Python基本语法

1.变量类型不用声明，直接赋值。 
data='Hello word!'
a=452
b=8.98
true=True
多变量赋值：a,b,c=1,'hello',True

2.控制语句后边跟冒号，空格缩进区分代码块
if value==1:
   print('a')
elif value>10:
   print('b')
else:
   print('c')

3.元组：
只读的集合类型，初始化后，元组元素不能重新赋值
a=(1,2,3)
print(a)
print(a[0])

4.列表：
列表元素可以重新赋值，对列表元素增加列表项用append()函数
a=[1,2,3]
print(a)
a.append(4)(加在列表最后边)

5.字典：
可变容器模型，可存储任意类型的对象，键值对(Key,value)用冒号：分开，键值对之间用,号分开
mydict={'a':6.18,'b':'str','c':True}
print('A value:%.2f'% mydict['a'])

mydict['a']=523

print('A value: %d'%mydict['a'])

print('keys:%s' % mydict.key())

print('values:%s' % mydict.values())

for key in mydict:
	print(mydict[key])

 

 

numpy库:

 mumpy作为算数运算（矩阵运算）：

Matplotlib库：

1.初始化绘图

2.设定x轴,y轴，用xlabe(),ylabel()方法设置标签

3.展示绘图结果用show（）方法

 

 散点图：

效果：

Pandas:

Series:一维数组，只允许存储相同数据类型

 DataFrame:

 DataFrame是可以指定行和列标签的二维数组，数据可以通过指定列名访问特定列的数据，是一个对数据进行切片的工具

 

数据导入：

 （1）使用Numpy导入数据：

使用NumPy的loadtxt()函数导入数据，这个函数处理的数据没有文件头，所有的数据结构是一样的。

（2）使用Pandas导入数据：

要使用Pandas.read_csv()函数，函数的返回值是DataFrame.

（3）使用标准Python类库导入数据：

 

数据理解：

显示数据前10行

DataFrame的Shape属性可以知道数据的维度，多少行多少列

显示数据属性和类型

 

描述性统计：

 

describe()方法结果显示： 

 数据的分布分析：DataFrame的skew()可以计算所有数据属性的高斯分布（正态分布）偏离情况，shew()函数的结果显示数据分布是左偏还是右偏。数据接近0时，表示数据偏差非常小。

数据可视化：

（1）直方图（Histogram）也称质量分布图，一般用横轴表示数据类型，纵轴表示分布情况。

执行结果如图所示：（用到hist()函数）

密度图：一般用于呈现连续变量，类似于对直方图进行抽象，用平滑曲线来描述数据分布。

 

 结果：

 

 箱线图：用于显示一组数据分散情况的统计图。首先画一条中位数线，然后以下四分位数和上四分位数画一个盒子，上下各有一条横线，表示上边缘和下边缘，通过横线来显示数据的伸展状况，游离在边缘之外的点为异常值。

 

 相关矩阵图：用来展示两个不同属性相影响的程度，如果两个属性按照相同的方向变化，说明是正向影响，反之则是负向影响。

散点矩阵图：表示因变量随自变量变化的大致趋势，