![](https://img-blog.csdnimg.cn/20190927151043371.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
python
python学习笔记
逐梦er
ACM铜牌退役狗、机器学习炼丹师、懒癌晚期患者
展开
-
python学习笔记之numpy库的使用——超详细
文章目录NumPy介绍一.如何创建1.导入Numpy库,并命名为np:2.查看版本3.通过列表创建一维数组:4.通过列表创建二维数组:5.创建全为0的二维数组6.创建全为1的三维数组7.创建一维等差数组8. 创建二维等差数组:9. 创建单位矩阵(二维数组):10. 创建二维随机数组:11.创建二维随机整数数组(数值小于 5):二.数组运算12.一维数组加法运算:13.一维数组减法运算:14. 一维数组乘法运算:15.一维数组除法运算:16.二维数组的运算,相应位置上进行+-*/17 矩阵乘法运算(注意与上题原创 2020-06-07 14:07:54 · 80952 阅读 · 42 评论 -
Pandas看这一篇就够了!
文章目录1.Series2.DataFrame2.1 列的选择、添加、删除3. Series的基本操作4.DataFrame基本操作5. Pandas函数应用6.Pandas多轴索引:7.Pandas统计函数8.Pandas分组1.Series1.1 Pandas系列可以使用以下构造函数创建– pandas.Series( data, index, dtype) – data:数据采取各种形式,如:ndarray,list,constants– index:必须是唯一的和散列的,与数据的长度相同。原创 2020-10-02 20:41:24 · 10115 阅读 · 9 评论 -
Numpy高级操作大全!!!
文章目录一.数组上的迭代二.数组形状修改函数1.ndarray.reshape2.ndarray.flat3.ndarray.flatten三.数组翻转操作函数1.numpy.transpose2. numpy.ndarray.T3.numpy.swapaxes4.numpy.rollaxis四.数组修改维度函数1.numpy.broadcast_to2.numpy.expand_dims3.numpy.squeeze五.数组的连接操作1.numpy.stack2.numpy.hstack3.numpy.v原创 2020-09-20 23:30:41 · 2914 阅读 · 14 评论 -
python学习笔记之lambda表达式
1.lambda表达式:lambda表达式的语法非常精简,基本语法是在冒号(:)左边放原函数的参数,可以有多个参数,用逗号(,) 隔开即可冒号右边是返回值在写python脚本的时候,使用lambda可以省下定义函数的过程,代码更加简洁>>>g = lambda x : 2 * x + 1;>>>print(g(5))>>>>112.filter():filter有俩个参数,第一个参数为函数,第二参数集合里面的元素可作为函数的参数进行原创 2020-06-21 10:11:18 · 5548 阅读 · 0 评论 -
Python代码实现飞机大战
文章目录经典飞机大战一.游戏设定二.我方飞机三.敌方飞机四.发射子弹五.发放补给包六.主模块经典飞机大战源代码以及素材资料(图片,音频)可从下面的github中下载:飞机大战源代码以及素材资料github项目地址链接—————————————————————————————————————————————————————————不知道大家有没有打过飞机,喜不喜欢打飞机。当我第一次接触这个东西的时候,我的内心是被震撼到的。第一次接触打飞机的时候作者本人是身心愉悦的,因为周边的朋友都在打飞机, 每原创 2020-06-19 11:40:37 · 49984 阅读 · 176 评论 -
IPython系统相关内容及其配置信息
文章目录一.使用命令历史1.1搜索和复用命令历史1.2输入和输出变量二.与操作系统交互2.1shell命令及其别名2.2目录书签系统三.软件开发工具3.1交互调试器3.2 对代码测时: %time 和 %timeit四.使用python进行高效代码开发的技巧4.1 重载模块依赖项4.2代码设计准则五.高阶IPython特性5.1 使你定义的类对IPthon友好5.2 文件与配置一.使用命令历史Ipython维护了一个位于磁盘的小型数据库,用于保存执行的每条指令。它的用途有:只用最少的输入,就能搜索、补原创 2020-06-16 21:52:14 · 5595 阅读 · 0 评论 -
NumPy进阶教程——超详细
文章目录Numpy基础教程链接一.ndarray对象内幕1.1 Numpy dtype 层次结构二.高阶数组操作2.1重塑数组2.2 C顺序和Fortran顺序2.3 连接和分隔数组2.31堆叠助手:r_和c_2.4 重复元素: tile和repeat2.5 神奇索引的等价方法:take和put三.广播3.1 在其他轴上广播3.2通过广播设定数组的值四. 高阶ufunc用法4.1 ufunc实例方法4.2使用python编写新的ufunc方法五.结构化和记录数组5.1 嵌套dtype和多维字段5.2 为什么原创 2020-06-16 13:55:16 · 13840 阅读 · 22 评论 -
利用python进行数据分析——第十四章_数据分析案例
文章目录本章中的数据文件可从下面的github仓库中下载利用python进行数据分析(第二版)一.从Bitli获取 1.USA.gov数据1.1纯python时区计数1.2使用pandas进行时区计数二.MovieLens 1M数据集2.1测量评价分歧三.美国1880~2010年的婴儿名字3.1分析名字趋势'最后一个字母'革命四.美国农业部食品数据库五.2012年美国联邦选举委员会数据库5.1 按职业和雇主进行捐献统计5.2 捐赠金额分桶5.3按州进行捐赠统计本章中的数据文件可从下面的github仓库中.原创 2020-06-15 20:11:25 · 6492 阅读 · 0 评论 -
五大数据分析案例——手把手教你处理数据信息(基础、详细)
文章目录利用python进行数据分析(第二版)示例一.关于时区的数据分析1.1纯python时区计数1.2使用pandas进行时区计数示例二.电影评分数据分析2.1测量评价分歧示例三.美国1880~2010年的婴儿名字数据分析3.1分析名字趋势'最后一个字母'革命示例四.美国农业部食品数据库数据分析示例五.2012年美国联邦选举委员会数据库数据分析5.1 按职业和雇主进行捐献统计5.2 捐赠金额分桶5.3按州进行捐赠统计本章中的数据文件可从下面的github中下载利用python进行数据分析(第二版)原创 2020-06-15 15:53:06 · 8291 阅读 · 1 评论 -
利用python进行数据分析——第13章 python建模库介绍
文章目录一.pandas与建模代码的结合二.使用patsy创建模型描述2.1Patsy公式中的数据转换2.2分类数据与Patsy三.statsmodels介绍3.1评估线性模型3.2评估时间序列处理其他关于数据处理的文章和pandas基础知识:1.python——pandas库之Series数据结构基础2.python——pandas库之DataFrame数据结构基础3.python之日期与时间处理模块及利用pandas处理时间序列数据4.利用python进行数据分析——使用groupby机制对pandas原创 2020-06-14 11:03:40 · 7911 阅读 · 0 评论 -
用python进行数据分析——第十二章.高阶pandas
文章目录一.分类数据1.1 背景和目标1.2 pandas中的Categorical类型1.3使用Categorical对象进行计算1.4分类方法二.高阶GroupBy应用2.1分组转换和'展开'GroupBy2.2分组的时间重新采样三.方法链技术3.1 pipe(管道)方法一.分类数据这一节介绍的是pandas的Categorical类型。我会向你展示通过使用它,提高性能和内存的使用率。我还会介绍一些在统计和机器学习中使用分类数据的工具。1.1 背景和目标表中的一列通常会有重复的包含不同值的小集合原创 2020-06-13 13:04:18 · 6539 阅读 · 0 评论 -
利用python进行数据分析——第11章时间序列
文章目录时间序列一.日期和时间数据类型及工具1.1字符串与datetime互相转换二.时间序列基础2.1索引、选取、子集构造2.2 含有重复索引的时间序列三.日期的范围、频率以及移动3.1生成日期范围3.2频率和日期偏置3.3 移位(向前和向后日期)四.时区处理4.1时区的本地化和转换4.2时区感知时间戳对象的操作4.3不用时区间的操作五.时间区间和区间算术5.1区间频率转换5.2季度区间频率5.3 将时间戳转换为区间(以及逆转换)5.4通过数组创建PeriodIndex六.重新采样与频率交换6.1向下采样原创 2020-06-12 21:39:59 · 6802 阅读 · 1 评论 -
python之日期与时间处理模块及利用pandas处理时间序列数据
文章目录时间序列一.日期和时间数据类型及工具1.1字符串与datetime互相转换二.时间序列基础时间序列时间序列(time series)数据是一种重要的结构化数据形式,应用于多个领域,包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的,也就是说,数据点是根据某种规律定期出现的(比如每15秒、每5分钟、每月出现一次)。时间序列也可以是不定期的,没有固定的时间单位或单位之间的偏移量。时间序列数据的意义取决于具体的应用场景,主原创 2020-06-11 23:05:25 · 7015 阅读 · 0 评论 -
利用python进行数据分析——使用groupby机制对pandas对象类的数据进行聚合与分组操作
文章目录数据聚合与分组操作一.GroupBy机制1.1遍历各分组1.2选取一列或所有列的子集1.3 通过字典或Series进行分组1.4 通过函数进行分组1.5根据索引层级分组二. 数据聚合2.1面向列的多函数应用2.2返回不含行索引的聚合数据10.3 应用(apply):通用“拆分-应用-合并”3.1禁用分组索引3.2分位数和桶分析3.3示例:用特定于分组的值填充缺失值3.4 示例:随机采样和排列3.5 示例:分组加权平均数和相关系数3.6 示例:组级别的线性回归四.透视表和交叉表4.1交叉表:cross原创 2020-06-11 15:47:36 · 9556 阅读 · 3 评论 -
数据分析——利用pandas库进行数据的清洗与处理
数据清洗与准备有时候数据对于特定的任务来说格式并不正确,需要转化为更加适合的数据形式。这里介绍数据清洗的有关基础知识。文章目录数据清洗与准备一.过滤缺失值二.补全缺失值三.数据转换1.删除重复值2.使用函数或映射进行数据转换3.替代值4.重命名轴索引5.离散化和分箱6.检查和过滤异常值7.置换和随机抽样8.计算指标/虚拟变量一.过滤缺失值缺失数据在很多数据分析应用中都出现过,对于数值型数据,pandas使用浮 点值NaN来表示缺失值。可以用isnull()对一 个数组逐元素进行操作,返回布尔型判断结原创 2020-06-08 10:22:59 · 8141 阅读 · 1 评论 -
python——pandas库之DataFrame数据结构基础
DataFrame简介dataframe表示的是矩阵的数据表,每一列可以是不同的值类型,可以看作一个共享相同索引的Series字典。在dataframe中,数据被存储为一个以上的二维块1.利用等长度列表或numpy数组的字典来形成dataframeimport pandas as pdimport numpy as npdata = {'state' : ['ohio', 'ohio', 'ohio', 'Nevada', 'Nevada', 'Nevada'], 'year'原创 2020-06-07 14:46:03 · 6358 阅读 · 1 评论 -
python——pandas库之Series数据结构基础
文章目录pandas之Series1.Series简介2.Series属性3.数学运算4.缺失值检测6.Series自动对齐索引7.name属性pandas之Series1.Series简介Series是一种一维的数组型对象,它包含了一个数值和数据标签,称为索引import pandas as pdimport numpy as npobj = pd.Series([4, 7, -5, 3])obj out:0 41 72 -53 3dtype:原创 2020-06-07 14:40:36 · 5896 阅读 · 1 评论 -
python数据结构之列表(list)——超详细
列表1.创建方式[] 或 list()a = [] # 表示一个空列表a = [1, 2, 3, 4, 5]a [1, 2, 3, 4, 5]list("hello world") ['h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd']l = list("hello world")#l列表长度为11, 小标从0到10l[1] 'e'l[10] 'd'l[-1] # 逆序取值 在数值前面加上负号,原创 2020-06-06 20:17:16 · 10191 阅读 · 2 评论 -
python数据结构之元组(tuple)——超详细
元组元组和列表相比,元组不可改变,且创建的时候逗号(,)才是元组的标志所在,小括号只是起一个补充作用,为了看起来好理解1.创建元组tuple2 = 1, 2, 3, 4tuple2 (1, 2, 3, 4)type(tuple2) # tuple 类型 tupletuple1 = (1, 2, 3, 4, 5)tuple1 (1, 2, 3, 4, 5)二.元组的访问和切片功能跟列表一样tuple1[0] 1tuple1[1] 2tuple1[:原创 2020-06-06 19:58:51 · 7081 阅读 · 1 评论 -
python数据结构之字典(dict)——超详细
字典(dict)1.什么是字典字典是具有映射关系的一个集合,有自己的标志性符号,用{}来定义。字典由多个键以及其对应的键值共同构成的,字典是无序的,只讲究对应关系,并且字典中的键是独一无二的1.创建一个字典直接用{}来创建empty = {}empty {}type(empty) dict下面这种方式,键必须加引号,且键与值之间用 : (冒号)连接起来dict1 = {'a' : 1, 'b' : 2, 'c' : 3}dict1 {'a': 1, 'b': 2,原创 2020-06-06 19:53:17 · 11456 阅读 · 2 评论 -
python数据结构之集合(set)——超详细
集合1.什么是集合用一个大括号括起一堆元素,用逗号隔开,并且里面的元素唯一,称之为集合,和数学上的集合类似num = {1, 2, 3, 4, 5}num {1, 2, 3, 4, 5}2.集合是无序的,所以不支持索引功能,也不支持切片功能,并且会自动的将重复的元素删掉,具有去重的功能num[2]---------------------------------------------------------------------------TypeError原创 2020-06-06 19:52:15 · 6697 阅读 · 1 评论 -
数据可视化——利用pandas和seaborn绘图基础
一.折线图1.Series和DataFrame都有一个plot属性,用于绘制基本的图形。默认情况下,plot绘制的是折线图import pandas as pdimport numpy as nps = pd.Series(np.random.randn(10),index = np.arange(0, 100, 10))s.plot()2.Series对象的索引作为图像的x轴,通过设置参数ues_index = False来禁用这个功能DataFrame的plot方法在同一个子图中将每一原创 2020-06-04 20:27:39 · 9943 阅读 · 1 评论 -
图像可视化——matplotlib绘图入门基础
1.图片与子图matplotlib所绘制的图位于图片(figure)对象中,可以使用plt.figure生成一个新的图片import matplotlib.pyplot as pltimport numpy as npfig = plt.figure()使用add_subplot创建一个或多个子图ax1 = fig.add_subplot(2, 2, 1)上面的代码意思是将图片分为为2 * 2个(最多4个图形)子图,并且我们选择了4个图形中的第一个图形将这些代码在同一单元格下运行,当不指原创 2020-06-04 10:16:04 · 7013 阅读 · 1 评论 -
超详细——matplotlib基础
Matplotlib 基础数据可视化非常重要,因为错误或不充分的数据表示方法可能会毁掉原本很出色的数据分析工作。matplotlib 库是专门用于开发2D图表(包括3D图表)的,突出优点:使用起来极为简单以渐进、交互式方式实现数据可视化表达式和文本使用LaTeX排版对图像元素控制力强可输出PNG、PDF、SVG和EPS等多种格式安装conda install matplotlib或者pip install matplotlibmatplotlib 架构matplotlib原创 2020-06-03 18:47:54 · 6063 阅读 · 0 评论