今日内容
- anaconda软件使用
- jupyter notebook基本使用及快捷键
- numpy
anaconda软件使用
1.进入anaconda主页点击jupyter启动即可
呼起一个jupyter notebook前端可视化界面
地址就是cmd窗口默认的路径
2.右侧下拉框
Text File
新建一个文本文件，默认的文件名时untitled.txt双击可修改
Folder
新建一个文件夹，默认的文件名时untitled Folder
鼠标勾选前面的按钮 上方会出现rename选项点击修改
Terminal
内嵌了一个本机的cmd窗口
重点
Python3
会自动创建一个jupyter notebook文件
默认的文件是Untitled.ipynb
# ipynb后缀名是jupyter notebook独有的文件
以后如果你拿到了一个后缀是ipynb的文件，你就应该使用jupyter notebook打开它
如何打开ipynb文件，点击右侧的upload按钮选择即可
3.左侧导航栏
1.Edit里面
cut cells 剪切单元格
copy cells 拷贝单元格
paste cells above 在当前单元格的上面粘贴
paste cells below 在当前单元格的下面粘贴
paste cells & replace 粘贴或者替换
delete cells 删除单元格
undo delete cells 撤销删除
split cell 切割单元格
merge cell above 跟上面单元格合并
merge cell below 跟下面单元格合并
move cell up 单元格上移
move cell down 单元格下移
2.View 控制展示
toggle header 控制展示文件头
toggle loolbar 控制展示快捷菜单
toggle line number 控制展示代码行
3.Insert 里面
insert cell above 在当前单元格的上方插入新的单元格
insert cell below 在当前单元格的下方插入新的单元格
4.cell 里面
run cells 运行当前单元格
run cells and select below 运行并且自动选择下一个单元格
run cells and insert below 运行并自动在下方插入一新的单元格
run all 运行所有的单元格
run all above 运行当前单元格上面所有的单元格
run all below 运行当前单元格下面所有的单元格
5.kernel
主要是内核操作 工作时不要乱点
常用快捷键
1.颜色变化
绿色
编辑模式(写啥就是啥)
蓝色
命令行模式(直接使用快捷键)
2.运行当前单元格并选中下一个单元格
shift+enter
3.运行当前单元格
ctrl+enter
4.在单元格的上方添加一个单元格
1.你需要先按一下esc键进入命令行模式(颜色变为蓝色)
2.再按一下a键即可
5.在单元格的上方添加一个单元格
1.你需要先按一下esc键进入命令行模式(颜色变为蓝色)
2.再按一下b键即可
6.删除一个单元格
1.你需要先按一下esc键进入命令行模式(颜色变为蓝色)
2.按两下d键
7.代码与markdown切换
1.你需要先按一下esc键进入命令行模式(颜色变为蓝色)
2.再按一下m键
8.更多快捷键操作，自己参考help提示(不需要可以的去记忆 用得多了就回了)
numpy模块
'''在起文件名的时候一定不要跟模块名冲突'''
numpy优势
1.是高性能科学运算和数据分析的基础包
2.也是其他数据分析模块的基础
3.提供了更加方便快捷的数学计算方法
4.支持向量运算，使得数据处理更加的简单
# 在使用numpy的时候需要些固定的导入语句
import numpy as np # 官方推荐的起别名
'''
以后在用notebook的时候 将所有导入模块的语句全部放在第一行
'''
# numpy前戏
# 计算一下购物车里面每种商品的总价格
shop_car = [2,4,5,7,9] # 列表里面放的是每个商品的个数
shop_price = [10,22,66,89,6969] # 列表里面放的是每个商品的单价
# shop_car * shop_price # python中的列表不支持该操作(向量操作)
shop_car_np = np.array(shop_car)
shop_price_np = np.array(shop_price)
res = shop_car_np * shop_price_np
# 求所有商品的总价
res.sum()
ndarray数组
1.如何产生ndarray
np.array([1,2,3,4,5])
# 一维数组
res1 = np.array([1,2,3,4,5])
array([1,2,3,4,5])
# 二维数组
res2 = np.array([[1,2,3,4],[5,6,7,8]])
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
# 三维数组(使用较少)
res3 = np.array([[[1,2,3,4,5],[6,7,8,9,10],[11,22,33,44,55]]])
array([[[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 22, 33, 44, 55]]])
常用属性
# 数组的转置(针对二维和三维)：将行变成列将列变成行
res4 = np.array([[1,2,3,4],[5,6,7,8]])
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
res4.T # 该方法并没有改变res4只是产生了一个新的数组
array([[1, 5],
[2, 6],
[3, 7],
[4, 8]])
# 数组元素类型
res4.dtype
dtype('int32')
# 数组元素个数(就是简单粗暴的统计里面的元素个数不分行列)
res4.size
8
# 判断数组是几维的
res1.ndim
# 判断数组的维度大小
res1.shape
(6,)
res2.shape
(2, 4)
res3.shape
(1, 3, 5)
数据类型
'''numpy中为了跟python中的数据类型关键字做区分 会用下划线来做'''
python中 numpy中
int int_
float float_
bool bool_
类型转换
res4.dtype
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
res4.astype('float')
array([[1., 2., 3., 4.],
[5., 6., 7., 8.]])