4 anaconda&Numpy&Pandas&Matplotlib

1. python环境搭建
   1. Jupyter notebook修改初始打开的文件夹路径;在jupyter打开的情况下
      1. cmd->jupyter notebook --generate-config->y
      2. c.NotebookApp.notebook_dir修改jupyter_notebook_config.py的文件夹路径
   2. 启动jupyter notebook出现闪退
      1. 修改配置文件,anaconda prompt输入jupyter notebook再启动jupyter notebook
      2. 修改快捷方式,属性->目标->去除%USERPROFILE%
   3. Anaconda Navigator打不开
      1. 使用管理员运行：conda prompt
      2. 执行命令：conda update anaconda-navigator
      3. 执行anaconda-navigator --reset
      4. 执行conda update anaconda-client
      5. 执行conda update -f anaconda-client
2. conda
   1. conda: 一个工具，用于包管理和环境管理，其中：包管理与pip类似，管理Python第三方库;将工具、第三方库、Python版本、conda都当作包，同等对待
   2. anaconda：一个集合，包括conda、某版本Python、一批第三方库等
3. Spyder:python和Ipython的结合,很好的调试程序
   1. Ipython
      1. 变量?:显示通用信息和源代码
      2. %magic:显示所有魔术命令
      3. %run:运行.py程序
      4. 行首In[n]:n为运行次数
4. jupyter notebook快捷键
   1. 命令模式:按键Esc开启
      1. Ctrl+Enter运行本单元
      2. Shift+Enter运行本单元，选中下一个单元
      3. Alt+Enter运行本单元，在其下方插入新的单元
      4. Shift+k选中上方单元
      5. Shift+j选中下方单元
      6. Shift+m合并选中的单元
      7. 双击D删除选中的单元
   2. 编辑模式:Enter键启动/双击一个单元
      1. Tab代码缩进/代码补全
      2. Shift+tab取消缩进/提示

1. Numpy
   1. NumPy是一个开源的Python科学计算基础库，包含：
      1. 一个强大的N维数组对象 ndarray,组成部分:
         1. 实际的数据
         2. 描述这些数据的元数据（数据维度、数据类型等）
      2. 广播功能函数
      3. 整合C/C++/Fortran代码的工具
      4. 线性代数、傅里叶变换、随机数生成等功能
      5. NumPy是SciPy、Pandas等数据处理或科学计算库的基础
      6. 数组对象的必要性:
         1. 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据;类似R中的矩阵计算
         2. 设置专门的数组对象，经过优化，可以提升这类应用的运算速度
         3. 数组对象采用相同的数据类型，有助于节省运算和存储空间
   2. 数组:数据类型必须相同;二维数组是一维数组的组合形式,以此类推,交叉表即二维数组,表头是二维数组的一部分;多维数组是二维数组在新维度上的扩展;高维数组用字典来表示
      1. 创建numpy数组
         1. numpy.array([[],[]],dtype=);列表中嵌套列表;一个二维数组对象必须整体放在一个[]内
         2. numpy.array(())元祖类型创建
         3. numpy.array([[],()])列表和元祖混合类型创建
         4. numpy.arange(start,end,step)类似range,生成一维数组
         5. numpy.ones((row,col))生成元素为1的二维数组;row,col前面可加dim维度数
         6. numpy.zeros((row,col),dtype=numpy.int32)生成元素为0的二维数组
         7. numpy.eye(n)生成n*n的单位矩阵
         8. numpy.ones/zeros/full_like(a,[val])根据数组a的形状生成一个全是1/0/val的数组
         9. numpy.linspace(start,end,n,endpoint=T)生成包含start和end的n个等距数据的一维数组,endpoint=F则不包含end
         10. numpy.concatenate((a,b))将a,b连接为一个数组
      2. 属性
         1. a.ndim秩,维度数量
         2. a.shape行列数的元祖
         3. a.size元素的个数,行*列
         4. a.dtype元素的类型
         5. a.itemsize每个元素的大小，以字节为单位
      3. 元素类型
         1. bool:T/F
         2. int32:32位长度的整数
         3. uint32:32位长度的无符号整数,从0开始
         4. float32:1位符号位,8位指数
         5. complex64:实部和虚部都是32位浮点数
      4. *非同质的ndarray对象,即数组中的行元素数量不等,会将每行看做对象类型
      5. 数组变换方法
         1. a.reshape(shape)不改变数组元素,返回shape形状的数组,原数组不变,元素的数量不变
         2. a.resize(shape)类似reshape,但修改原数组且不返回新的数组,元素的数量不变
         3. a.swapaxes(1,0)将n维数组中的两个维度进行调换,注意只有两个参数,二维数组的维度没有指明则为0和1
         4. a.flatten()将数组转换为一维数组,降维,原数组不变
         5. a.astype(numpy.float)数组元素的数据类型转化,一定创建一个新的数组,即使两个类型一样,即原数组不变;深拷贝
         6. a.tolist()转化为列表,原数组不变
      6. 操作
         1. 索引a[],从0开始
         2. 切片a[start:end:step]不含end
         3. 多维数组索引a[x,y,z]索引都从0开始
         4. 多维数组的切片a[:,1:3,::2]每个维度的切片和一维数组切片相同
      7. 运算
         1. 标量运算
            1. a.mean()