ANSA二次开发_Python基础-pandas模块-批量创建材料

6月前浏览3892

Pandas 是一个开源的 Python 数据分析库，提供了高性能、易用的数据结构和数据分析工具。Pandas 使得在 Python 中进行数据清洗、分析、和可视化变得更加快捷和简单。它是基于 NumPy 构建的，使得数据操作和分析工作对于有着不同背景的人们都易于上手。但是在ANSA开发中使用较少。拿来解析xlsx还是挺方便的，但还是建议使用ANSA提供的API解析。

案例：批量创建材料

import ansafrom ansa import basefrom ansa import constants
import pandas as pd
df = pd.read_excel('C:\\Users\\jintian\\Documents\\mat.xlsx')
for index, row in df.iterrows():  if not row.isnull().all():        row_dict = {                    'Name': row['Name'],                    'E': row['E'],                    'NU': row['NU'],                    'RHO': row['RHO'],                    'DEFINED':'YES'                    }        base.CreateEntity(constants.NASTRAN, 'MAT1', row_dict)

Pandas 主要有两种类型的数据结构：

Series：一维数组，与 NumPy 的数组类似，但它可以有一个索引。索引可以是数字，也可以是标签。
DataFrame：二维的表格型数据结构，可以看作是由多个 Series 组成的字典（共用同一个索引）。

Pandas 强大的功能包括但不限于：

快速高效地处理大量数据

读取和写入各种格式的数据，包括 CSV、Excel、SQL 数据库和 HDF5 格式

数据清洗功能，如处理缺失数据、数据过滤、数据转换等

数据合并、分组、重塑

时间序列分析

Pandas 经典使用案例

1. 数据读取和预览:

import pandas as pd# 读取 CSV 文件df = pd.read_csv('data.csv')# 预览前五行数据print(df.head(5))

2. 数据清洗

数据清洗是数据分析中的重要步骤。Pandas 提供了多种数据清洗的工具，例如处理缺失值：

# 填充缺失值df.fillna(0, inplace=True)# 删除含有缺失值的行df.dropna(inplace=True)

3. 数据筛选

Pandas 允许使用条件逻辑来筛选数据：

# 筛选 'age' 列大于 30 的所有行filtered_df = df[df['age'] > 30]# 筛选 'age' 大于 30 并且 'gender' 为 'male' 的行filtered_df = df[(df['age'] > 30) & (df['gender'] == 'male')]

4. 数据分组和聚合

Pandas 的 groupby 功能非常强大，可以用来对数据集进行分组和聚合操作：

# 按 'gender' 分组并计算每组的平均 'age'grouped_df = df.groupby('gender')['age'].mean()print(grouped_df)

5. 数据合并

Pandas 提供了多种数据合并的方法，如 concat、merge 和 join：

# 假设有两个 DataFrame，df1 和 df2merged_df = pd.merge(df1, df2, on='key_column')

Pandas 是 Python 数据分析的核心库之一，提供了强大的数据处理能力，前处理中常规开发使用较少，后处理numpy与pandas搭配使用使得数据分析工作变得更加高效。

来源：FEAer

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2024-04-28

python自动将实验得到的工程应力应变曲线转换为LSDYAN能用的有效应力应变曲线

¥79

还没有评论