 2.0 2.0 2.0
5 NaN 2.0 2.0 2.0 2.0
7. Pandas高級(jí)合并：merge
merge合并與concat類(lèi)似，只是merge可以通過(guò)一個(gè)或多個(gè)鍵將兩個(gè)數(shù)據(jù)集的行連接起來(lái)。
merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False,
sort=False, suffixes=('_x', '_y'), copy=True, indicator=False)
參數(shù)說(shuō)明：
- left與right：兩個(gè)不同的DataFrame
- how：指的是合并(連接)的方式有inner(內(nèi)連接),left(左外連接),right(右外連接),outer(全外連接);默認(rèn)為inner
- on : 指的是用于連接的列索引名稱(chēng)。必須存在右右兩個(gè)DataFrame對(duì)象中，如果沒(méi)有指定且其他參數(shù)也未指定則以?xún)蓚€(gè)DataFrame的列名交集做為連接鍵
- left_on：左側(cè)DataFrame中用作連接鍵的列名;這個(gè)參數(shù)中左右列名不相同，但代表的含義相同時(shí)非常有用。
- right_on：右側(cè)DataFrame中用作 連接鍵的列名
- left_index：使用左側(cè)DataFrame中的行索引做為連接鍵
- right_index：使用右側(cè)DataFrame中的行索引做為連接鍵
- sort：默認(rèn)為T(mén)rue，將合并的數(shù)據(jù)進(jìn)行排序。在大多數(shù)情況下設(shè)置為False可以提高性能
- suffixes：字符串值組成的元組，用于指定當(dāng)左右DataFrame存在相同列名時(shí)在列名后面附加的后綴名稱(chēng)，默認(rèn)為('_x','_y')
- copy：默認(rèn)為T(mén)rue,總是將數(shù)據(jù)復(fù)制到數(shù)據(jù)結(jié)構(gòu)中；大多數(shù)情況下設(shè)置為False可以提高性能
- indicator：顯示合并數(shù)據(jù)中來(lái)源情況；如只來(lái)自己于左邊(left_only)、兩者(both)
>>>import pandas as pd
>>>df1=pd.DataFrame({'key':['k0','k1','k2','k3'],'A':['a0','a1','a2','a3'],'B':['b0','b1','b2','b3']})
>>>df2=pd.DataFrame({'key':['k0','k1','k2','k3'],'C':['c0','c1','c2','c3'],'D':['d0','d1','d2','d3']})
>>> res=pd.merge(df1,df2,on='key',indicator=True)
>>>res
A B key C D _merge
0 a0 b0 k0 c0 d0 both
1 a1 b1 k1 c1 d1 both
2 a2 b2 k2 c2 d2 both
3 a3 b3 k3 c3 d3 both
依據(jù)行index合并與依據(jù)列key合并用法類(lèi)似
>>>res2=pd.merge(df1,df2,left_index=True,right_index=True,indicator=True) >>>res2 A B key_x C D key_y _merge 0 a0 b0 k0 c0 d0 k0 both 1 a1 b1 k1 c1 d1 k1 both 2 a2 b2 k2 c2 d2 k2 both 3 a3 b3 k3 c3 d3 k3 both
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
Python Unittest ddt數(shù)據(jù)驅(qū)動(dòng)的實(shí)現(xiàn)
本文主要介紹了Python Unittest ddt數(shù)據(jù)驅(qū)動(dòng)的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02
今天小編就為大家分享一篇PyCharm配置mongo插件的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-11-11
開(kāi)始你的Python，這里有靠譜的Pycharm漢化安裝詳細(xì)教程，本文圖文并茂給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-01-01
這篇文章主要介紹了python協(xié)程用法,實(shí)例分析Python中協(xié)議的概念、功能及使用方法,需要的朋友可以參考下2015-06-06
這篇文章主要介紹了Pytest運(yùn)行及其控制臺(tái)輸出信息，文章圍繞主題展開(kāi)詳細(xì)的內(nèi)容介紹，具有一定的參考價(jià)值，需要的小伙伴可以參考一下2022-09-09
Python實(shí)現(xiàn)保證只能運(yùn)行一個(gè)腳本實(shí)例
這篇文章主要介紹了Python實(shí)現(xiàn)保證只能運(yùn)行一個(gè)腳本實(shí)例,本文直接給出實(shí)現(xiàn)代碼,需要的朋友可以參考下2015-06-06
Flask框架利用Echarts實(shí)現(xiàn)繪制圖形
echarts是百度推出的一款開(kāi)源的基于JavaScript的可視化圖表庫(kù)，該開(kāi)發(fā)庫(kù)目前發(fā)展非常不錯(cuò)，且支持各類(lèi)圖形的繪制可定制程度高。如下演示案例中，將分別展示運(yùn)用該繪圖庫(kù)如何前后端交互繪制（餅狀圖，柱狀圖，折線圖）這三種最基本的圖形，需要的可以參考一下2022-10-10
Python生成器在內(nèi)存管理、延遲計(jì)算、生成無(wú)限序列以及提高代碼簡(jiǎn)潔性和可讀性方面都具有重要作用,這篇文章主要介紹了Python迭代器與生成器示例詳解,需要的朋友可以參考下2024-02-02
Matplotlib是Python中最受歡迎的數(shù)據(jù)可視化軟件包之一，它是?Python常用的2D繪圖庫(kù)，同時(shí)它也提供了一部分3D繪圖接口。本文將詳細(xì)介紹Matplotlib的繪圖方式，需要的可以參考一下2022-07-07
接口只是定義了一些方法，而沒(méi)有去實(shí)現(xiàn)，多用于程序設(shè)計(jì)時(shí)，只是設(shè)計(jì)需要有什么樣的功能，但是并沒(méi)有實(shí)現(xiàn)任何功能，這些功能需要被另一個(gè)類(lèi)（B）繼承后，由 類(lèi)B去實(shí)現(xiàn)其中的某個(gè)功能或全部功能。2017-07-07