数据科学基础

一、五个常用python库

Numpy/Scipy/Pandas/Matplotlib/Scikit-learn

1.Numpy

• N维数组(矩阵)，快速高效，矢量数学运算
• 搞笑的Index，不需要循环
• 开源免费跨平台

2.Scipy

• 依赖于Numpy
• 专为科学和工程设计
• 实现了多种常用科学计算：线性代数、傅里叶变换、信号和图像处理

3.Pandas

• 结构化数据分析利器（依赖Numpy）
• 提供了多种高级数据结构：Time-Series、DataFrame、Panel
• 强大的数据索引和处理能力

4.Matplotlib

• Python 2D绘图领域使用最广泛的套件
• 基本能取代Matlab的绘图功能（散点、曲线、柱形等）
• 通过mplot3d可以绘制精美的3D图

5.Scikit-learn

• 机器学习的python模块
• 建立在scipy之上，提供了常用的机器学习算法：聚类、回归
• 简单易学的API接口

二、数学基础之矩阵运算

1.基本概念

• 矩阵：矩形的数组，即二维数组。其中向量和标量都是矩阵的特例
• 向量：是指1xn或者nx1的矩阵
• 标量：1x1的矩阵
• 数组：N维的数组，是矩阵的延伸

特殊矩阵

• 全0全1矩阵
• 单位矩阵
  nxn的矩阵对角线上全为1，任何矩阵乘单位矩阵都不变

2.矩阵加减运算

• 相加，减的两个矩阵必须要有相同的行和列
• 行和列对应元素相加减

3.数组乘法（点乘）

• 对应元素的乘法

4.矩阵乘法

• A为mxp的矩阵，B为pxn的矩阵，mxn的矩阵C为A与B的乘积。

三、数组的创建与访问

1.数组的创建

import numpy as np
list_1 = [1,2,3,4]
arr_1 = np.array(list_1)  # array([1, 2, 3, 4])
list_2 = [5,6,7,8]
arr_2 = np.array(list_1, list_2) 
#array([[1, 2, 3, 4],
#		[5, 6, 7, 8]])
arr_3 = np.zeros(5) # array([0., 0., 0., 0., 0.])
arr_4 = np.zeros([2