2020-12-15

第一章、预备知识

一、python基础
1、列表推导式与条件赋值
作用：创建一个列表
形式：[* for i in *]，第一个 * 为映射函数，其输入为后面 i 指代的内容，第二个 * 表示迭代的对象。
如：

In:[my_func(i) for i in range(5)]
Out:[0, 2, 4, 6, 8]

列表表达式还支持多层嵌套，如下面的例子中第一个 for 为外层循环，第二个为内层循环：

In:[m+'_'+n for m in ['a', 'b'] for n in ['c', 'd']]
Out:['a_c', 'a_d', 'b_c', 'b_d']

条件赋值
形式：value = a if condition else b ：

2、匿名函数与map方法
匿名函数（lambda）：
语法：变量名= lambda 参数:表达式
map函数：
格式：map(function,iterable,…)

In : list(map(lambda x: 2*x, range(5)))
Out : [0, 2, 4, 6, 8]

3、 zip对象与enumerate方法
zip:zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表

>>>a = [1,2,3]
>>> b = [4,5,6]
>>> c = [4,5,6,7,8]
>>> zipped = zip(a,b)     # 返回一个对象
>>> list(zipped)  # list() 转换为列表
[(1, 4), (2, 5), (3, 6)]
>>> list(zip(a,c))              # 元素个数与最短的列表一致
[(1, 4), (2, 5), (3, 6)]
In [25]: dict(zip(L1, L2))  #用于字典映射
Out[25]: {'a': 'd', 'b': 'e', 'c': 'f'}

enumerate 是一种特殊的打包，它可以在迭代时绑定迭代元素的遍历序号：

In [22]: L = list('abcd')
In [23]: for index, value in enumerate(L):
   ....:     print(index, value)
   ....: 
0 a
1 b
2 c
3 d

二、numpy基础
1、np数组的构造
一般通过array构造

一些特殊的数组:
【a】等差序列
np.linspace：不包含终止数。
np.arange：包含终止数
[b] 特殊矩阵 zeros，eye，full
[c] 随机矩阵 random

2、np.数组的变形与合并
[a]：转置：T
[b]：合并操作：r_，c_
对于二维数组而言：r_表示上下合并，c_表示左右合并。
[c]：维度变换：‘C’,‘F’
'C’模式：逐行进行填充读取
'F’模式：逐列进行填充读取

3、np数组的切片与索引
数组的切片模式支持使用slice类型的start🔚step切片

4、常用函数
【a】where
where是一种条件函数，可以指定满足条件与不满足条件位置对应的填充值：
例：

In[78]:a=np.array([-1,1,-1,0])
In[79]:np.where(a>0,a,5)   #对应位置为True时填充a对应元素，否则填充5Out[79]:array([5,1,5,5])

【b】nonzero,argmax,argmin
这三个函数返回的都是索引，nonzero返回非零数的索引，argmax,argmin分别返回最大和最小数的索引：
【c】any,all
any指当序列至少存在一个True或非零元素时返回True，否则返回Falseall指当序列元素全为True或非零元素时返回True，否则返回False
【d】cumprod,cumsum,dif
cumprod,cumsum分别表示累乘和累加函数，返回同长度的数组，diff表示和前一个元素做差，由于第一个元素为缺失值，因此在默认参数情况下，返回长度是原数组减1

In[87]:a=np.array([1,2,3])
In[88]:a.cumprod()
Out[88]:array([1,2,6],dtype=int32)
In[89]:a.cumsum()
Out[89]:array([1,3,6],dtype=int32)
In[90]:np.diff(a)
Out[90]:array([1,1])

【e】统计函数
常用的统计函数包括max,min,mean,median,std,var,sum,quantile，其中分位数计算是全局方法，因此不能通过array.quantile的方法调用：
例：

In[91]:target=np.arange(5)
In[92]:target
Out[92]:array([0,1,2,3,4])
In[93]:target.max()
Out[93]:4
In[94]:np.quantile(target,0.5)#0.5分位数
Out[94]:2.0
In[95]:target=np.array([1,2,np.nan])
In[96]:targetOut[96]:array([1.,2.,nan])In[97]:target.max()Out[97]:nan
In[98]:np.nanmax(target)
Out[98]:2.0
In[99]:np.nanquantile(target,0.5)
Out[99]:1.5

对于协方差和相关系数分别可以利用
cov,corrcoef计算：

二维Numpy数组中统计函数的axis参数，它能够进行某一个维度下的统计特征计算，当axis=0时结果为列的统计指标，当axis=1时结果为行的统计指标：
例：

In[104]:target=np.arange(1,10).reshape(3,-1)
In[105]:target
Out[105]:array([[1,2,3],[4,5,6],[7,8,9]])
In[106]:target.sum(0)
Out[106]:array([12,15,18])
In[107]:target.sum(1)
Out[107]:array([6,15,24])

5、广播机制
广播机制用于处理两个不同维度数组之间的操作，这里只讨论不超过两维的数组广播机制。【a】标量和数组的操作
【b】二维数组之间的操作
【c】一维数组与二维数组的操作

6、向量与矩阵的计算
【a】向量内积：dot
【b】向量范数和矩阵范数：np.linalg.norm
【c】矩阵乘法：@