(番外篇2) python编程笔记

python编程笔记

整体注意点

1. 一切皆对象，对象的概念贯穿整个python设计中。
2. 可变对象与不可变对象。可变对象指的是在数据类型的内存地址上可以直接修改，不可变则不能修改。不可变对象最典型的有元组、整数等，而可变对象最典型的有列表。
3. 可迭代对象。
4. 变量名。变量名指向一个内存地址（指向一个对象），函数内可以使用全局变量，若指向的是可变对象，则可以在原内存地址中修改，但是永远无法改变该变量指向其他地址。如果需要修改该变量指向的地址，需要声明：“global 变量名”。
5. 变量的引用，引用的内存空间是哪里取决于右端值返回的是副本还是原地址空间。值得注意。
6. 函数传参，传的永远是内存地址。这一点非常重要。

列表

numpy库

numpy库提供了多维数组的数据类型，这在处理数据时极其方便。

数组arr的索引。某种角度而言，arr的索引有两种，一种是返回arr内存地址空间的映像，这在数据量很大时是非常快的；一种是返回副本，即是复制过的，它的内存地址是不一致的。

1. 返回原内存地址映像：$arr[x_0,x_1,...,x_{n-1}]$。这里面每一个$x_i$表示的是一个切片"a:b"（左闭右开[a,b)）。
   可以将上述情况分成三种情况：

• $arr[a,x_2,...,x_{n-1}]$：此时，a相当于切片[a:a+1]，与他不同的是用a的时候arr将降低一个维度，而用切片[a:a+1]并不会降低维度。因此需要特别留意此处！
• $arr[a:b,x_2,...,x_{n-1}]$：这是最常规的操作，切取该维度的$[a,b-1]$。
• $arr[a:b]$：后续没有指明的维度，默认为全选：。

2. 返回数组的副本：$arr[x_0,x_1,...,x_{n-1}]$。这里面每一个$x$表示的是一个整数列表"[a,b,c]"，他返回对应排列的的数组副本。
   可以将上述情况分成三种情况：

• $arr[x_0,x_1,...,x_{n-1}]$，返回对应索引的值副本，他是一个行向量，可以利用它来有效赋值！

• $arr[x_0]$ ，只有一个$x_0$，即$arr[x_0]$，未指明的默认该维度全选(相当于现实的":" )，因此返回数组对应维度对应排列的副本，这就是所谓的花式索引，在选取一些特定行（特定样本）时非常方便。

• $arr[x]$，此时x为一个布尔型的对应数组，他返回对应值，可以利用他进行有效的赋值。

数组的类型：

1. dtype。通过arr.dtype可以查看当前数组的类型。数组是单一类型的，如果对一个整数数组的某个空间赋值为浮点数，则只截取整数部分。利用arr.dtype = np.float64 可以解释为64位浮点数，此时信息并没有变化，只是它的解释方式变了。
2. 如果想要就爱哪个某个数组转化为另一中数据类型，此时可能造成信息的损失，可以用as.type。如arr2 = arr1.astype(np.int32)。

注：数组的不同数据类型可能会导致运算规则的变化，这是可能带来很大的迷惑。特别是在赋值运算时会引起类型的变化，需要特别注意，例如图像处理时，图片数组的类型是uint8，此时如果不注意进行赋值，就会因为截断而产生很多不容易发现的错误。

# e.g. 1
>>> o
array([1, 1, 1, 1], dtype=uint8)
>>> k
array([248, 248, 248,   1], dtype=uint8)
>>> o-k
array([9, 9, 9, 0], dtype=uint8)

# e.g. 2
>>> k
array([248, 248, 248,   1], dtype=uint8)
>>> k*k
array([64, 64, 64,  1], dtype=uint8)

数组的一些有用的函数：(矢量化计算，速度块，基于np库)
4. dot 、 T 、inv 、 np.sqrt 、 np.exp、 np.log
5. np.sum(arr, axis)、 np.max(arr, axis)、 np.argmax(arr, axis)，这些函数可以对数组进行快捷操作，其中axis默认为none，表示的将其压平为行向量操作，如果指明维度为m，则沿着该维度进行操作。返回的均是一个行向量(一维)。因此需要注意其维度变化。可以利用reshape进行重塑。
6. reshape(arr,newshape)，利用此函数可以有效的塑造所要的数组维度。e.g. reshape(np.arange(6),(2,3))
7. 格式化输出 "{0:*[<^>]n} … ".format{“str0”,“str1”,“str2”}
8. np.argwhere(condition)、np.where
9. 对bool值矩阵，利用arr.any()和arr.all()来做逻辑判断
10. 对数据进行加行和加列。np.hstack ，其中h表示horizontally。

  >>> a = np.array((1,2,3))
  >>> b = np.array((2,3,4))
  >>> np.hstack((a,b))
  array([1, 2, 3, 2, 3, 4])
  >>> a = np.array([[1],[2],[3]])
  >>> b = np.array([[2],[3],[4]])
  >>> np.hstack((a,b))
  array([[1, 2],
         [2, 3],
         [3, 4]])

DataFrame