nmpy+pandas

nmpy:
numpy库的使用是sklearn库和opencv库的基础，主要用于矩阵的计算。
Numpy 的主要用途是以数组的形式进行数据操作。机器学习中大多数操作都是数学操作，而 Numpy 使这些操作变得简单

创建全0的数组	np.zeros(([2,2]))
创建全1的数组	np.ones(([2,2]))
生成对角矩阵	np.eye(N, M=None, k=0, dtype=float, order=‘C’)：生成一个对角矩阵，N为行数；M为列数，默认和N一样；k为对角线的索引，0代表主对角线。
生成一个未初始化的数组	# numpy.empty(shape, dtype=float, order=‘C’)：生成一个未初始化的数组。print(np.empty([3,3])) # 生成一个未初始化的3*3数组
生成一个填充值的数组	np.full([3,3],6)
生成等间隔的数组	np.linspace(0,100,10) 0----起始值 100----终止值 10—数量
生成一个数组	numpy.array(object, dtype=None, copy=True, order=‘K’, subok=False, ndmin=0)：生成一个数组。数组内的数据可以是不同的数据类型
生成等间隔数组	np.arange(10) np.arange(0,10,2)
reshape()改变数组形状
平均值	arr3.mean() arr3为提前创建的数组
求和	arr3.sum()
每列的和	arr3.sum(0)
数组转置	numpy.random.normal（loc = 0.0，scale = 1.0，size = None ）：从正态分布中抽取随机样本生成一个数组。loc为分布的平均值，scale为标注差，size为数组形状。samples = np.random.normal(size=(2,2)) # numpy.ndarray.T：数组转置

常用数据类型
np.int32:整数，-2 31 至 2 32 -1
np.int64:整数，-2 63 至 2 63 - 1
np.float32:单精度浮点数：32位，正负号1位，指数8位，精度23位
np.float64:双精度浮点数：64位，正负号1位，指数11位，精度52位
np.string_:字符串
np.object_:python对象

pandas:
import pandas as pd
创建series:
1.通过pandas.series()创建：
pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)：生成一个Series数据。data为数据可以是数组和字典等；index为索引值，要求与数据长度相同，dtype为数据类型。
s = pd.Series([1,3,5,np.nan,6,8])
2.通过ndarray创建：
data = np.array([‘a’,‘b’,‘c’,‘d’])
s = pd.Series(data)
3.通过字典创建：
data1 = {‘a’ : 0., ‘b’ : 1., ‘c’ : 2.}
s = pd.Series(data1)
创建dataframe:
1.通过pandas.dataframe创建：
df = pd.DataFrame(np.random.randn(7,4), index=dates, columns=list(‘ABCD’))
pandas.DataFrame(data=None, index=None, columns=None, dtype=None,copy=False)：生成一个DataFraem数据。data是数据，index是索引，columns是列名。
2.使用字典形式创建:
df=pd.DataFrame({‘A’:1,‘B’:2,‘C’:3})
loc方法：
根据列名对相关索引进行切片：
print(df2.loc[‘a’:‘f’:2,‘A’])#获取A列，索引为a到f中的数据 步长为2
reset_index还原索引：
b.reset_index(inplace=True)
inplace为true时会修改原始数据，为false会产生新的数据