自学笔记（numpy和pandas）
自学笔记（numpy和pandas）个人笔记不喜勿喷
一、numpy
1、使用numpy读取txt文件
data=numpy.genformtxt(“文件路径”,delimiter=",",dtype=str)即表示元素之间是以逗号作为分隔符，字符类型是string类型
2、使用numpy创建数组
vector=numpy.array([5,6,3])#创建一个一维向量
matrix=numpy.array([[4,8,8],[1,5,9],[7,6,9]])#创建一个矩阵
我们可以发现维数越高嵌套的[]越多，即一维一个[]，二维两个[]，三维三个[]（[[[],[],[]],[[],[],[]],[[],[],[]]]）
3、使用numpy产生-1到1的随机值
np.random.random((m,n))产生m行n列的随机数矩阵
linspace是取平均间隔作为步进递增。python中实现深拷贝： a=b.copy()这样就用不同的内存存放两个变量了
4、将一个矩阵拉成一个向量
a=np.random.random((3,4))
b=a.ravel()这样b就被拉成了一个向量
5、numpy的拼接与拆分
按列拼接(要求行数要相同)：np.hstack((a,b))
按行拼接(要求列数要相同)：np.vstack((a,b))
按行拆分：np.hsplit((a,3))#将a切分成三个单独的array，每一个array形状上都相同
np.hsplit(a,(3,4))#表示在第三列和第四列作为切分的点切分
按列拆分：np.vsplit(a,3)
6、行列扩展操作
a=np.arange(0,40,10)
b=np.tile(a,(4,3))表示将a数组的行变为原来的四倍，列变为原来的三倍（数都相同）
二、Pandas
1、读取csv文件
在该方式读取中，绝对路径不能含有中文，否则会出错。
data=pandas.read_csv(“文件路径”)该函数默认用逗号作为分隔符，当然也可以指定为其他类型。用pandas读取的额数据基本类型是DataFrame类型，需要说明的是它把string认为的object类型。它有行和列，里面保存的是属性名以及属性对应的数据类型（int、float等）（可以认为是一种矩阵结构）
data.head(n)表示显示前n条数据，data.tail(n)显示后n条数据，print(data.columns)读取每一列的属性名字（列名）,print(data.shape)打印出数据的行列（行对应数据条数，列对应数据属性（或特征））
2、按行取数据
data.loc[n]表示取出csv文件中的第n+1行数据。也可以进行切片操作data.loc[m:n],data.loc[m,n,k]取出m+1，n+1，k+1三行数据
按列取数据：data[“某一列列名”]，取多列column=[“目标列名1”,“目标列名2”,“目标列名3”]，然后data[column]，即可以以列表的方式传参数
3、按照列名结尾字符读取
col_names=data.columns.tolist()#将csv文件的列以列表的方式全部读取出来
object_columns=[]
for c in clo_names:
if c.endswith("(g)"):
object_columns.append©
这样就取出了以g结尾的列名。对某一列的所有值进行加减乘除操作：data[“目标列列名”]/n，对原文件数据增加一列:
new_col=data[“某一列列名”]/n
data[“new_column”]=new_col
4、缺失值判断及处理
age=Data[“Age”]#读取Data中的Age这一列（这是一个DataFrame）
age_is_null=pd.isnull(age)#调用isnull()函数判断缺失值（Nan）该函数返回bool类型，然后可以用age_is_null作为索引值，找出所有缺失值（对应的序号）
good_age=Data[“Age”][age_is_null==False]#取出Age中所有不为Nan的值，
mean_age=sum(good_ages)/len(good_ages)#求平均值
5、pivot_table()函数
Data.pivot_table(index=“Pclass”,values=“survival”,aggfunc=np.mean),该函数实现了以Pclass为索引，man为值的均值求解。Pclass和survival的关系，参数aggfunc不填默认为求和，values可以是一个列表，即可以传多个列，求一个列于多个列直接的关系。
即找到以Pclass（Pclass为1，2，3）每一种不同的元素值对应的survival列的平均值（即：住一等舱的存活的平均人数，住二等舱的存活的平均人数，住三等舱的存活的平均人数）
6、丢掉指定列的缺失值(会丢掉缺失的哪一行)
drop_Data=Data.droppna(axis=0,sunset[“Age”,“Sex”])
7、实现自定义功能（类似c++的回调函数）
def myfunction(参数列表):
#执行语句
Data.apply(myfunction)
这样便可以实现自己想要的功能
例如：将Data中的人按成年、未成年（缺失值按unknow处理）划分
def age_lable(row):
age=row[“Age”]
if pd.isnull(age):
return “unknow”
else age<18:
return “minor”
else age>18:
return “adult”
Data.apply(age_lable,axis=1)
在DataFrame中的一行或者一列就称为一个Series结构
对于用pandas读取的数据，若要拆分就必须使用data.iloc[]函数
链接: link.
图片: 
带尺寸的图片:
居中的图片: 
居中并且带尺寸的图片:
当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的：
| 项目 | Value |
|---|---|
| 电脑 | $1600 |
| 手机 | $12 |
| 导管 | $1 |
设定内容居中、居左、居右
使用:---------:居中
使用:----------居左
使用----------:居右
| 第一列 | 第二列 | 第三列 |
|---|---|---|
| 第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：
| TYPE | ASCII | HTML |
|---|---|---|
| Single backticks | 'Isn't this fun?' |
‘Isn’t this fun?’ |
| Quotes | "Isn't this fun?" |
“Isn’t this fun?” |
| Dashes | -- is en-dash, --- is em-dash |
– is en-dash, — is em-dash |
创建一个自定义列表
- Markdown
- Text-to- HTML conversion tool
- Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。1
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能，丰富你的文章
- 关于 甘特图 语法，参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:
这将产生一个流程图。:
- 关于 Mermaid 语法，参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图：
- 关于 Flowchart流程图 语法，参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。
注脚的解释 ↩︎