(番外篇4)python 简介（python整体介绍 -> python基础 ->numpy模块）
学习python的一些方式：
- 实践入门： 廖雪峰官网
- 经典书籍：
Head_First_Python（中文版）
利用Python进行数据分析
python源码剖析… - 思考与实践
- …
第一部分：python整体介绍
- python是一种解释型高级语言
- 设计理念：一切皆对象
- 语言的动态性
- 函数的引用传参
- 自动垃圾回收机制
- 包罗万象的模块资源
python是一种解释型高级语言
解释型语言与编译型语言(C语言)的区别：
优势：代码量小、抽象程度更高(解放大脑)…
劣势：运行速度慢、维护难、解释器的GIL锁…
设计理念：一切皆对象 (Object)
对象 = 存在(属性) + 变化(方法)
特性：封装、继承、多态
语言的动态性
变量名机制
对象的可变与不可变
函数的引用传参
函数传参全部是引用传参(传入对象的内存地址)
区分全局变量与局部变量
垃圾回收机制
引用计数
包罗万象的模块资源
爬虫：
Requests：请求网页
BeautifulSoup：对网页的html文本进行解析分析
网络编程：
sockets：
数据分析：
numpy： 一个多维数组对象，ndarray
pandas：一个数据框，DataFrame
其他例子：
Scrapy：爬虫
Pillow： 图形库
matplotlib：数据可视化
Pygame：游戏编程
…
- 爬虫：
import requests
from bs4 import BeautifulSoup
- 网络编程：
from socket import *
- 数据分析：
import numpy as np
import pandas as pd
第二部分：python基础
- 基本数据类型
- 逻辑控制结构
- 算术与逻辑运算
- 函数的定义
- 面向对象编程
基本数据类型
3种原子数据类型：int、float、str。分别表示整数、小数、字符串，其实它们均是类，有相应的属性和方法。
3中组合数据类型：list、tuple、dict。分别表示列表、元组、字典。list最为常用，他有非常常用的方法，比如
1、list.count()统计：
2、list.append()添加对象：
3、list.extend()扩展列表:
4、list.pop()删除对象：
5、list.remove()删除匹配项：
6、list.insert()插入对象：
7、list.copy复制列表:
8、list.reverse()反向排序：
9、list.index()获取索引：
10、list.sort()排序:
通过下面命令了解某个类的详细的用法。
help(className)
e.g.
help(str)
help(list)
注：除此之外，想要自定义自己的数据类型，可以通过定义类来实现。
逻辑控制结构
for迭代：
for 变量 in 可迭代对象：
e.g.
for x in range(n):
do someting...
注：可迭代对象：对象中有定义next()方法，常见的列表、元组、字符串均是可迭代对象。range(n)返回一个可迭代对象。
while循环：
while(n <= 30):
do something
n += 1
if-elif-else 条件语句
if(condition 0):
process block 0
elif(condition 1):
process block 1
else:
process block 2
break、continue
break：强行终止本层循环
continue:强行终止本次循环
算术与逻辑运算
算术：//：整除 **：乘方 %：取余
逻辑： and or not ： 与或非
比较运算： ==、 !=
赋值运算： +=、 *=、 /=、 //=
隶属运算： in、 not in (字符串、列表…)
对象恒等：is、 is not
函数的定义
def logistic(X,Y,alpha=0.1,epsilon=1,numIter=20,method='SGD'):
coding your function
return sth
四种参数：
位置参数：依位置传入，logistic(xData,yData)
默认参数：已有默认值，必须放置在位置参数后面，如epsilon=1,numIter=20,method=‘SGD’
关键字参数：
可变长参数：
面向对象编程
封装：属性与方法的集成。属性可分为公开的和私有的。
class Person:
def __init__(self,high,weight,age):
self.high = high
self.__weight = weight # 私有属性
self.__age = age # 私有属性
def dressUp(self):
need 5 minutes
return 5
继承：从一个父类衍生出一个子类，子类继承了父类全部属性和方法，还可以针对子类自身的特点进行重写。
class Women(Person):
def dressUp(self):
need 50 minutes
return 50
class Man(Person):
def __init__(self,high,weight,age):
self.high = high
self.weight = weight
self.age = age
多态：一个函数的功能可以面向不同的类，不必专门针对每一个类各自写一个函数。
例如，对男人与女人，想要输出他们的打扮时间，用一个函数就可以。只需要把这个函数的接受参数定义成二者的父类即可。
def printTime(Person):
print(Person.dressUp)
return sth
boy = Man(175,140,20) # 创建一个实例
girl = Women(170,100,20) # 创建一个实例
printTime(boy) # 输出 5 minutes
printTime(girl) # 输出 50 minutes
第三部分：numpy模块简介：
参考资料：《利用python进行数据分析》第4章：Numpy基础：数据与矢量计算。
numpy中的多维数据对象ndarray的简要介绍：
- 属性
- 索引
- 矢量化计算
- 常用的数据处理函数
- 其他方面
属性：
dtype：数组元素的类型，如int、float、str等。
shape：数组的维度情况，如(5，5)表示5*5的二维数组。
索引：
熟悉数组的索引对操作数据非常有帮助。索引大概可以分为两类：
返回内存地址映像：（切片索引,连续型）
返回数组副本：（花式索引，离散型）
返回内存地址映像：
- a r r [ x 0 , x 1 , . . . , x n − 1 ] arr[x_0,x_1,...,x_{n-1}] arr[x0,x1,...,xn−1]。这里面每一个 x i x_i xi表示的是一个切片" a i : b i a_i:b_i ai:bi"（左闭右开[a,b)）,切取对应维度的相应位置。
e.g.
arr[a0:b0,a1:b1,a2:b2]
- a r r [ a , x 2 , . . . , x n − 1 ] arr[a,x_2,...,x_{n-1}] arr[a,x2,...,xn−1]：此时，a不是一个切片，而是一个值，此时返回的数组将降低一个维度。
注：如果不想降低维度，可用 a r r [ a : a + 1 , x 2 , . . . , x n − 1 ] arr[a:a+1,x_2,...,x_{n-1}] arr[a:a+1,x2,...,xn−1]代替。
e.g.
arr[a0,a1:b1,a2:b2]
- a r r [ x 0 ] arr[x_0] arr[x0]：后续没有指明的维度，默认为：，表示对该维度进行全选，即相当于 a r r [ a : b , : , : , : , : ] arr[a:b,:,:,:,:] arr[a:b,:,:,:,:]。
e.g.
arr[a0:b0]
返回数组的副本：
-
a r r [ x 0 , x 1 , . . . , x n − 1 ] arr[x_0,x_1,...,x_{n-1}] arr[x0,x1,...,xn−1]。这里面每一个 x i x_i xi表示的是一个整数列表" [ a i , b i , c i ] [a_i,b_i,c_i] [ai,bi,ci]"，它返回对应维度对应排列的数组副本。
-
a r r [ x 0 , x 1 , . . . , x n − 1 ] arr[x_0,x_1,...,x_{n-1}] arr[x0,x1,...,xn−1]，返回对应索引的值副本，他是一个行向量，可以利用它来去数组的特定位置的元素。
e.g.
arr[[0,4,2],[1,2,3]] # arr为二维数组，则返回3个元素，其索引分为为[0,1]、[4,2]、[2,3]
- a r r [ x 0 ] arr[x_0] arr[x0] ，只有一个 x 0 x_0 x0，后续未指明的维度默认为全选：，因此相当于返回数组对应维度对应排列的副本，在选取一些特定行时非常方便。
e.g.
arr[[0,4,2]] # arr为二维数组，则返回第0、4、2行，相当于arr[[0,4,2],:]
- a r r [ x ] arr[x] arr[x]，此时x为一个布尔型的对应数组，他返回bool数组中对应的位置为True的数值。
e.g.
arr[arr<0] = 0 # 将arr中的负值替换为0
矢量化计算：
- arr1 * arr2 : 点乘
- np.dot(arr1,arr2)：叉乘（矩阵乘法）
- np.sqrt 、 np.exp、 np.log(arr)：对矩阵的每一个元素都进行相应的运算
- np.sum(array,axis = 0,keepdims = True)：沿数组的0号维度进行求和
- np.max(array,axis = 1,keepdims = True)：沿数组的1号维度进行求最大值
- np.argmax(array, axis = 0)：沿数组的0号维度返回最大值所对应的索引
- arr.any()、arr.all()：对bool值数组做逻辑判断，返回True 或者 False
- np.where(condition,x,y)：类似于 x if condition else y，根据布尔值矩阵condition 快速处理数组。
注：一般而言，有些情况数组是没有维度的概念，这时其shape为(n,)。因为为了避免莫名其妙的错误，我们可以抛弃这种写法。在上述的的矢量化计算函数中，如np.sum，np.max等其返回的结果均是这种序列，因此需要加上一个参数keepdims = True，此时才能保持维度，避免出错。
常用的数据处理函数：
- array.T 返回array的转置
- array.copy() 返回array的副本
- reshape(array,newshape)，对array进行维度的重塑
- np.hstack(arr1,arr2)、np.vstack(arr1,arr2)：前者以水平的方向合并两个数组，后者以竖直的方向合并两个数组。
- 格式化输出 "{0:*[<^>]n} … ".format{“str0”,“str1”,“str2”}