1、Python Pandas Numpy简介
1）Pandas 简介
Python Pandas是一个强大的数据处理和分析库，它提供了易于使用的数据结构和功能，使数据处理变得高效而简单。Pandas是Python数据科学生态系统中的核心库之一，广泛应用于数据分析、数据清洗、数据可视化等领域。
2）Numpy 简介
NumPy是Python中用于数值计算的核心库，它提供了高性能的多维数组（ndarray）对象和各种用于操作数组的函数。NumPy在数据科学和数值计算领域广泛应用，是许多其他Python数据科学库的基础。
2、Python Pandas Numpy作用及优势
1）Pandas 作用及优势
Pandas是Python中用于数据处理和分析的强大库，提供了两个核心数据结构：Series和DataFrame。Series是一维标签数组，类似于带标签的一维数组；DataFrame是二维标签表格，类似于电子表格或数据库表。Pandas提供了丰富的数据操作和处理方法，包括数据的导入、清洗、转换、合并、分组聚合等功能。Pandas提供了灵活的数据处理方法，使得数据的清洗、转换、筛选、聚合等操作更加便捷。Pandas支持各种数据统计和分析方法，如平均值、中位数、分组聚合等，帮助用户快速分析数据。Pandas可以处理数据中的缺失值，提供了多种处理方式，避免数据分析受到缺失值的影响。
2）Numpy 作用及优势
NumPy是Python中用于数值计算的重要库，它提供了多维数组对象ndarray，支持高效的数值运算和向量化操作。NumPy的ndarray可以用于存储和处理多维数组数据，适用于科学计算、数学运算和数据处理等领域。NumPy提供了丰富的数学、统计、线性代数等函数，使得数值计算更加高效和方便。NumPy提供了高效的多维数组ndarray，使得数值计算和向量化操作更加高效和快速。NumPy支持多维数组的存储和操作，特别适用于科学计算和大规模数据处理。NumPy提供了丰富的数学、统计和线性代数等计算函数，满足各种数值计算需求。
3、Pandas Numpy与关系数据库对比
1）数据处理效率
Pandas和NumPy都是基于C语言实现的，因此在处理大规模数据时效率较高，可以快速处理海量数据。
2）数据清洗和转换
Pandas提供了丰富的数据处理方法，可以很方便地进行数据清洗和转换，而关系数据库的数据处理相对繁琐。
3）灵活性
Pandas和NumPy支持各种数据类型和数据结构，适用于不同类型的数据处理和分析需求，而关系数据库需要先定义数据表结构。
4）处理非结构化数据
Pandas和NumPy可以处理非结构化数据，如文本数据、时间序列数据等，而关系数据库更适合处理结构化数据。
5）数据可视化
Pandas和NumPy可以方便地与其他数据可视化库结合，如Matplotlib和Seaborn，进行数据可视化分析。
4、Pandas 参考文档
Python pandas DataFrame 行列的常用操作及运算
5、Numpy 参考文档
Python NumPy Array(数组) copy vs view
Python NumPy 数组形状(array shape)
Python NumPy Array(数组) reshape
Python Numpy random.choice() 数据分布
Python Numpy random.shuffle() 随机排列
Python Matplotlib Seaborn 可视化随机分布
Python Numpy random.normal() 正态(高斯)分布
Python Numpy random.binomial() 二项分布
Python Numpy random.poisson() 泊松分布
Python Numpy random.uniform() 均匀分布
Python Numpy random.logistic() 逻辑斯谛分布
Python Numpy random.multinomial() 多项式分布
Python Numpy random.exponential() 指数分布
Python Numpy random.chisquare() 卡方分布
Python Numpy random.rayleigh() 瑞利分布
Python Numpy random.pareto() 帕累托分布
Python Numpy random.zipf() Zipf分布
Python NumPy ufunc 双曲函数(sinh、cosh、arctanh)
Python NumPy ufunc 集合操作(unique、union1d、intersect1d、setdiff1d、setxor1d)