佛系更新

本文算是本人AIoT(人工智能+物联网) 学习的过程总结，相关笔记均会在此博客给出相关链接；适合学习人群：0基础小白，以及有一定编程基础的同学~，本文理论+实战并存，通过真实企业级项目讲述AIoT，本文将持续更新，希望你我均能沉下心去认真学习AIoT的相关内容，共同进步！

💫你好，我是辰chen，本文旨在准备考研复试或就业💫本文内容来自某机构网课，是我为复试准备的第一个项目💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容🌟 预置知识详见我的AIoT板块，需掌握 基本Python语法, Numpy, Pandas, Matplotlib以下的几个专栏是本人比较满意的专栏(大部分专栏仍在持续更新)，欢迎大家的关注：💥ACM-ICPC算法汇总【基础篇】💥ACM-ICPC算法汇总【提高篇】💥AIoT(人工智能+物联网)💥考研💥。

💫你好，我是辰chen，本文旨在准备考研复试或就业💫本文内容来自某机构网课，是我为复试准备的第一个项目💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容🌟 预置知识详见我的AIoT板块，需掌握 基本Python语法, Numpy, Pandas, Matplotlib以下的几个专栏是本人比较满意的专栏(大部分专栏仍在持续更新)，欢迎大家的关注：💥ACM-ICPC算法汇总【基础篇】💥ACM-ICPC算法汇总【提高篇】💥AIoT(人工智能+物联网)💥考研💥。

💫你好，我是辰chen，本文旨在准备考研复试或就业💫本文内容来自某机构网课，是我为复试准备的第一个项目💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容🌟 预置知识详见我的AIoT板块，需掌握 基本Python语法, Numpy, Pandas, Matplotlib以下的几个专栏是本人比较满意的专栏(大部分专栏仍在持续更新)，欢迎大家的关注：💥ACM-ICPC算法汇总【基础篇】💥ACM-ICPC算法汇总【提高篇】💥AIoT(人工智能+物联网)💥考研💥。

💫你好，我是辰chen，本文旨在准备考研复试或就业💫本文内容来自某机构网课，是我为复试准备的第一个项目💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容🌟 预置知识详见我的AIoT板块，需掌握 基本Python语法, Numpy, Pandas, Matplotlib以下的几个专栏是本人比较满意的专栏(大部分专栏仍在持续更新)，欢迎大家的关注：💥ACM-ICPC算法汇总【基础篇】💥ACM-ICPC算法汇总【提高篇】💥AIoT(人工智能+物联网)💥考研💥。

💫你好，我是辰chen，本文旨在准备考研复试或就业💫本文内容来自某机构网课，是我为复试准备的第一个项目💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容🌟 预置知识详见我的AIoT板块，需掌握 基本Python语法, Numpy, Pandas, Matplotlib以下的几个专栏是本人比较满意的专栏(大部分专栏仍在持续更新)，欢迎大家的关注：💥ACM-ICPC算法汇总【基础篇】💥ACM-ICPC算法汇总【提高篇】💥AIoT(人工智能+物联网)💥考研💥。

独热编码即 One-Hot 编码，又称一位有效编码。其方法是使用 N 位状态寄存器来对 N 个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。............

本篇博客是 [AIoT阶段一] 的内容：Python 语法基础，关于所有的AIoT的详细介绍，详见博客：AIoT(人工智能+物联网)知识总结+实战项目。本文与网上教程以及其他关于Python的博文区别有如下几点：新，可以说是至2022/1/14最新的Python相关博文(使用 Python 3.10)；配图详细，所有的配图均是博主一步一步实践过程中的配图，配图中需要强调的地方用红圈圈出；结构条理清晰 （这里吐槽一下我们学校Python的教材，很多后面章节才学的东西在很前面的章节就很频繁的使用，自学起来

你好，感谢你能点进来本篇博客，请不要着急退出，相信我，如果你有一定的 Python 基础，想要学习 Python数据分析的三大库：numpy，pandas，matplotlibnumpy，pandas，matplotlib；这篇文章不会让你失望，本篇博客是 【AIoT阶段一（下）】 的内容：Python数据分析，关于AIoT的详细介绍，详见博客：AIoT(人工智能+物联网)知识总结+实战项目，如果你没有 Python 基础，建议先修：Python的进阶之道【AIoT阶段一（上）】（十五万字博文 保姆级讲解）

本文为长文：Python进阶之道【阶段一】的第一章，截取本章单独发布是因为帮助更多读者进行专项的需求，本文采用 图 + 文 的形式，配图众多，每步都很详细，且下载为最新 Python 3.10 ，和最新的 PyCharm，安装 PyCharm 分为付费版和免费版的安装演示。

本文从1、需求分析 2、系统设计 3、系统开发必备 4、主函数设计 5、学生信息维护模块设计 6、查询/统计模块设计 7、排序模块设计 8、项目打包 9、总结和完整代码 九个方面去分步讲解如何用 Python 实现 学生管理系统。

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文配图全且详细，读者只需和我的图片和描述一样操作即可，整体过程也十分简单，总用时不会超过 20min（其中下载相关文件占大部分时间）

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 NumPy入门，后续还会单独发一篇 NumPy高级内容供读者学习。

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 NumPy 高级，学习之前需要学习：NumPy入门，关于NumPy和jupyter的安装在 NumPy入门一文中也有想详细的介绍

五、科学计算模板 Numpy1.Numpy 入门NumPy（Numerical Python）是Python的一种开源的数值计算扩展。提供多维数组对象，各种派生对象（如掩码数组和矩阵），这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 pandas 入门，后续还会单独发一篇 pandas 高级以及 pandas 进阶内容供读者学习。Python在数据处理和准备方面一直做得很好，但在数据分析和建模方面就差一些。pandas帮助填补了这一空白，使您能够在Python中执行整个数据分析工作流程，而不必切换到更特定于领域的语言，如R。与出色的 jupyter工具包和其他库相结合，Python中用于进行数据分析的环境在性能、生

目录前言1.数据集成1.1 concat数据串联1.2 插入1.3 Join SQL风格合并2.数据清洗2.1 重复数据过滤2.2 空数据过滤2.3 指定行或者列进行删除2.4 异常值3.数据转换前言本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 pandas 高级，读本文之前建议先修：pandas 入门，后续还会发出一篇 pandas 进阶供读者进行进一步的学习了解。

目录前言1.数据重塑1.1 一般数据1.2 多层索引前言本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 pandas 高级，读本文之前建议先修：pandas 入门，pandas 高级1.数据重塑数据重塑其实就是行变列，列变行1.1 一般数据import numpy as npimport pandas as pddf = pd.DataFrame(data = np.random.randint(0, 10

Python在数据处理和准备方面一直做得很好，但在数据分析和建模方面就差一些。pandas帮助填补了这一空白，使您能够在Python中执行整个数据分析工作流程，而不必切换到更特定于领域的语言，如R。与出色的 jupyter工具包和其他库相结合，Python中用于进行数据分析的环境在性能、生产率和协作能力方面都是卓越的。pandas是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。pandas是Python进行数据分析的必备高级工具。pandas

1.matplotlib 的下载我们的常规下载方式就是在命令行中输入：`pip install matplotlib`，这样你就可以从官方进行下载，但是这样的下载速度是十分的慢的，我们在 最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文）(https://chen-ac.blog.csdn.net/article/details/122374025?spm=1001.2014.3001.5502)这一博客中曾写到，可以在`pip install matplo

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 Matplotlib数据可视化，后续还会单独发一篇Matplotlib数据可视化高级以及Matplotlib数据可视化进阶内容供读者学习。在数据分析与机器学习中，我们经常要用到大量的可视化操作。一张制作精美的数据图片，可以展示大量的信息，一图顶千言。而在可视化中，Matplotlib算得上是最常用的工具。Matplotlib 是 python 最著名的绘图库，它提供了一整套 API，十

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍Matplotlib数据可视化高级，读本文之前，如果没有 Matplotlib基础建议先看博客：Matplotlib数据可视化入门，后续还会单独发一篇Matplotlib数据可视化进阶内容供读者学习。学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶本文中很多的操作在 NumPy从入门到进阶，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视 为matplotlib的补充，而不是替代物。

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍Matplotlib数据可视化进阶，读本文之前，如果没有 Matplotlib基础建议先看博客：Matplotlib数据可视化入门，Matplotlib数据可视化高级。学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶，本文中很多的操作在 NumPy从入门到进阶 ，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图片的安装和下载流程，本文会直接

在数据分析与机器学习中，我们经常要用到大量的可视化操作。一张制作精美的数据图片，可以展示大量的信息，一图顶千言。而在可视化中，Matplotlib算得上是最常用的工具。Matplotlib 是 python 最著名的绘图库，它提供了一整套 API，十分适合绘制图表，或修改图表的一些属性，如字体、标签、范围等。Matplotlib 是一个 Python 的 2D 绘图库，它交互式环境生成出版质量级别的图形。通过 Matplotlib这个标准类库，开发者只需要几行代码就可以实现生成绘图，折线图、散点图、柱状图、

不论你是一位刚入程序员门槛的大学生，亦或者是想系统学习程序员数学，这篇文章绝对可以满足你的需求，本篇博客涉及所有程序员数学的必备知识，是 【AIoT阶段二】的内容：算法数学基础，关于所有AIoT的详细介绍，详见博客：AIoT(人工智能+物联网)知识总结+实战项目，先来简单介绍通过本文，你可以学到什么：微积分基础，线性代数基础，多元函数微分学，线性代数高级，概率论，最优化。本篇博客和Python的进阶之道【AIoT阶段一】不同，以上的这些数学知识我们以后将频繁的使用，建议大家对全文进行掌握，如果大家对于哪部分

本文其实值属于：程序员的数学【AIoT阶段二】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍微积分基础，微积分是公式推导的基础，如果你也关注我的专栏：西瓜书读书笔记，里面对公式进行详细推导的过程中，运用到了大量的 导数，积分，身为一名程序员，我们务必掌握一些必备的数学知识。导数可以说是微积分的敲门砖，如果你大一的高数内容已经学完，这一节来说对你就是小儿科，本节将假设你不会导数，没有学过高数这门课，保证大家可以看懂.导数，也为叫导函数值。又名微商，是微积分中的重要基础概念，导数可以理解为

本文其实值属于：程序员的数学【AIoT阶段二】 （尚未更新）的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 线性代数基础，在机器学习中经常会有矩阵、向量的定义以及计算，是公式定义、推导中必不可少的一部分内容，很多基础概念的定义中都用到了向量的概念，有关线性代数，后续还会发一篇博文：程序员的数学【线性代数高级】，本文涵盖了一些计算的问题并使用代码进行了实现，安装代码运行环境见博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），如果你只是想

本文其实值属于：程序员的数学【AIoT阶段二】 （尚未更新）的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 线性代数高级，读之前建议先看：程序员的数学【线性代数基础】，本文涵盖了一些计算的问题并使用代码进行了实现，安装代码运行环境见博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），如果你只是想要简单的了解有关线代的内容，那么只需要学习一下博文：NumPy从入门到高级，如果你是跟着博主学习 AIoT 的小伙伴，建议先看博文：数据分析三剑

本文其实值属于：程序员的数学【AIoT阶段二】 （尚未更新）的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 多元函数微分学，读之前建议先看：程序员的数学【微积分基础】，本文涵盖了一些计算的问题并使用代码进行了实现，安装代码运行环境见博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），如果你只是想要简单的了解有关线代的内容，那么只需要学习一下博文：NumPy从入门到高级，如果你是跟着博主学习 AIoTAIoT 的小伙伴，建议先看博文：数据

本文其实值属于：程序员的数学【AIoT阶段二】 （尚未更新）的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 概率论，本文涵盖了一些计算的问题并使用代码进行了实现，安装代码运行环境见博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），如果你只是想要简单的了解有关线代的内容，那么只需要学习一下博文：NumPy从入门到高级，如果你是跟着博主学习 AIoTAIoTAIoT 的小伙伴，建议先看博文：数据分析三剑客【AIoT阶段一（下）】（十万字博

本文其实值属于：程序员的数学【AIoT阶段二】 （尚未更新）的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍 最优化，本文涵盖了一些计算的问题并使用代码进行了实现，安装代码运行环境见博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），如果你只是想要简单的了解有关线代的内容，那么只需要学习一下博文：NumPy从入门到高级，如果你是跟着博主学习 AIoTAIoTAIoT 的小伙伴，建议先看博文：数据分析三剑客【AIoT阶段一（下）】（十万字博

【AIoT阶段三】线性回归算法AIoT(人工智能+物联网)知识总结+实战项目，先来简单介绍通过本文，你可以学到什么：1️⃣线性回归的基本概念以及正规方程2️⃣线性回归算法推导与实战3️⃣线性回归实战【房价预测】4️⃣梯度下降【无约束最优化问题】5️⃣三种梯度下降方法与代码实现6️⃣梯度下降优化。

本文属于线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，线性回归是机器学习中有监督机器学习下的一种算法。 回归问题主要关注的是因变量(需要预测的值，可以是一个也可以是多个)和一个或多个数值型的自变量(预测变量)之间的关系。需要预测的值:即目标变量，target，y，连续值预测变量。影响目标变量的因素：X 1 …X n，可以是连续值也可以是离散值。因变量和自变量之间的关系:即模型，model，是我们要求解的。基本概念：连续值、离散值、简单线性回归、基本名词定义、多元线性回归；正规方程

本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPy，Pandas，Matplotlib的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解）回归简单来说就是 “回归平均值” (regression to the mean。但是这里的 mean 并不是把 历史数据直接当成未来的预测值，而是会把期望值当作预测值。 追根溯源 回归 这个

本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPy，PandasPandas，MatplotlibMatplotlib 的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解）

本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPy，PandasPandas，MatplotlibMatplotlib 的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解）

本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPyNumPy，PandasPandasPandas，MatplotlibMatplotlibMatplotlib 的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解），本文是梯度下降的第三部分，学之前需先修：梯度下降【无约束最优化问题】，三种梯度下降方法与代码实现

本文属于 线性回归算法【AIoT阶段三】（尚未更新），这里截取自其中一段内容，方便读者理解和根据需求快速阅读。本文通过公式推导+代码两个方面同时进行，因为涉及到代码的编译运行，如果你没有 NumPyNumPy，PandasPandas，MatplotlibMatplotlib 的基础，建议先修文章：数据分析三剑客【AIoT阶段一（下）】（十万字博文 保姆级讲解），本文是梯度下降的第二部分，学之前需先修：梯度下降【无约束最优化问题】，后续还会有：梯度下降优化，梯度下降优化进阶 （暂未更新）