np，pd与plt

1.np

1.np.c_

numpy 学习之 np.c_的用法_np.c_函数-CSDN博客

2.pd

1.dataframe.pivot()

对数据重塑df = df.pivot(index='name',columns='year',values='gdp')的功能         

            新数据集索引列 = 原数据集'name'列中的值

            新数据集列名 = 原数据集‘year’列中的值

            新数据集数据 = 原数据集'gdp'列中的值

Python dataframe.pivot()用法解析_dataframe pivot-CSDN博客

2.pd.merge()

以index为链接键  需要同时设置left_index= True 和 right_index= True，或者left_index设置的同时，right_on指定某个Key。总的来说就是需要指定left、right链接的键，可以同时是key、index或者混合使用。

left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],
   ....:                      'B': ['B0', 'B1', 'B2']},
   ....:                      index=['K0', 'K1', 'K2'])
   ....: 
right = pd.DataFrame({'C': ['C0', 'C2', 'C3'],
   ....:                       'D': ['D0', 'D2', 'D3']},
   ....:                       index=['K0', 'K2', 'K3'])
   ....: 

# 只有K0、K2有对应的值
pd.merge(left,right,how= 'inner',left_index=True,right_index=True)
Out[51]: 
     A   B   C   D
K0  A0  B0  C0  D0
K2  A2  B2  C2  D2
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/brucewong0516/article/details/82707492

【python】详解pandas库的pd.merge函数_pd.merge( how='left', left_on='i', right_on=')-CSDN博客

3.pd.sort_values()

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')  


#### 参数说明    
axis:{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照索引排序，即纵向排序，如果为1，则是横向排序    
by:str or list of str；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"；  
ascending:布尔型，True则升序，可以是[True,False]，即第一字段升序，第二个降序  
inplace:布尔型，是否用排序后的数据框替换现有的数据框  
kind:排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心  
na_position : {‘first’, ‘last’}, default ‘last’，默认缺失值排在最后面  

例子:
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/qq_35290785/article/details/89282504

pd.sort_values()-CSDN博客

3.plt

1.一个图内添加多个曲线，第一个图下面紧接着写要添加的内容

X = np.c_[country_stats["GDP per capita"]]
y = np.c_[country_stats["Life satisfaction"]]
y_hat=[float(model.predict([[float(i)]])) for i in X]


country_stats.plot(kind='scatter', x="GDP per capita", y='Life satisfaction')
plt.plot(X,y_hat,color="orange")
plt.show()