Un type de données qui peut stocker plusieurs données, similaires aux listes et aux taples. Il présente les caractéristiques suivantes.
a = {1,0,2,9,8,3,7,5,4,6}
print('a = ',a)
b = {2,4,4,6,5,2,1,0,8,7,9,3,6}
print('b = ', b)
Résultat d'exécution
a = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} b = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
Quel que soit l'ordre dans lequel les données sont spécifiées, comme le résultat de l'exécution, elles seront triées et sorties.
Un type de données qui peut stocker plusieurs données ainsi que des listes, des taples et des ensembles. Il présente les caractéristiques suivantes.
keys ()
et une liste de valeurs avec ʻitems () `.Dans les listes et les tapples, plusieurs données ont été spécifiées par index, mais dans le dictionnaire, elles sont spécifiées par étiquette.
c = {'l1':12, 'l2':45, 'l3':36, 'l4':58}
print('c = ', c)
print("c['l2'] = ", c['l2'])
print("c['l4'] = ", c['l4'])
print(c.keys())
print(c.values())
Résultat d'exécution
c = {'l1': 12, 'l2': 45, 'l3': 36, 'l4': 58} c['l2'] = 45 c['l4'] = 58 dict_keys(['l1', 'l2', 'l3', 'l4']) dict_values([12, 45, 36, 58])
Les listes, taples et ensembles peuvent être convertis les uns aux autres en utilisant les méthodes list ()
, tuple ()
et set ()
, respectivement.
# Un programme qui utilise la conversion mutuelle pour supprimer les données en double d'une liste
d = [0,2,6,4,2,8,0,2]
e = list(set(d))
print('e = ', e)
Résultat d'exécution
e = [0, 2, 4, 6, 8]
Type de données de base utilisé dans «Numpy» d'un logiciel de calcul numérique typique.
# Création du type ndarray
import numpy
f = [0, 1, 2, 3]
g = numpy.array (f) # Créer un type ndarray à partir de la liste
print('g = ', g)
h = [1, 2]
i = [2, 3]
j = [3, 4]
k = numpy.array ([h, i, j]) # Créer un type ndarray bidimensionnel
print('k = ', k)
l = numpy.array (a, dtype = numpy.float16) #Créer ndarray en spécifiant le type de données
print('l = ', l)
Résultat d'exécution
g = [0 1 2 3] k = [[1 2] [2 3] [3 4]] l = [0. 1. 2. 3.]
De plus, diverses opérations numériques peuvent être effectuées sur des données et des listes de type ndarray en utilisant les fonctions fournies par Numpy. Les représentatives sont présentées ci-dessous.
import numpy
m = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
n = numpy.median (m) # median
o = numpy.mean (m) # valeur moyenne
p = numpy.std (m) # écart type
q = numpy.var (m) # Distribué
print(n)
print(o)
print(p)
print(q)
Résultat d'exécution
4.5 4.5 2.8722813232690143 8.25
Pandas
DataFrame
(représente les données de la table)Seriez
(représentant des données de ligne ou de colonne)Créez comme suit.
import pandas
r = pandas.DataFrame([1, 11.1], [2, 22.2], [3, 33.3])
Vous pouvez spécifier des indices de colonne et de ligne avec respectivement «column» et «index».
r.colums = ['C1', 'C2']
r.index = ['A', 'B', 'C']
Comme pour le type d'index, vous pouvez spécifier l'indice pour obtenir les données de la colonne.
s = r ['C1'] # Extraire uniquement les données de la première colonne
t = s ['A'] # Extraire les données dans la première colonne et la première ligne
Recommended Posts