Python知识点整理，图文结合近三万字（史上最全），阿里大神最佳总结Flutter进阶学习笔记

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

print data[data>1]

print data*3

print data[3]

print pd.notnull(‘a’)

#DataFrame

data={‘state’:[‘beijin’,‘shanghai’,‘hangzhou’,],‘a’:[‘a’,‘b’,‘c’]}

print pd.DataFrame(data)

print pd.DataFrame(data,columns=[‘state’,‘a’],index=[1,2,3])

a=pd.DataFrame(data)

print a.ix[1]

print a.T

print a[2:4]

a=pd.Series(np.arange(4,8),index=[‘a’,‘b’,‘c’,‘d’])

print a

print ‘aaaaaa’

print a[:4]

print ‘aaaaaa’

print a[:5]

df1=pd.DataFrame(np.arange(1,13).reshape(3,4),columns=[‘a’,‘b’,‘c’,‘d’],index=[‘A’,‘B’,‘C’])

print df1

df2=pd.DataFrame(np.arange(1,10).reshape(3,3),columns=[‘a’,‘b’,‘e’])

print df2

print df1.add(df2,fill_value=0)

Python中matplotlib：

线型图：

import matplotlib.pyplot as plt

x=[1,3,5]

y=[4,6,8]

x1=[3,4,6]

y1=[5,4,9]

plt.plot(x, y, label=‘First Line’)

plt.plot(x1, y1, label=‘Second Line’)

plt.xlabel(‘Plot Number’)

plt.ylabel(‘Important var’)

plt.title(‘Interesting Graph\nCheck it out’)

plt.legend()

plt.show()

在这里，我们绘制了我们已经看到的东西，但这次我们添加另一个参数label。 这允许我们为线条指定名称，我们以后可以在图例中显示它。

使用plt.xlabel和plt.ylabel，我们可以为这些相应的轴创建标签。

接下来，我们可以使用plt.title创建图的标题，然后我们可以使用plt.legend()生成默认图例

条形图：

import matplotlib.pyplot as plt

plt.bar([1,3,5,7,9],[5,2,7,8,2], label=“Example one”)

plt.bar([2,4,6,8,10],[8,6,2,5,6], label=“Example two”, color=‘g’)

plt.legend()

plt.xlabel(‘bar number’)

plt.ylabel(‘bar height’)

plt.title(‘Epic Graph\nAnother Line! Whoa’)

plt.show()

plt.bar为我们创建条形图。 如果你没有明确选择一种颜色，那么虽然做了多个图，所有的条看起来会一样。

这让我们有机会使用一个新的 Matplotlib 自定义选项。 你可以在任何类型的绘图中使用颜色，例如g为绿色，

b为蓝色，r为红色，y为黄色，k为黑色，w为白色，买等等。 你还可以使用十六进制颜色代码，如#191970。

直方图：

接下来，我们会讲解直方图。 直方图非常像条形图，倾向于通过将区段组合在一起来显示分布。 这个例子可能是年龄的分组，或测试的分数。

我们并不是显示每一组的年龄，而是按照 20 ~ 25，25 ~ 30… 等等来显示年龄。 这里有一个例子：

import matplotlib.pyplot as plt

population_ages = [22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,122,130,111,115,112,80,75,65,54,44,43,42,48]

bins = [0,10,20,30,40,50,60,70,80,90,100,110,120,130]

plt.hist(population_ages, bins, histtype=‘bar’, rwidth=0.8)

plt.xlabel(‘x’)

plt.ylabel(‘y’)

plt.title(‘Interesting Graph\nCheck it out’)

plt.legend()

plt.show()

对于plt.hist，你首先需要放入所有的值，然后指定放入哪个桶或容器。 在我们的例子中，我们绘制了一堆年龄，并希望以 10 年的增量来显示它们。

我们将条形的宽度rwidth设为 0.8，但是如果你想让条形变宽，或者变窄，你可以选择其他的宽度。

散点图

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8]

y = [5,2,4,2,1,4,5,2]

plt.scatter(x,y, label=‘skitscat’, color=‘k’, s=25, marker=“o”)

plt.xlabel(‘x’)

plt.ylabel(‘y’)

plt.title(‘Interesting Graph\nCheck it out’)

plt.legend()

plt.show()

plt.scatter不仅允许我们绘制x和y，而且还可以让我们决定所使用的标记颜色color，大小s和类型marker。 有一堆标记选项，请参阅 Matplotlib 标记文档中的所有选项。

堆叠图：

在这篇 Matplotlib 数据可视化教程中，我们要介绍如何创建堆叠图。 堆叠图用于显示『部分对整体』随时间的关系。 堆叠图基本上类似于饼图，只是随时间而变化。

让我们考虑一个情况，我们一天有 24 小时，我们想看看我们如何花费时间。 我们将我们的活动分为：睡觉，吃饭，工作和玩耍。

我们假设我们要在 5 天的时间内跟踪它，因此我们的初始数据将如下所

import matplotlib.pyplot as plt

days = [1,2,3,4,5]

sleeping = [7,8,6,11,7]

eating = [2,3,4,3,2]

working = [7,8,7,2,2]

playing = [8,5,7,8,13]

plt.plot([],[],color=‘m’, label=‘Sleeping’, linewidth=5)

plt.plot([],[],color=‘c’, label=‘Eating’, linewidth=5)

plt.plot([],[],color=‘r’, label=‘Working’, linewidth=5)

plt.plot([],[],color=‘k’, label=‘Playing’, linewidth=5)

plt.stackplot(days, sleeping,eating,working,playing, colors=[‘m’,‘c’,‘r’,‘k’])

plt.xlabel(‘x’)

plt.ylabel(‘y’)

plt.title(‘Interesting Graph\nCheck it out’)

plt.legend()

plt.show()

我们在这里做的是画一些空行，给予它们符合我们的堆叠图的相同颜色，和正确标签。 我们还使它们线宽为 5，使线条在图例中显得较宽。 现在，我们可以很容易地看到，

我们如何花费我们