Python Библиотеки

print(result_matrix_product)

```

Результат:

[[19 22]

[43 50]]

4. Статистика:

NumPy предоставляет функции для вычисления различных статистических параметров, таких как среднее значение, стандартное отклонение и медиана.

```python

import numpy as np

data = np.array([1, 2, 3, 4, 5])

mean_value = np.mean(data)

std_deviation = np.std(data)

median_value = np.median(data)

print("Mean:", mean_value)

print("Standard Deviation:", std_deviation)

print("Median:", median_value)

```

Результат:

Mean: 3.0

Standard Deviation: 1.4142135623730951

Median: 3.0

Эти примеры демонстрируют лишь небольшую часть функциональности NumPy. Библиотека предоставляет множество инструментов для работы с математическими вычислениями, что делает ее неотъемлемой частью научных и инженерных приложений.

2.2. Pandas

Pandas – это библиотека для анализа и обработки данных в языке программирования Python. Одним из ключевых компонентов Pandas является структура данных под названием DataFrame, которая представляет собой двумерную табличную структуру данных с метками по осям (столбцы и строки). Рассмотрим основные аспекты работы с DataFrame в Pandas.

1. Установка Pandas

Прежде всего, убедитесь, что у вас установлен пакет Pandas. Вы можете установить его с помощью команды:

```bash

pip install pandas

```

2. Создание DataFrame

DataFrame можно создать из различных источников данных, таких как списки, словари, массивы NumPy, CSV-файлы и многие другие. Рассмотрим несколько примеров.

DataFrame – это структура данных, предоставляемая библиотекой Pandas в языке программирования Python. Она представляет собой двумерную табличную структуру данных с метками по осям (столбцы и строки), что делает ее похожей на таблицу базы данных или электронную таблицу. DataFrame в Pandas позволяет эффективно хранить и манипулировать структурированными данными.

Основные характеристики DataFrame в Pandas:

1. Структура табличных данных: DataFrame представляет из себя таблицу с данными, где каждая строка представляет собой отдельную запись, а каждый столбец – различные атрибуты (поля) этих записей.

2. Метки по осям: В DataFrame метки по осям позволяют легко идентифицировать данные. Оси DataFrame имеют метки строк (индексы) и столбцов.

3. Разнообразные типы данных: В DataFrame можно хранить данные различных типов, включая числа, строки, временные метки и другие.

4. Гибкость в обработке данных: Pandas предоставляет обширный набор методов и функций для фильтрации, сортировки, группировки, объединения и агрегации данных в DataFrame.

Пример создания простого DataFrame:

```python

import pandas as pd

data = {'Имя': ['Анна', 'Борис', 'Виктория'],

'Возраст': [25, 30, 22],

'Город': ['Москва', 'Санкт-Петербург', 'Киев']}

df = pd.DataFrame(data)

print(df)

```

Этот пример создает DataFrame из словаря, где ключи словаря становятся названиями столбцов, а значения – данными в столбцах. Созданный DataFrame будет выглядеть следующим образом:

```

Имя Возраст Город

0 Анна 25 Москва