1. Python速成
- 1）复杂数据类型
  - （1）元组：只读集合类型，用小括号定义，初始化后，元组的元素不能重新赋值。
  - （2）列表 : 列表只能通过中括号定义，列表的元素可以重新赋值。
  - （3）字典：可变容器模型，可存储任意类型的对象。字典的每个键值对（key,value)用冒号（：）分隔，每个键值对之间用逗号（，）分隔，整个字典包括在花括号（{}）中。
- 2）with语句
2.NumPy速成
- 1)创建数组
- 2)访问数组
- 3)算数运算
3 matplotlib速成
- （1）绘制线条图
- （2）绘制散点图
4 Pandas速成
- （1）Series
- （2）DataFrame

1. Python速成

1）复杂数据类型

三种常用的数据类型：元组、列表、字典。其中，列表和字典更是经常被使用。

（1）元组：只读集合类型，用小括号定义，初始化后，元组的元素不能重新赋值。

a=(1,2,3)
print(a)
print(a[1])

执行结果如下：

（2）列表 : 列表只能通过中括号定义，列表的元素可以重新赋值。

对列表增加列表项用列表的append()函数。

b=[4,5,6]
print(b)
b.append(7)
print(b)
print(b[3])

运行结果如下：

（3）字典：可变容器模型，可存储任意类型的对象。字典的每个键值对（key,value)用冒号（：）分隔，每个键值对之间用逗号（，）分隔，整个字典包括在花括号（{}）中。

mydic={'a':12.15, 'name':True, 'age':'18'}
print('a vales is :%d' %mydic['a'])
print('Keys: %s' %mydic.keys())
print("values :%s" %mydic.values())
for key in mydic:print(mydic[key])

删除字典中的全部元素，可以用字典自身的clear()方法
若删除字典特定的key元素，用pop(key)方法

mydic={'a':12.15, 'name':True, 'age':'18'}
print(mydic)#增加字典元素
mydic['e']=1236
print('e vales is :%d' %mydic['e'])
print(mydic)#删除字典特定的key元素
mydic={'a':12.15, 'name':True, 'age':'18'}
mydic.pop('a')
print(mydic)#删除字典中的全部元素
mydic.clear()
print(mydic)

2）with语句

语句体（with-body): with 语句包裹起来的代码块，在执行语句体之前会调用上下文管理器的__enter()__方法，执行完语句体之后会执行__exit()__ 方法。
例如对文件进行操作，可使用with语句。

with open('somefileName') as somefile:for line in somefile:print(line)

这里使用了with语句，不管在处理文件过程中是否发生异常，都能保证with语句执行完毕后关闭了打开的文件句柄。
如果使用传统的try/finally范式，则要使用如下代码：

somefile=open('somefileName')
try:for line in somefile:print(line)
finally:somefile.close()

2.NumPy速成

1)创建数组

利用NumPy创建多为数组非常简单，通过给array函数传递Python的序列对象创建数组。如果传递的是多层嵌套的序列，将创建多维数组。

#创建一维数组
import numpy as np
myarray=np.array([1,2,3])
print(myarray)
print(myarray.shape)

创建多维数组

import numpy as np
# 创建多维数组
myarray=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(myarray)
print(myarray.shape)

2)访问数组

对于ndarray数组的访问，可以通过数组下表访问某一行、某一列：

import numpy as np
#创建多维数组
myarray=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(myarray)
print(myarray.shape)#访问某一行
print('这是第一行：%s' %myarray[0])
print('这是最后一行：%s' %myarray[-1])
print('访问整列（3列）数据：%s'%myarray[:,2])
print('访问指定行(2行）和列（3列）的数据：%s'%myarray[1,2])

3)算数运算

使用NumPy的ndarray可以直接进行算数运算，或者说向量运算。

import numpy as np
#创建多维数组
myarray1=np.array([[1,2,3],[4,5,6],[7,8,9]])
myarray2=np.array([[11,22,32],[42,52,62],[72,82,92]])
print('向量加法运算：')
print(myarray1+myarray2)
print('向量乘法运算：')
print(myarray1*myarray2)

3 matplotlib速成

matplotlib是Python中著名的2D绘图库。

调用plot()、scatter() 等方法，并为绘图填充数据。数据是NumPy的ndarray类型的对象。
设定数据标签，使用xlabel()、ylabel()方法；
展示绘图结果，使用show()方法。

（1）绘制线条图

import matplotlib.pyplot as plt
import numpy as np
#创建多维数组
myarray=np.array([[1,2,3],[4,5,6],[7,8,9]])#初始化绘图
plt.plot(myarray)#设定x轴和y轴
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.show()

（2）绘制散点图

import matplotlib.pyplot as plt
import numpy as np
#创建多维数组
myarray1=np.array([1,2,3])
myarray2=np.array([11,21,31])#初始化绘图
plt.scatter(myarray1,myarray2)#设定x轴和y轴
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.show()

4 Pandas速成

Pandas提供了用于机器学习的复杂数据类型：矢量运算方法和数据分析方法。Pandas也提供可多种数据结构。
Pandas是一个强大的对数据进行切片的工具。

Series:一位数组，与NumPy中的一维array类似。二者与Python中的基本的数据结构List也很相近，其区别是:List中的元素可以是不同的数据类型，而array和Series中只允许存储相同的数据类型——更有效地使用内存、提高运算效率。
Time-Series: 以时间为索引的Series;
DataFrame: 二维的表格型数据结构；可以理解为Series的容器。
Panel: 三维数组，可以理解为DataFrame的容器。

（1）Series

在建立Series时可以设定index，也可以像访问NumPy数组或字典一样来访问Series元素。

import numpy as np
import pandas as pd
myarray=np.array([1,2,3])
myindex=['a','b','c']
myseries=pd.Series(myarray,index=myindex)
print(myseries)
print("Series中的第一个元素：")
print(myseries[0])
print("Series中的c index 元素：")
print(myseries['c'])

（2）DataFrame

DataFrame是一个可以指定行和列标签的二维数组。数据可以通过指定列名来访问特定列的数据。

import numpy as np
import pandas as pd
myarray=np.array([[1,2,3],[4,5,6],[7,8,9]])
rowindex=['row1','row2','row3']
colname=['col1','col2','col3']
MyDataframe=pd.DataFrame(data=myarray,index=rowindex, columns=colname)
print(MyDataframe)
print('访问col3的数据：')
print(MyDataframe['col3'])

《机器学习Python实践》第4章——Python和SciPy速成相关推荐

流畅的python读书笔记-第一章Python 数据模型
第一章 python数据类型 1 隐式方法利用collections.namedtuple 快速生成类 import collectionsCard = collections.namedtuple ...
2的10次方-1的python表达式_第二章PythonⅠ的基本语法,python,I
第二章 python基本语法 I 整数交换两个变量的值 num1 = 10 num2 = 15 ##常规蛇形变换 tmp = num1 num1 = num2 num2 = tmp ##python ...
Python基础练习题--第一章 Python语言入门
第一章 Python语言入门目录 1001:[例1.1]Hello Python 1002:[例1.2]A+B问题 1003:[例1.3]温标换算 1004:练1.1 字符三角形 1005:练1. ...
python实践意义_在Python学习中过程比结果更有意义
原标题:在Python学习中过程比结果更有意义如果人生是一趟旅行,那我们最应该关注的是沿途的风景而不是最终的目的地.对于学习Python而言,提升自身能力.提高处理问题的速度.培养自己勤思考.善于思 ...
python实践心得体会_“Python自然语言实践”——总结（一）,实战
正则表达式在NLP中的基本应用正则表达式的作用: (1)将文档内容从非结构化转为结构化以便后续的文本挖掘 (2)去除"噪声",在处理大量文本片段的时候,有非常多的文字信息与最终输 ...
Python实践-咚咚呛讲师Python进阶教程
2.2请练习定义一个动物类,并创建出两个实例dog, cat,打印实例,再比较两个实例是否相等 class Animal(object):pass dog = Animal() cat = Anima ...
python机器学习及实践_Python机器学习及实践
Python机器学习及实践/Chapter_1/.ipynb_checkpoints/Chapter_1.1-checkpoint.ipynb Python机器学习及实践/Chapter_1/.ipy ...
机器人python极客pdf_机器人Python极客编程入门与实战
编辑推荐有了先进的软件.硬件开发平台,剩下的只是创意.中国人,特别是中国的年轻人,是全球富有创业.创新精神的一群人,这样的一个群体难道还会缺乏创意吗? "青少年学编程系列丛书"只 ...
python第三章上机实践_《机器学习Python实践》读书笔记-第三章
<机器学习Python实践>,第三章,第一个机器学习项目以往目录:橘猫吃不胖:<机器学习Python实践>读书笔记-第一章zhuanlan.zhihu.com 书中介绍了一 ...
Python机器学习及实践+从零开始通往Kaggle竞赛之路
内容简介本书面向所有对机器学习与数据挖掘的实践及竞赛感兴趣的读者,从零开始,以Python编程语言为基础,在不涉及大量数学模型与复杂编程知识的前提下,逐步带领读者熟悉并且掌握当下最流行的机器学习.数 ...

《机器学习Python实践》第4章——Python和SciPy速成