CS_Python_Basic

  Python

  pip

  pip list 查看安装了哪些包

  pip show 查看这个包相关

  Python函数和语法

  Typora 生成目录只需要在顶端输入[TOC]别的什么都不用输入

  excel

  command + D 向下复制

  分列

  获取数据类型

  type()

  Class(object):中object的作用

  # -.- coding:utf-8 -.-

  # __author__ = 'zhengtong'

  class Person:

  """

  不带object

  """

  name = "zhengtong"

  class Animal(object):

  """

  带有object

  """

  name = "chonghong"

  if __name__ == "__main__":

  x = Person()

  print "Person", dir(x)

  y = Animal()

  print "Animal", dir(y)

  输出

  Person ['__doc__', '__module__', 'name']

  Animal ['__class__', '__delattr__', '__dict__', '__doc__', '__format__', '__getattribute__',

  '__hash__', '__init__', '__module__', '__new__', '__reduce__', '__reduce_ex__', '__repr__',

  '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', 'name']

  Person类很明显能够看出区别,不继承object对象,只拥有了__doc__ , module 和 自己定义的name变量, 也就是说这个类的命名空间只有三个对象可以操作.

  Animal类继承了object对象,拥有了好多可操作对象,这些都是类中的高级特性。

  if name == ‘main’: 的作用

  __name__是系统内置变量,代表所在模块名字,也即所在文件名。

  ### demo_list.py

  b=[]

  b.append("test")

  b.append("apple")

  b.append("banana")

  for a in b:

  print(a)

  def fact(n):

  if n == 1:

  return n

  else:

  return n * fact(n-1)

  print("阶乘:", fact(3))

  print('__name__是模块名字(文件名),值为:'+__name__)

  ### function_test.py

  from demo_list import fact

  if __name__=='__main__':

  print('当前执行文件名:' + __name__)

  print("阶乘:", fact(3))

  当模块直接运行时,demo_list.py文件被直接运行,__name__的值为__main__;

  当模块被导入到其他文件,如demo_list被导入到function_test.py中,并且程序在function_test.py被执行时, demo_list.py中的__name__的值为demo_list,为其模块名,而不是__main__。而function_test.py的__name__的值为__main__,因为程序从function_test.py开始执行。

  被作为模块导入的文件当中的if __name__=='__main__':里面的代码不会执行

  zip()

  函数用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的对象,这样做的好处是节约了不少的内存。

  如果各个迭代器的元素个数不一致,则返回列表长度与最短的对象相同,利用 ***** 号操作符,可以将元组解压为列表。

  >>>a = [1,2,3]

  >>> b = [4,5,6]

  >>> c = [4,5,6,7,8]

  >>> zipped = zip(a,b) # 返回一个对象

  >>> zipped

  # 这个对象可以直接被迭代

  >>> for i in zipped:

  print(i)

  >>> list(zipped) # list() 转换为列表

  [(1, 4), (2, 5), (3, 6)]

  >>> list(zip(a,c)) # 元素个数与最短的列表一致

  [(1, 4), (2, 5), (3, 6)]

  >>> a1, a2 = zip(*zip(a,b)) # 与 zip 相反,zip(* ) 可理解为解压,返回二维矩阵式

  # 在zip(* )这个里面写东西会被解压,就是(* )里面

  >>> list(a1)

  [1, 2, 3]

  >>> list(a2)

  [4, 5, 6]

  >>>

  enumerate() 方法

  enumerate的中文意思是枚举

  >>>seasons = ['Spring', 'Summer', 'Fall', 'Winter']

  >>> list(enumerate(seasons))

  [(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]

  >>> list(enumerate(seasons, start=1)) # 下标从 1 开始

  [(1, 'Spring'), (2, 'Summer'), (3, 'Fall'), (4, 'Winter')]

  () is 元组

  argmax() 是使得 f(x)取得最大值所对应的变量点x(或x的集合)。arg即argument,此处意为“自变量”。

  with语法

  ​ 有一些任务,可能事先需要设置,事后做清理工作。对于这种场景,Python的with语句提供了一种非常方便的处理方式。

  with 语句实质是上下文管理。

  1、上下文管理协议。包含方法__enter__() 和 __exit__(),支持该协议对象要实现这两个方法。

  2、上下文管理器,定义执行with语句时要建立的运行时上下文,负责执行with语句块上下文中的进入与退出操作。

  3、进入上下文的时候执行__enter__方法,如果设置as var语句,var变量接受__enter__()方法返回值。

  4、如果运行时发生了异常,就退出上下文管理器。调用管理器__exit__方法。

  自定义类必须包含上述几个方法才能正确使用with关键字。

  contex :上下文

  class Mycontex(object):

  def __init__(self,name):

  self.name=name

  def __enter__(self):

  print("进入enter")

  return self

  def do_self(self):

  print(self.name)

  def __exit__(self,exc_type,exc_value,traceback):

  print("退出exit")

  print(exc_type,exc_value)

  if __name__ == '__main__':

  with Mycontex('test') as mc:

  mc.do_self()

  Convolutional Neural Networks, CNN 卷积神经网络

  self的含义

  class A():

  def song(one):

  print(one)

  def sing(self,one):

  print(one)

  a=A()

  A.sing(a,"hello") #注意这条语句

  a.sing("hello")

  self差不多就是java里的this

  类方法里面第一个参数必须是self

  切片

  切片操作基本表达式:object[start_index:end_index:step]

  端点是关于对象,起点终点是关于切片

  step:正负数均可,其绝对值大小决定了切取数据时的‘‘步长”,而正负号决定了“切取方向”,正表示“从左往右”取值,负表示“从右往左”取值。当step省略时,默认为1,即从左往右以步长1取值。“切取方向非常重要!”“切取方向非常重要!”“切取方向非常重要!”,重要的事情说三遍!

  start_index:表示起始索引(包含该索引对应值);该参数省略时,表示从对象“端点”开始取值,至于是从“起点”还是从“终点”开始,则由step参数的正负决定,step为正从“起点”开始,为负从“终点”开始。郑州做人流医院哪家好 http://www.020gzzj.com/

  end_index:表示终止索引(不包含该索引对应值);该参数省略时,表示一直取到数据“端点”,至于是到“起点”还是到“终点”,同样由step参数的正负决定,step为正时直到“终点”,为负时直到“起点”。

  >>>a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

  切取单个元素

  >>>a[0]

  >>>0

  >>>a[-4]

  >>>6

  当索引只有一个数时,表示切取某一个元素。

  start_index和end_index全为正(+)索引的情况

  >>>a[:6]

  >>> [0, 1, 2, 3, 4, 5]

  #step=1,表示从左往右取值,而start_index省略时,表示从端点开始,因此这里的端点是“起点”,即从“起点”值0开始一直取到end_index=6(该点不包括)。

  >>>a[6:]

  >>> [6, 7, 8, 9]

  step=1,从左往右取值,从start_index=6开始,一直取到“终点”值9。

  >>>a[:6:-1]

  >>> [9, 8, 7]

  step=-1,从右往左取值,而start_index省略时,表示从端点开始,因此这里的端点是“终点”,即从“终点”值9开始一直取到end_index=6(该点不包括)。

  start_index和end_index正(+)负(-)混合索引的情况

  >>>a[1:-6]

  >>> [1, 2, 3]

  start_index=1在end_index=-6的左边,因此从左往右取值,而step=1同样决定了从左往右取值,因此结果正确

  PyCharm

  option+command+L 自动格式化代码

  File->Settings->Editor->general->EditorTabs->Mark modified(*) 提醒文件是否修改过

  command+, 打开设置

  Anaconda

  mac包默认安装路径: /Users/zhizekai/opt/anaconda3/lib/python3.7/site-packages

  Numpy

  Pandas

  Dataframedata.isna().sum() 统计每一列有没有空值

  test_dataset = dataset.drop(train_dataset.index) 删除某个行标签的数据

  test_dataset = dataset.drop(columns="Weight") 删除某一列

  train_dataset = dataset.sample(frac=0.8,random_state=0) 随机抽样,frac 取样本的80%

  pre_train_data.keys() 和 pddata.columns 效果一样 获取column label

  pddata.iloc[1:,0] 第二行到最后,第一列

  pcadata[["净利润增长率(%)_Netprfgrrt"]] 取子集 好处是能取多列

  pcadata.info() object类型就是有空格

  concat 连接 axes=0,=1

  TensorFlow

  设置GPU按需增长

  # 设置GPU按需增长

  config = tf.ConfigProto()

  config.gpu_options.allow_growth = True

  MatplotlIb

  保存图片

  import matplotlib.pyplot as plt

  """ 一些画图代码 """

  plt.savefig("filename.png")

  plt.show()

  Jupiter lab 图像显示选择和变量输出

  #在里面显示

  %matplotlib inline

  #在外面显示

  # %matplotlib auto

  # 输出一个cel中的全部变量

  from IPython.core.interactiveshell import InteractiveShell

  InteractiveShell.ast_node_interactivity = 'all'

  散点图

  # 画散点图

  def plant_fig():

  plt.style.use('ggplot') # 好看的风格主题

  # [-1,1] 消极到积极 [0,1] 客观到主观

  plt.figure(figsize=(10,10))

  # 先是x轴,然后是y轴

  plt.plot(pre_train_data["polarity"][pre_train_data["star"] == 5],

  pre_train_data["subjectivity"][pre_train_data["star"] == 5], 'bo',label=5) # bo是蓝色的O型

  plt.xlabel("polarity")

  plt.ylabel("subjectivity")

  plt.title('Sentence emotion')

  plt.legend() # 图例

  plt.show()

  plant_fig()

  # print(pre_train_data["polarity"][pre_train_data["star"] == 5])

  绘制子图

  import matplotlib.pyplot as plt

  #创建新的figure

  fig = plt.figure()

  #必须通过add_subplot()创建一个或多个绘图

  ax = fig.add_subplot(221)

  #绘制2x2两行两列共四个图,编号从1开始

  ax1 = fig.add_subplot(221)

  ax2 = fig.add_subplot(222)

  ax3 = fig.add_subplot(223)

  ax4 = fig.add_subplot(224)

  #图片的显示

  plt.show()

原文地址:https://www.cnblogs.com/djw12333/p/12468627.html