Python中的非日常數據

本文將圍繞Python中的非日常數據展開探討，並提供實際代碼示例。

字典是Python中非常實用的一種數據類型，它可以存儲鍵值對。字典中的鍵必須唯一，而值可以是任何類型的數據。

定義一個字典：

# 創建字典
dict1 = {'name': 'Bob', 'age': 20, 'gender': 'male'}

# 訪問字典中的值
print(dict1['name'])        # 輸出 Bob

一些字典的操作方法：

# 添加元素
dict1['city'] = 'Beijing'

# 刪除元素
del dict1['gender']

# 清空字典
dict1.clear()

# 字典長度
len(dict1)

# 獲取字典中所有的鍵值對
dict1.items()

元組是Python中的一種非日常數據類型，它類似於列表，但是元組一旦創建就不能再進行修改。元組使用小括號包含數據，數據之間用逗號分隔。

定義一個元組：

# 創建元組
tuple1 = (1, 2, 3, 4)

# 訪問元組中的值
print(tuple1[0])        # 輸出 1

元組的一些操作方法：

# 獲取元素個數
len(tuple1)

# 獲取元素最大值
max(tuple1)

# 獲取元素最小值
min(tuple1)

# 元組轉換為列表
tuple2 = tuple(list1)

集合是Python中的一種非日常數據類型，它可以存儲不重複的數據。集合使用大括號或者set()函數進行定義，數據之間用逗號分隔。

定義一個集合：

# 創建集合
set1 = {1, 2, 3}

# 添加元素
set1.add(4)

# 刪除元素
set1.remove(2)

# 獲取集合中元素個數
len(set1)

集合的一些操作方法：

# 求交集
set1 & set2

# 求並集
set1 | set2

# 求差集
set1 - set2

# 判斷一個集合是否是另一個集合的子集
set1.issubset(set2)

numpy是Python中非常流行的數學庫，它提供了一種高效的n維數組對象。numpy數組可以包含任意類型的數據，而且它們的大小可以在創建時指定或修改。

定義一個numpy數組：

# 導入numpy庫
import numpy as np

# 創建numpy數組
np_array1 = np.array([1, 2, 3])

# 訪問numpy數組中的值
print(np_array1[0])        # 輸出 1

numpy數組的一些操作方法：

# numpy數組的加法操作
np_array2 = np.array([4, 5, 6])
np_sum = np_array1 + np_array2
print(np_sum)        # 輸出 [5 7 9]

# numpy數組的矩陣操作
np_matrix1 = np.array([[1, 2], [3, 4]])
np_matrix2 = np.array([[5, 6], [7, 8]])
np_dot = np.dot(np_matrix1, np_matrix2)
print(np_dot)        # 輸出 [[19 22][43 50]]

Pandas是Python中非常流行的數據分析庫，它提供了一個叫做DataFrame的數據結構，用於進行數據分析和清洗。DataFrame類似於Excel中的表格，它由行和列組成，並且可以存儲任意類型的數據。

定義一個Pandas數據框：

# 導入pandas庫
import pandas as pd

# 創建Pandas數據框
df1 = pd.DataFrame({'name': ['Bob', 'Alice', 'Charlie'], 'age': [20, 25, 30], 'gender': ['male', 'female', 'male']})

# 訪問Pandas數據框中的值
print(df1.iloc[1])        # 輸出第二行

Pandas數據框的一些操作方法：

# 獲得某一列的數據
df1['name']

# 直接取出某一行的值
df1.iloc[0]

# 對數據框進行過濾
df2 = df1[df1['age'] < 30]

# 對數據框進行排序
df3 = df1.sort_values(['age'], ascending=False)

Python中的非日常數據類型包括字典、元組、集合、numpy數組和Pandas數據框，它們都有着各自的特點和適用範圍。掌握這些數據類型可以幫助我們更好地開發Python應用程序。