python大一知识点总结_python 知识点总结

numpy

Numpy是一个用于进行数组运算的库

Numpy中最重要的对象是称为ndarray的N维数组类型

一般使用如下语句导入:import numpy as np

创建数组:numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

可以用np.dtype()定义结构体

数组维度:ndarray.shape

数组维数:ndarray.ndim

调整数组维度:ndarray.reshape(shape)

创建未初始化数组:numpy.empty(shape, dtype = float, order = 'C')

创建零数组:numpy.zeros(shape, dtype = float, order = 'C')

创建一数组:numpy.ones(shape, dtype = float, order = 'C')

用现有数据创建数组:numpy.asarray(a, dtype = None, order = None)

按数值范围创建数组:numpy.arange(start = 0, stop, step = 1, dtype),类似的有linspace()和logspace()

切片:b=a[start:stop:step],可以用...代表剩余维度

整数索引:每个整数数组表示该维度的下标值,b=a[[r1, r2], [c1, c2]]

布尔索引:返回是布尔运算的结果的对象,可以用&或|连接()分隔的条件

在 NumPy 中可以对形状不相似的数组进行操作,因为它拥有广播功能,我的理解是,广播是一种维度的单方向拉伸

数组迭代:numpy.nditer(ndarray)或ndarray.flat

matplotlib

一般使用如下语句导入:import matplotlib.pyplot as plt

绘图:plt.plot(x,y),可选color,marker,label等参数,默认的x坐标为从0开始且与y长度相同的数组,x坐标与y坐标一般使用numpy数组,也可以用列表

设置线条:plt.setp()

轴名称:plt.xlable('str'),plt.ylable('str)

添加文本:plt.txt(xpos,ypos,'str')

添加格子:plt.grid(True)

展示图片:plt.show()

图题:plt.title('str')

图示:plt.legend(),结合plot()中的label参数使用

获取子图:plt.sublot(nrows,ncols,index)或plt.subplot2grid((nrows,ncols),(rows,cols)),可选colspan和rowspan属性

创建画布:plt.figure()

数学表达式:TeX表达式

非线性轴:plt.xscale('scale'),plt.yscale('scale'),可选参数log,symlog,logit等

填充颜色:plt.fill(x,y)和plt.fill_between(x,y,where=...)

条形图:plt.bar(x,y),注意多个条形图的默认颜色相同,应选择不同的颜色方便区分

直方图:plt.hist(x,bins),直方图是一种显示区段内数据数量的图像,x为数据,bins为数据区段,可选histtype,rwidth等属性

散点图:plt.scatter(x,y),散点图通常用于寻找相关性或分组,可选color,marker,label等属性

堆叠图:plt.stackplot(x,y1,y2,y3...),堆叠图用于显示部分对整体随时间的关系,通过利用plt.plot([],[],color,label)添加与堆叠图中颜色相同的空行,可以使堆叠图的意义更加清晰,可选colors等属性

饼图:plt.pie(slice),饼图用于显示部分对整体的关系,可选labels,colors,explode,autupct等属性

pandas

一般使用如下语句导入:import pandas as pd

Pandas是基于NumPy 的一种工具,提供了一套名为DataFrame的数据结构,比较契合统计分析中的表结构,可用Numpy或其它方式进行计算

创建Series:pd.Series=(data,index),Series是一维数组

创建DataFrame:pd.DataFrame(data,index,colums),也可以传递一个字典结构来填充data和colums,DataFrame类似于二维表格,简称df

查看df头尾行:df.head(i),df.tail(i),如不填参数则分别返回除了前五行/倒数前五行的内容

查看索引/列/数据:df.index,df.colums,df.values

快速统计汇总:df.descrbe()

数据转置:df.T

按轴排序:df.sort_index(axis=0,ascending=True)

按值排序:df.sort_values(colums,axis=0,ascending=Ture)

获取:df['columnname']或df.columnname,会返回某列

通过条件选取某列:df = df[df('columns') == 'a']

对行切片:df[start:stop:step],利用df[n:n+1]即可获取某行

通过标签选择某行:df.loc[index,columname]

通过位置选择某行:df.iloc[indexpos,columnpos],df.iloc[i,:]可获取一行,df.iloc[:,i]可获取一列

布尔索引:df[bool],可以对单独的列进行判定,也可以对整个DataFrame进行判定

在pandas中使用np.nan代替缺失值,这些值不会被包含在计算中

对index和columns进行增删改:df.reindex(index,columns)

去掉含有缺失值的行:df.dropna(how='any'),可以选择how='all'只去掉所有值均缺失的行

补充缺失值:df.fillna(value)

数据应用:df.apply(func),可以是现有函数也可以是lambda函数

连接:pd.contact(obj),obj可以是Series,DataFrame,Panel

合并:pd.merge(left,right)

追加:df.append(data)

分组:df.groupby(columnname).func(),通常为分组/执行函数/组合结果

时间:pandas有着重采样等丰富的时间操作

写入CSV文件:df.to_csv(filename)

读取CSV文件:df.read_csv(filename),结果为DataFrame

数组长度:len(arr)

访问第i个元素:一维数组用a[i],多维数组用a.flat[i]

数组转置:ndarray.T

数组分割:numpy.split(ary, indices_or_sections, axis),第二项的值为整数则表明要创建的等大小的子数组的数量,是一维数组则表明要创建新子数组的点。

追加值:numpy.append(arr, values, axis)

插入值:numpy.insert(arr, idx, values, axis)

删除值:numpy.delete(arr, values, axis)

去重数组:numpy.unique(arr, return_index, return_inverse, return_counts)

字符串函数:numpy.char类

三角函数:numpy.sin(arr),numpy.cos(arr),numpy.tan(arr)

四舍五入:numpy.around(arr,decimals)

向下取整:numpy.floor(arr)

向上取整:numpy.ceil(arr)

取倒数:numpy.reciprocal(arr),注意对于大于1的整数返回值为0

幂运算:numpy.power(arr,pow),pow可以是一个数,也可以是和arr对应的数组

取余:numpy.mod(a,b),b可以是一个数,也可以是和a对应是数组

最小值:numpy.amin(arr,axis)

最大值:numpy.amax(arr,axis)

数值跨度:numpy.ptp(arr,axis)

算术平均值:numpy.mean(arr,axis)

标准差:numpy.std(arr)

方差:numpy.var(arr)

副本的改变会影响原数组(赋值),视图的改变不会影响原数组(ndarray.view(),切片,ndarray.copy())

线性代数:numpy.linalg模块