python复习汇总_python复习资料

第四章 数组
4.1：创建数组，数组数据转化，连续不连续一维二维数组切片
          数组（横向纵向）展平，数组（横向纵向）堆叠，数组（横向纵向）分割
4.2：数组的运算
4.3：numpy统计分析：数组保存为文件，数组排序，数组去重复
          函数聚类：求数组和，均值，方差，最大值，最小值，axis=1表示横向

实验四：课后作业对图片的处理：运用知识点4.1数组的堆叠

第五章 matplotlib绘图
5.1 绘图的参数
5.2 散点图的绘制方法，可视化分析（经济与时间等关系）
5.3  柱形图绘制方法，饼图的绘制方法
5.4  图片只显示红色 蓝色等
 实验五：画图以及最后图片的反转

第六章 pandas统计分析
6.1 （1）文本数据的读取，index_col=i 第i行名，header=i 第i列名,sep分隔符  encoding='gbk'
    iloc分割支持索引和切片运算符
    （2）excel文件的读取，
          两种文件的存储

6.2.1  DataFrame操作：
        Series类的获取方式以及常用属性，DataFrame常用属性
         DataFrame行名列名，字典转dataframe类型，以及dataframe转置
    Seires和dataframe里增删改查：可以用位置与行名切片
       格式Series.iloc[行位置区间/行位置列表/行筛选条件列表]
       行位置列表：指由任意个行位置组成的list
            行位置区间：首行位置:末行位置(不含):区间步长
            行筛选条件列表: 若干个（与系列总行数相等）逻辑型元素组成的list 
        iloc：位置切片    loc：名称切片   head（i）前i行  tail后几行
             任意行切片，行位置即整数的行号，从0开始
             ist_pos=[0,1,4] #行位置list 
       sr_gdp_1.iloc[list_pos]
         行筛选条件切片
       sr_sel =sr_gdp_1>=25000 # Series对象 
       list_sel=list(sr_sel) # list对象  行筛选条件列表，表示GDP大于25000
       sr_gdp_1.iloc[list_sel]

6.2.2dataframe来处理数据以及实例
     dataframe对象切片，增加修改dataframe，删除dataframe某一行/列
     dataframe数据分析（求最大值，均值等），series.describe统计
          eg：成绩表处理

6.3处理与转换时间序列数据

6.4分组聚合进行组内计算 
1）groupby拆分数据，get_group（‘xxxx’）获取分组后数据
2)agg方法:函数名聚合与字典聚合------ 点菜实例

6.5透视表的制作与应用
实验七：药品信息处理
df_xxx[['xx','xx']].groupby(by='xx') 用xx分组
df.sort_values(by='xx',axis=0,ascending=FALSE) 以xx的值大小进行降序排列
list1 = [bid in 要求的20行  for bid in 全部行]
信息熵：难点

第七章：数据预处理
7.1 堆叠合并：横向/纵向堆叠，主键合并
7.2 数据清洗：去重复，特征列重复处理，
       检测预处理缺失值的方法：
        1.删除法：DataFrame.dropna()方法函数删除含有缺失值的特征列，how=any与all的区别
    2.替换法：fillna()的用法
    3.插值法：线性插值等
  检测与处理异常值：

7.3 标准化数据：用离差，标准差对特征列进行标准化：
7.4  数据转换：
        1.用哑变量处理类别型数据
    2.连续型数据的离散化：等宽法，等频法

第八章： 用scikit-learn 构建模型
8.1
1）将数据集划分为训练集和测试集   2）使用sklearn转换器对数据预处理与降维
eg：波士顿房价：任务一使用sklearn实现数据处理和降维：四步：1.读取数据 2.划分数据集/训练集 3.使用标准差进行数据预处理 4.PCA降维

8.2  构建聚类模型
eg：鸢尾花数据集：1.构建模型的步骤  2.绘图  3.评价聚类模型：两种评价方法
例题：根据小麦各特征构建模型

8.3构建并评价分类模型：
1）模型构建流程
2）评价该分类模型
eg：鲍鱼年龄预测：

8.4 构建并评价回归模型：
eg：波士顿房价
1.构建线性回归模型的流程
2.回归预测结果可视化流程
3.评价回归模型性能流程

实验8答案在实验7里