目录
一、python基础
1、tab补全
当在命令行输入表达式时，按下Tab键即可为任意变量（对象、函数等）搜索命名空间，与你目前已输入的字符进行匹配。enter
2、内省
在一个变量名的前后使用问号（?）可以显示一些关于该对象的概要信息
3、分号
4、变量的绑定
将一个变量赋值给另外一个变量，实际指向的是一个地址。
赋值也被称为绑定，这是因为我们将一个变量名绑定到了一个对象上。已被赋值的变量名有时也会被称为被绑定变量。
5、判断对象类型
你可以使用isinstance函数来检查一个对象是否是特定类型的实例。
6、验证对象是否迭代器
验证一个对象如果实现了迭代器协议，那它一定是可以迭代的。对于很多对象来说，它包含了一个__iter__魔术方法，但使用iter函数是一个更好的、独立的方法。
7、is与==
- is：是判断两个变量是否指向相同的对象，也就是指向相同的地址。
- ==：则是比较两者的内容是否相同的。
8、标量
- “单值”类型有时被称为标量类型，我们在本书中称之为标量
9、转换符
你可以在字符串前面加一个前缀符号r，表明这些字符是原生字符
10、三元表达式
二、numpy
1、生成ndarray
（1）序列型对象转化数组
（2）嵌套等长列表转多维数组
（3）全0数组与全1数组构建
import numpy as np
np.ones()
np.zeros()
np.arrage()2、数组类型
3、数组类型的转化
astype函数
4、数组的计算
5、数组索引与切片
（1）切片赋值
例如arr[5:8] = 12，数值被传递给了整个切片，整个切换的数值均=12
（2）高维数组索引
一维数组与列表索引类似
在二维数组中，每个索引值对应的元素不再是一个值，而是一个一维数组。
解析
（3）数组多维度切片
整个数组三行三列，分别对应0、1、2行与0、1、2列
- ：2代表获取第0、1行
- 1: 代表获取1、2列
（4）数组索引切片混合
（5）布尔索引
- 数组的比较操作（比如==）可向量化。比较names数组和字符串’Bob’会产生一个布尔值组：
- 在索引数组时可以传入布尔值数组：
- 布尔取反：
- 数学操作符如&（and）和|（or）：
（6）神奇索引
- 神奇索引是NumPy中的术语，用于描述使用整数数组进行数据索引。
- empty函数：
选出一个符合特定顺序的子集，通过传递一个包含指明所需顺序的列表或数组来完成：
- 传入列表，获取对应的数据行
- 多个索引列表也可以
7、数组转置与换轴
（1）转置T属性
（2）矩阵内积
8、常用函数
语法为np.函数.(数组名...)
9、条件逻辑
numpy.where函数是三元表达式x if condition else y的向量化版本。
基础数据
（1）三元表达式
（2）where函数
-
第一个参数为条件，第二三个参数为条件的真假赋值
10、数组统计方法
11、布尔值数组
对于布尔值数组，有两个非常有用的方法any和all。
any检查数组中是否至少有一个True，而all检查是否每个值都是True：
12、数据的集合操作
13、线性代数函数
14、随机数函数
三、pandas
1、series
- Series是一种一维的数组型对象，它包含了一个值序列（与NumPy中的类型相似），并且包含了数据标签，称为索引（index）。
- 默认生成的索引是从0到N-1（N是数据的长度），通过values属性和index属性分别获得Series对象的值和索引：
- 当你把字典传递给Series构造函数时，产生的Series的索引将是排序好的字典键。
（1）索引
如果传入的索引与字典的key不一致，或者无法完全匹配，value会显示NAN
（2）缺失数据检查：
- 使用isnull和notnull函数来检查缺失数据：
（3）name属性
- Series对象自身和其索引都有name属性
2、DataFrame
每一列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被视为一个共享相同索引的Series的字典
（1）构建DataFrame
- 最常用的方式是利用包含等长度列表或NumPy数组的字典来形成DataFrame：
- DataFrame中的一列，可以按字典型标记或属性那样检索为Series：
注：frame2[colunm]对于任意列名均有效，如果不存在该列，会自动加一列。但是frame2.column只在列名是有效的Python变量名时有效。
注：dataframe的一列就是series，列名就是series的name。series的index是dataframe的行名
注：当你将列表或数组赋值给一个列时，值的长度必须和DataFrame的长度相匹配。如果你将Series赋值给一列时，Series的索引将会按照DataFrame的索引重新排列，并在空缺的地方填充缺失值：
- 嵌套字典：如果嵌套字典被赋值给DataFrame, pandas会将字典的键作为列，将内部字典的键作为行索引：
- 可使用类似NumPy的语法对DataFrame进行转置操作（调换行和列）：
（2）索引对象
- 索引对象是不可变的，因此用户是无法修改索引对象的
- 查看索引：x.index x.columns
3、重建索引
（1）Series调用reindex方法时，会将数据按照新的索引进行排列，如果某个索引值之前并不存在，则会引入缺失值：
- method可选参数：允许我们使用诸如ffill等方法在重建索引时插值，ffill方法会将值前向填充
（2）在DataFrame中，reindex可以改变行索引、列索引，也可以同时改变二者。当仅传入一个序列时，结果中的行会重建索引：
列可以使用columns关键字重建索引：
4、删除条目
- 在调用drop时使用标签序列会根据行标签删除值（轴0）
- 你可以通过传递axis=1或axis='columns’来从列中删除值：
5、使用loc和iloc选择数据
特殊的索引符号loc和iloc。使用轴标签（loc）或整数标签（iloc），以NumPy风格的语法从DataFrame中选出数组的行和列的子集。
- loc：使用索引
- iloc：使用整数
6、索引切片
7、使用填充值的算术方法
8、广播机制
当我们从arr中减去arr[0]时，减法在每一行都进行了操作。这就是所谓的广播机制，
9、函数应用与映射
将函数应用到一行或一列的一维数组上。DataFrame的apply方法可以实现这个功能：
- Series对象 ：apply() 方法的返回值是一个新的 Series 对象，其中每个元素都是通过将原始 Series 中的对应元素传递给自定义函数所得到的结果。
- DataFrame 对象：apply() 方法的默认行为是按列操作，如果按行操作，设置 axis 参数为 1。
总结：
apply()将一个函数作用于DataFrame中的行或列；
applymap()则作用于DataFrame中的每一个元素；
- np.nan函数
- 如果两个不等长的df相加，会出现很多NAN值，可使用add方法，和一个fill_value函数：
map()是一个Series的函数，DataFrame结构中无法使用map()。map()则是将函数作用于Series中的每一个元素。
10、排序和排名
（1）按行列索引字典型排序
- 使用sort_index方法，该方法返回一个新的、排序好的对象。默认是按照行索引进行排序，当指定axis=1按照列索引排序，默认都是升序排序，设置ascending=False降序排列
（2）Series的值排序
- 使用sort_values方法：默认情况下，所有的缺失值都会被排序至Series的尾部：
- 当对DataFrame排序时，你可以使用一列或多列作为排序键。为了实现这个功能，传递一个或多个列名给sort_values的可选参数by：
11、标签唯一性
索引的is_unique属性可以告诉你它的标签是否唯一
12、统计描述
13、数值唯一性
- unique，它会给出Series中的唯一值：
- value_counts计算Series包含的值的个数：
85
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
