公众号：瑞行AI

本文为参考《Python计算机视觉编程》[美]Jan Erik Solem著的学习笔记。

import pandas as pdimport numpy as npA=np.array([[1,2,3,4,5],[2,1,1,2,2],[1,2,3,4,5],[2,1,1,2,2],[1,2,3,4,5]])data=pd.DataFrame(A,index=['li','chen','wang','zhao','qian'],columns=['a','b','c','d','e

contour和contourf都是画三维等高线图的，不同点在于contourf会对等高线间的区域进行填充，区别如下： import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapx=np.array([1,2])y=np.array([1,2])z=np

一、meshgrid的作用首先，meshgrid的作用是将两个向量进行横向纵向扩张>>> import numpy as np>>> x=np.arange(-1,3)>>> xarray([-1, 0, 1, 2])>>> y=np.array([7,8,9])>>> yarray([7, 8, 9])>>> xe,ye=np.meshgrid(x,y)>>> xe

>>> a=np.array([1,2])>>> aarray([1, 2])>>> a.reshape(1,-1)array([[1, 2]])>>> a.reshape(-1,1)array([[1], [2]])reshape一般用法是改变数组维度，比如1*4维向量变成2*2维这里reshape(1,-1)的作用是把一维向量变成二维数组；reshape(-1

正则表达式可以理解为一种字符结构，在python里运用re模块，利用“正则表达式语法构造的正则表达式”对“字符串”进行操作。1.正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。2.构造正则表达式的方法和创建数学表达式的方法一样。也就是用多种元字符与运算符可以将小

载入数据import pandas as pdlj_data = pd.read_csv('./LJdata.csv')lj_data.head(2) 规范一点，用英文的column name，这样免去了后续的一些问题(主要是编码问题)lj_data.columnsIndex(['区域', '地址', '标题', '户型', '面积', '价格', '楼层', '建造时间', '朝向', '更

类的__init__()方法Step1:面向过程def getPeri(a,b): return (a + b)*2 def getArea(a,b): return a*b #test:print(getPeri(3,4))print(getArea(3,4))Step2:假的面向对象class Rectangle_po(): def g...

def foo1(fnum): def foo2(*args): val=fnum for i in args: val+=i snum=val def foo3(): val=snum val*=10

把数据转换成矩阵的形式，用numpy封装函数对矩阵进行操作。 这里写链接内容example=open('drink.txt','w+') ##写一个数据文件drink.txtexample.write('Year,WHO_Region,Country,Beverage Types,Display Value\\n1986,Western Pacific,Viet Nam,Wine,0\\n1

提供两个第三方库索引地址：（1.）Python官方：https://pypi.python.org/pypi（2.）美国加州大学尔湾分校某实验室：http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy 首先,安装pip:目录切换到python的安装目录下的Script文件夹下，运行 easy_install pip 接下来，

相关系数矩阵通常，样本是由多维特征的构成的，把每个特征维度都看成一个随机变量，为了考查两两特征间的关系，可以借助随机变量的协方差。 协方差是对两个随机变量联合分布线性相关程度的一种度量。 cov(Xi,Xj)=E[(Xi−E(Xi))(Xj−E(Xj))]var(Xi)=E[(Xi−E(Xi))2]var(Xj)=E[(Xj−E(Xj))2]cov(Xi,Xj)=E[(Xi−E(Xi)...

函数式编程的应用场景 --> 各个函数之间是独立且无共用的数据面向对象编程-->通过类和对象封装，代码复用创建类时：class关键字,指定继承调用被封装的内容时，有两种情况：通过对象直接调用，通过self间接调用对于面向对象的继承来说，其实就是将多个类共有的方法提取到父类中，子类仅需继承父类而不必一一实现每个方法。class Animal: def eat(self): ...

静态字段在内存中只保存一份 普通字段在每个对象中都要保存一份class Company: place='America' #静态字段 def __init__(self,name): self.name=name #普通字段obj=Company('Google')print(obj.name) #直接访问普通字段print(Compa...

异常异常产生，检测到错误且解释器认为是异常，抛出异常；异常处理，截获异常，忽略或终止程序处理异常。 首先给出两个实验txt文件，内容如下： try…except…捕获指定类型的异常try: aexcept NameError as e: #捕获NameError类的异常 print('catch Error:',e)print('exec ov...

创建一个DataFrame（1）用字典dict，字典值value是列表list（2）用Series构建DataFrame（3）用一个字典构成的列表list of dicts来构建DataFrame广播特性定位DataFrame里的元素（1）利用表达式boolean定位（2）利用loc，iloc，ix函数定位可以定位数字,就可以赋值...

构造/初始化Series的3种方法：（1）用列表list构建Seriesimport pandas as pdmy_list=[7,'Beijing','19大',3.1415,-10000,'Happy']s=pd.Series(my_list)print(type(s))print(s)<class 'pandas.core.series.Series'>0 71

jsondump的功能就是把Python对象encode为json对象，一个编码过程。 注意json模块提供了json.dumps和json.dump方法，区别是dump直接到文件，而dumps到一个字符串，这里的s可以理解为string。以上给出了Python内置对象dump为json对象的操作，反过来，那如何从json对象decode解码为Python可以识别的对象呢？用loads方法，当然这个是基于string的；如果是文件，可以用json.load方法。

os模块提供了统一的操作系统接口函数，用户可以在不同操作系统下自动切换，从而实现跨平台操作。>>> import os>>> os.getcwd()                                                          获取当前工作目录'D:\\PYTHON35\\idle\\imagetest'———————————————————

对象与参考#!/usr/bin/python# Filename: reference.pyprint 'Simple Assignment'shoplist = ['apple', 'mango', 'carrot', 'banana']mylist = shoplist # mylist is just another name pointing to the sa

用pandas封装函数对数据进行读取，预处理，数据分析等操作。 pandas库是基于numpy库编写的， 在命令行窗口安装完numpy后，安装pandas：pip install pandas。通常需要pandas读取的数据文件的文本格式为.txt，.csv，.json pandas里定义的数据类型： （1.）object字符值（2.）int整型（3.）float浮点型（4.）datatime

在Python里，可以把文件看成文件的对象。Python文件打开方式openPython文件读取方式read/readline/readlinesPython文件写入方式write/writelines

#Matplotlib的相关使用from PIL import Imagefrom pylab import *#array()以数组形式读取图像im=array(Image.open('testpic.jpg').convert('L'))#imshow()根据数组绘制图像imshow(im)#x表示点的横坐标，y表示点的纵坐标x=[10,10,40,40]y

statsmodels库官方文档http://www.statsmodels.org/stable/，里面包含很多统计模型和相应计算结果；比较有意思的Linear Regression Models例子http://www.statsmodels.org/stable/examples/index.html#regression下面主要陈述回归常用的分析中OLS:Ordinary Least Squ

关联分析、数值比较：散点图、曲线图分布分析：灰度图、密度图涉及分类的分析：柱状图、箱式图核密度估计（Kernel density estimation），是一种用于估计概率密度函数的非参数方法，采用平滑的峰值函数(“核”)来拟合观察到的数据点，从而对真实的概率分布曲线进行模拟。 https://en.wikipedia.org/wiki/Kernel_density_estimation核密

绘制基本曲线使用plot函数绘制函数曲线，可以调整plot函数参数配置曲线样式、粗细、颜色、标记等设置坐标轴(1.)spines移动坐标轴(2.)xlim方法设置坐标轴刻度取值范围(3.)xticks,yticks方法设置x,y轴的刻度标签值(4.)title方法设置标题，xlabel,ylabel方法设置坐标轴描述设置图片上的描述(1.)text方法设置图片上的文字描述和注解(2.)annotat

单变量分布（1）distplot，seaborn的displot()函数集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途。 （2）kdeplot，核密度估计的步骤：每一个观测附近用一个正态分布曲线近似；叠加所有观测的正态分布曲线；归一化 bandwidth(bw参数)用于近似的正态分布曲线的

探索变量间的关系两个变量：lmplot，绘制回归模型（1.1）两个维度数据都是连续的：散点图 + 线性回归 + 95%置信区间 （1.2）一个维度数据是连续的，一个维度数据是离散的，连续轴抖动x_jitter参数 （1.3）x_estimator参数将“离散取值维度”用均值和置信区间代替散点拟合不同模型（1.1）lmplot默认参数线性拟合 （1.2）lmplot的order参数，设置高阶拟合

分类统计图（1）统计柱状图barplot(均值和置信区间) （2）灰度柱状图countplot （3）点图pointplot(均值和置信区间)分类散点图当有一维数据是分类数据时，散点图成为了条带形状： （1）航线图stripplot，设置参数添加抖动方法jitter=True(点的直接展示) （2）生成蜂群图swarmplot，避免散点重叠(点的直接展示)分类分布图（1）箱式图boxplot

import pandas as pdimport numpy as npsalaries=pd.DataFrame({ 'name':['BOSS','Lilei','Lilei','Han','BOSS','BOSS','Han','BOSS'], 'Year':[2016,2016,2016,2016,2017,2017,2017,2017], 'Salary':[