itemsize,是每个元素的bytes数

numpy

def main()
    lst=[[1,3,5],[2,4,6]]
    print(type(lst))
    np_lst=np.arry(slt)
    print(type(np_lst)) #ndarry里只能有一种数据类型
    np_lst=np.arry(lst,dtype=np.float) #转化为float
    #bool，int，unint，float，complex等类型均支持
    print(np_lst.shape) #打印矩阵的形状
    print(np_lst.ndim) #维度（行数）
    print(np_lst.dtype) #元素类型
    print(np_lst.itemsize) #每个元素的大小，float为8
    print(np_lst.size) #所有元素个数

本节代码 df1=df.reindex(index=dates[:4],columns = list("ABCD")+["G"])    df1.loc[dates[0]:dates[1],"G"]=1    print (df1)    #丢弃数据    print(df1.dropna())    #填充数据    print(df1.fillna(value=1))

本节代码 #pandas表统计与整合    #均值    print(df.mean())    #方差    print(df.var())    s=pd.Series([1,2,4,np.nan,5,7,9,10],index=dates)    print(s)    print(s.shift(2))    print(s.diff())    print(s.value_counts())    #累加    print(df.apply(np.cumsum))    #极差    print(df.apply(lambda x:x.max()-x.min()))    #表格拼接    pieces=[df[:3],df[-3:]]    print (pieces)    left=pd.DataFrame({"key":["x","y"],"value":[1,2]})    right=pd.DataFrame({"key":["x","z"],"value":[3,4]})    print("LEFT:",left)    print("RIGHT:",right)    print(pd.merge(left,right,on="key",how="outer"))    df3=pd.DataFrame({"A":["a","b","c","d"],"B":list(range(4))})    print(df3.groupby("A").sum())

#Basic print(df.head（3）)  #head()打印出前几行 print（df.tail(3)） #tail()打印出后几行 print（df.index）  #index()打印出索引 print(df.values)   #values()打印出values print(df.T)        #T 转置 print（df.sort(columns="C")）  #第C列的values按从小到大的顺序排序 print(df.sort_index(axis=1,ascending=False))  #将index进行降序排序 print(df.describe())   #打印出所有属性值 的数量 平均值 标准差 最小值 最大值等

list = np.array([[[1, 2, 3, 4],                      [4, 5, 6, 7, ]],                    [[7, 8, 9, 10],                    [11, 12, 13, 14]],                    [[15, 16, 17, 18],                    [19, 20, 21, 22]]                     ]) axis取值跟维数有关，维数从 0 开始算起，axis值越大，深入的程度越深 print (list.sum(axis=0))# axis表示维度，sxis=0,表示最外层的元素相加 print (list.sum(axis=1))# 表示最外层减一层的元素相加 print (list.max(axis=0)) # 最外层元素中的最大元素值 print (list.min(axis=0)) # 最外层元素中的最小元素值 list1 = np.array([10, 20, 30, 40]) list2 = np.array(([4, 3, 2, 1])) print(list1 + list2) # 对两个list中的元素相加，ps:不是将一个数组中的元素放在另一个后面 print (list1-list2) # 对两个list中的元素相 print (list1**2) # 对两个list中的元素平方 print (list1/list2)# 对两个list中的元素相除 print (list1.reshape([2, 2])) print (list2.reshape([2, 2])) print (np.dot(list1.reshape([2, 2]), list2.reshape([2, 2]))) # 数组点乘 print(np.concatenate((list1,list2),axis = 0)) #将两个数组相连，即list2添加到list1中，传的是tup

python 中的 list 可以放多种类型，numpy 底层是 C 写的，为了达到运算速度，我们要求他只能装下一种类型，可以定义他只能装的数据类型。

放入初始化的 list 的时候可以同时指定装入的类型 x=np.array(lst,dtype=np.float) 指定数据类型的时候要以 np. 开头

#encoding=utf-8  //编码方式

  import numpy as np   //引人numpy 并用np简化

def startMain():                         //模板

       pass

if _name_=="_main_‘’：

 startMain()

#常用array操作 list =  (np.arange(1, 11)) #产生一个1-11（不含11）的等差数列 list =  (np.arange(1, 11)).reshape([2, 5]) # 变成两行五列数组 print (np.exp(list))  # list 的自然指数 print (np.exp2(list)) # list 的自然指数的平方 print (np.sqrt(list)) # list 的开方 print (np.square(list)) # list 的平方 print (np.sin(list)) # list 的正弦值    print (np.log(list)) # list 的对数值 print (np.vstack((list1,list2))) #将两个数组分成两行组成一个数组也就是以行连接，注意传的是个tuple print (np.hstack((list1,list2))) #将两个数组相连组成一个一维数组，传的是tup print (np.split(list1,n)) #将数组 list1 切分成n个子数组 print (np.copy(list1)) #对数组进行拷贝

print (np.zeros([2, 4]))#输出元素都为0的2行4列数组    print (np.ones([3, 5]))#输出元素都为1 的2行4列数组    print ("Rand:")    print (np.random.rand(2, 4))#输出2行4列的随机数组    print (np.random.rand())#生成一个随机数    print (np.random.randint(1, 14, 5))#在1到14之间生成5个随机数    print (np.random.randn(2, 4))#输出2行4列标准正态分布随机数    print np.random.choice([10.20, 41])#在列表中的数随机选取一个    print (np.random.beta(1,10, 100))#生成一个1-10共100个beta数组

np.array 用来创建一个numpy数组。 np.shape 显示np数组属性 np.ndim 表示数组维度 np.dtype表示数组元素类型（如：int8，in16,float64等） np.itemsize表示数组元素所占字节大小，如float64占字节8位 np.size表示数组元素个数

print(np.zeros[2,4]))#打印出2行4列的0

print(np.ones([3,5]))#打印出3行5列的1

print(“Rand:”)

print(np.random.rand(2,4))#0-1之间2行4列的随机数

print(np.random.rand())#不加参数只有一个随机数

print(“RandInt:”)

print(np.random.randint(1,10,3))范围1-10随机生成个3整数

print(“Randn:”)

print(np.random.randn(2,4))#标准正态布的两行四列的数

print(np.random.choice([10,20,30]))#三个数中选一个打印

print(“Distribute:”)

print(np.random.beta(1,10,100))#打印1-10中符合beta分布的100个数

h2 { margin-top: 0.19in; margin-bottom: 0.19in; direction: ltr; color: rgb(0, 0, 0); text-align: left; break-after: auto; }h2.western { font-family: "宋体", serif; }h2.cjk { font-family: "宋体"; }h2.ctl { font-family: "宋体"; font-weight: normal; }p { margin-bottom: 0.1in; direction: ltr; color: rgb(0, 0, 0); line-height: 115%; text-align: justify; }p.western { font-family: "Calibri", serif; font-size: 10pt; }p.cjk { font-family: "宋体"; font-size: 10pt; }p.ctl { font-size: 12pt; }a:link { color: rgb(0, 0, 255); }

机器学习监督学习与无监督学习。机器学习的本质是一个函数。机器学习使用训练好的算法或者函数对历史数据进行处理，得出我们想要的结果。根据结果的不同，我们把机器学习分成以下几类
如果不在打标记的情况下得出的结果我们称之为无监督学习，如聚类和关联规则
如果提前进行打标记处理，那么就是监督学习。根据打标记的数据是离散的还是连续的，我们又进一步分为分类（结果是有限、离散的）和回归（结果是连续的）。数据挖掘和机器学习的一般步骤是数据预处理数据建模结果验证，这个工具包具体要结合自己的论文和实习进行整理。