2.各種庫的whl離線安裝包：http://www.lfd.uci.edu/~gohlke/pythonlibs/#scikit-learn
二、常用庫
1.NumPy
NumPy是高性能科學計算和數據分析的基礎包。部分功能如下：- ndarray, 具有矢量算術運算和複雜廣播能力的快速且節省空間的多維數組。
- 用於對整組數據進行快速運算的標準數學函數（無需編寫循環）。
- 用於讀寫磁盤數據的工具以及用於操作內存映射文件的工具。
- 線性代數、隨機數生成以及傅里葉變換功能。
- 用於集成C、C++、Fortran等語言編寫的代碼的工具。
首先要導入numpy庫：import numpy as np
A NumPy函數和屬性：
| 類型 | 類型代碼 | 說明 |
| int8、uint8 | i1、u1 | 有符號和無符號8位整型（1字節） |
| int16、uint16 | i2、u2 | 有符號和無符號16位整型（2字節） |
| int32、uint32 | i4、u4 | 有符號和無符號32位整型（4字節） |
| int64、uint64 | i8、u8 | 有符號和無符號64位整型（8字節） |
| float16 | f2 | 半精度浮點數 |
| float32 | f4、f | 單精度浮點數 |
| float64 | f8、d | 雙精度浮點數 |
| float128 | f16、g | 擴展精度浮點數 |
| complex64 | c8 | 分別用兩個32位表示的複數 |
| complex128 | c16 | 分別用兩個64位表示的複數 |
| complex256 | c32 | 分別用兩個128位表示的複數 |
| bool | ? | 布爾型 |
| object | O | python對象 |
| string | Sn | 固定長度字符串，每個字符1字節，如S10 |
| unicode | Un | 固定長度Unicode，字節數由系統決定，如U10 |
表2.1.A.1 NumPy類型
| 生成函數 | 作用 |
np.array( x) np.array( x, dtype) | 將輸入數據轉化爲一個ndarray 將輸入數據轉化爲一個類型爲type的ndarray |
| np.asarray( array ) | 將輸入數據轉化爲一個新的（copy）ndarray |
np.ones( N ) np.ones( N, dtype) np.ones_like( ndarray ) | 生成一個N長度的一維全一ndarray 生成一個N長度類型是dtype的一維全一ndarray 生成一個形狀與參數相同的全一ndarray |
np.zeros( N) np.zeros( N, dtype) np.zeros_like(ndarray) | 生成一個N長度的一維全零ndarray 生成一個N長度類型位dtype的一維全零ndarray 類似np.ones_like( ndarray ) |
np.empty( N ) np.empty( N, dtype) np.empty(ndarray) | 生成一個N長度的未初始化一維ndarray 生成一個N長度類型是dtype的未初始化一維ndarray 類似np.ones_like( ndarray ) |
np.eye( N ) np.identity( N ) | 創建一個N * N的單位矩陣（對角線爲1，其餘爲0） |
np.arange( num) np.arange( begin, end) np.arange( begin, end, step) | 生成一個從0到num-1步數爲1的一維ndarray 生成一個從begin到end-1步數爲1的一維ndarray 生成一個從begin到end-step的步數爲step的一維ndarray |
np.mershgrid(ndarray, ndarray,...) | 生成一個ndarray * ndarray * ...的多維ndarray |
np.where(cond, ndarray1, ndarray2) | 根據條件cond，選取ndarray1或者ndarray2，返回一個新的ndarray |
np.in1d(ndarray, [x,y,...]) | 檢查ndarray中的元素是否等於[x,y,...]中的一個，返回bool數組 |
| 矩陣函數 | 說明 |
np.diag( ndarray) np.diag( [x,y,...]) | 以一維數組的形式返回方陣的對角線（或非對角線）元素 將一維數組轉化爲方陣（非對角線元素爲0） |
| np.dot(ndarray, ndarray) | 矩陣乘法 |
| np.trace( ndarray) | 計算對角線元素的和 |
排序函數 | 說明 |
np.sort( ndarray) | 排序，返回副本 |
np.unique(ndarray) | 返回ndarray中的元素，排除重複元素之後，並進行排序 |
np.intersect1d( ndarray1, ndarray2) np.union1d( ndarray1, ndarray2) np.setdiff1d( ndarray1, ndarray2) np.setxor1d( ndarray1, ndarray2) | 返回二者的交集並排序。 返回二者的並集並排序。 返回二者的差。 返回二者的對稱差 |
| 一元計算函數 | 說明 |
np.abs(ndarray) np.fabs(ndarray) | 計算絕對值 計算絕對值（非複數） |
np.mean(ndarray) | 求平均值 |
np.sqrt(ndarray) | 計算x^0.5 |
np.square(ndarray) | 計算x^2 |
np.exp(ndarray) | 計算e^x |
log、log10、log2、log1p | 計算自然對數、底爲10的log、底爲2的log、底爲(1+x)的log |
np.sign(ndarray) | 計算正負號：1（正）、0（0）、-1（負） |
np.ceil(ndarray) np.floor(ndarray) np.rint(ndarray) | 計算大於等於改值的最小整數 計算小於等於該值的最大整數 四捨五入到最近的整數，保留dtype |
np.modf(ndarray) | 將數組的小數和整數部分以兩個獨立的數組方式返回 |
np.isnan(ndarray) | 返回一個判斷是否是NaN的bool型數組 |
np.isfinite(ndarray) np.isinf(ndarray) | 返回一個判斷是否是有窮（非inf，非NaN）的bool型數組 返回一個判斷是否是無窮的bool型數組 |
cos、cosh、sin、sinh、tan、tanh | 普通型和雙曲型三角函數 |
arccos、arccosh、arcsin、arcsinh、arctan、arctanh | 反三角函數和雙曲型反三角函數 |
np.logical_not(ndarray) | 計算各元素not x的真值，相當於-ndarray |
多元計算函數 | 說明 |
np.add(ndarray, ndarray) np.subtract(ndarray, ndarray) np.multiply(ndarray, ndarray) np.divide(ndarray, ndarray) np.floor_divide(ndarray, ndarray) np.power(ndarray, ndarray) np.mod(ndarray, ndarray) | 相加 相減 乘法 除法 圓整除法（丟棄餘數） 次方 求模 |
np.maximum(ndarray, ndarray) np.fmax(ndarray, ndarray) np.minimun(ndarray, ndarray) np.fmin(ndarray, ndarray) | 求最大值 求最大值（忽略NaN） 求最小值 求最小值（忽略NaN） |
np.copysign(ndarray, ndarray) | 將參數2中的符號賦予參數1 |
np.greater(ndarray, ndarray) np.greater_equal(ndarray, ndarray) np.less(ndarray, ndarray) np.less_equal(ndarray, ndarray) np.equal(ndarray, ndarray) np.not_equal(ndarray, ndarray) | > >= < <= == != |
logical_and(ndarray, ndarray) logical_or(ndarray, ndarray) logical_xor(ndarray, ndarray) | & | ^ |
| np.dot( ndarray, ndarray) | 計算兩個ndarray的矩陣內積 |
| np.ix_([x,y,m,n],...) | 生成一個索引器，用於Fancy indexing(花式索引) |
| 文件讀寫 | 說明 |
| np.save(string, ndarray) | 將ndarray保存到文件名爲 [string].npy 的文件中（無壓縮） |
| np.savez(string, ndarray1, ndarray2, ...) | 將所有的ndarray壓縮保存到文件名爲[string].npy的文件中 |
| np.savetxt(sring, ndarray, fmt, newline='\n') | 將ndarray寫入文件，格式爲fmt |
| np.load(string) | 讀取文件名string的文件內容並轉化爲ndarray對象（或字典對象） |
| np.loadtxt(string, delimiter) | 讀取文件名string的文件內容，以delimiter爲分隔符轉化爲ndarray |
B NumPy.ndarray函數和屬性：
| ndarray.ndim | 獲取ndarray的維數 |
| ndarray.shape | 獲取ndarray各個維度的長度 |
| ndarray.dtype | 獲取ndarray中元素的數據類型 |
| ndarray.T | 簡單轉置矩陣ndarray |
| 函數 | 說明 |
| ndarray.astype(dtype) | 轉換類型，若轉換失敗則會出現TypeError |
| ndarray.copy() | 複製一份ndarray(新的內存空間) |
| ndarray.reshape((N,M,...)) | 將ndarray轉化爲N*M*...的多維ndarray（非copy） |
| ndarray.transpose((xIndex,yIndex,...)) | 根據維索引xIndex,yIndex...進行矩陣轉置，依賴於shape，不能用於一維矩陣（非copy） |
| ndarray.swapaxes(xIndex,yIndex) | 交換維度（非copy） |
| 計算函數 | 說明 |
| ndarray.mean( axis=0 ) | 求平均值 |
| ndarray.sum( axis= 0) | 求和 |
ndarray.cumsum( axis=0) ndarray.cumprod( axis=0) | 累加 累乘 |
ndarray.std() ndarray.var() | 方差 標準差 |
ndarray.max() ndarray.min() | 最大值 最小值 |
ndarray.argmax() ndarray.argmin() | 最大值索引 最小值索引 |
ndarray.any() ndarray.all() | 是否至少有一個True 是否全部爲True |
ndarray.dot( ndarray) | 計算矩陣內積 |
排序函數 | 說明 |
ndarray.sort(axis=0) | 排序，返回源數據 |
| ndarray[n] | 選取第n+1個元素 |
| ndarray[n:m] | 選取第n+1到第m個元素 |
| ndarray[:] | 選取全部元素 |
| ndarray[n:] | 選取第n+1到最後一個元素 |
| ndarray[:n] | 選取第0到第n個元素 |
ndarray[ bool_ndarray ] 注：bool_ndarray表示bool類型的ndarray | 選取爲true的元素 |
ndarray[[x,y,m,n]]... | 選取順序和序列爲x、y、m、n的ndarray |
ndarray[n,m] ndarray[n][m] | 選取第n+1行第m+1個元素 |
ndarray[n,m,...] ndarray[n][m].... | 選取n行n列....的元素 |
C NumPy.random函數和屬性：
| 函數 | 說明 |
seed() seed(int) seed(ndarray) | 確定隨機數生成種子 |
permutation(int) permutation(ndarray) | 返回一個一維從0~9的序列的隨機排列 返回一個序列的隨機排列 |
| shuffle(ndarray) | 對一個序列就地隨機排列 |
rand(int) randint(begin,end,num=1) | 產生int個均勻分佈的樣本值 從給定的begin和end隨機選取num個整數 |
| randn(N, M, ...) | 生成一個N*M*...的正態分佈（平均值爲0，標準差爲1）的ndarray |
| normal(size=(N,M,...)) | 生成一個N*M*...的正態（高斯）分佈的ndarray |
| beta(ndarray1,ndarray2) | 產生beta分佈的樣本值，參數必須大於0 |
| chisquare() | 產生卡方分佈的樣本值 |
| gamma() | 產生gamma分佈的樣本值 |
| uniform() | 產生在[0,1)中均勻分佈的樣本值 |
2.1.C.1 random常用函數
D NumPy.linalg函數和屬性：
| 函數 | 說明 |
| det(ndarray) | 計算矩陣列式 |
| eig(ndarray) | 計算方陣的本徵值和本徵向量 |
inv(ndarray) pinv(ndarray) | 計算方陣的逆 計算方陣的Moore-Penrose僞逆 |
| qr(ndarray) | 計算qr分解 |
| svd(ndarray) | 計算奇異值分解svd |
| solve(ndarray) | 解線性方程組Ax = b，其中A爲方陣 |
| lstsq(ndarray) | 計算Ax=b的最小二乘解 |
2.1.D.1 linalg常用函數
2.Pandas
pandas 是基於NumPy 的一種工具，該工具是爲了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。
>>> from pandas import Series, DataFrame
>>> import pandas as pd
A.pandas
| 函數 | 說明 |
pd.isnull(series) pd.notnull(series) | 判斷是否爲空(NaN) 判斷是否不爲空(not NaN) |
2.2.A.1 pandas常用函數
B.Series
Series可以運用ndarray或字典的幾乎所有索引操作和函數，融合了字典和ndarray的優點。| 屬性 | 說明 |
| values | 獲取數組 |
| index | 獲取索引 |
| name | values的name |
| index.name | 索引的name |
| 函數 | 說明 |
| Series([x,y,...])Series({'a':x,'b':y,...}, index=param1) | 生成一個Series |
| Series.copy() | 複製一個Series |
Series.reindex([x,y,...], fill_value=NaN) Series.reindex([x,y,...], method=NaN) Series.reindex(columns=[x,y,...]) | 重返回一個適應新索引的新對象，將缺失值填充爲fill_value 返回適應新索引的新對象，填充方式爲method 對列進行重新索引 |
| Series.drop(index) | 丟棄指定項 |
| Series.map(f) | 應用元素級函數 |
| 排序函數 | 說明 |
| Series.sort_index(ascending=True) | 根據索引返回已排序的新對象 |
| Series.order(ascending=True) | 根據值返回已排序的對象，NaN值在末尾 |
| Series.rank(method='average', ascending=True, axis=0) | 爲各組分配一個平均排名 |
df.argmax() df.argmin() | 返回含有最大值的索引位置 返回含有最小值的索引位置 |
2.2.B.2 Series常用函數
reindex的method選項：C.DataFrame
DataFrame是一個表格型的數據結構，它含有一組有序的列，每列可以是不同的值類型（數值、字符串、布爾值等）。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個索引）。
DataFrame可以通過類似字典的方式或者.columnname的方式將列獲取爲一個Series。行也可以通過位置或名稱的方式進行獲取。
爲不存在的列賦值會創建新列。
>>> del frame['xxx'] # 刪除列
| 屬性 | 說明 |
| values | DataFrame的值 |
| index | 行索引 |
| index.name | 行索引的名字 |
| columns | 列索引 |
| columns.name | 列索引的名字 |
| ix | 返回行的DataFrame |
| ix[[x,y,...], [x,y,...]] | 對行重新索引，然後對列重新索引 |
| T | frame行列轉置 |
2.2.C.1 DataFrame常用屬性
| 函數 | 說明 |
DataFrame(dict, columns=dict.index, index=[dict.columnnum]) DataFrame(二維ndarray) DataFrame(由數組、列表或元組組成的字典) DataFrame(NumPy的結構化/記錄數組) DataFrame(由Series組成的字典) DataFrame(由字典組成的字典) DataFrame(字典或Series的列表) DataFrame(由列表或元組組成的列表) DataFrame(DataFrame) DataFrame(NumPy的MaskedArray) | 構建DataFrame 數據矩陣，還可以傳入行標和列標 每個序列會變成DataFrame的一列。所有序列的長度必須相同 類似於“由數組組成的字典” 每個Series會成爲一列。如果沒有顯式制定索引，則各Series的索引會被合併成結果的行索引 各內層字典會成爲一列。鍵會被合併成結果的行索引。 各項將會成爲DataFrame的一行。索引的並集會成爲DataFrame的列標。 類似於二維ndarray 沿用DataFrame 類似於二維ndarray，但掩碼結果會變成NA/缺失值
|
df.reindex([x,y,...], fill_value=NaN, limit) df.reindex([x,y,...], method=NaN) df.reindex([x,y,...], columns=[x,y,...],copy=True) | 返回一個適應新索引的新對象，將缺失值填充爲fill_value，最大填充量爲limit 返回適應新索引的新對象，填充方式爲method 同時對行和列進行重新索引，默認複製新對象。 |
| df.drop(index, axis=0) | 丟棄指定軸上的指定項。 |
| 排序函數 | 說明 |
df.sort_index(axis=0, ascending=True) df.sort_index(by=[a,b,...]) | 根據索引排序 |
| 彙總統計函數 | 說明 |
| df.count() | 非NaN的數量 |
| df.describe() | 一次性產生多個彙總統計 |
df.min() df.min() | 最小值 最大值 |
df.idxmax(axis=0, skipna=True) df.idxmin(axis=0, skipna=True) | 返回含有最大值的index的Series 返回含有最小值的index的Series |
| df.quantile(axis=0) | 計算樣本的分位數 |
df.sum(axis=0, skipna=True, level=NaN) df.mean(axis=0, skipna=True, level=NaN) df.median(axis=0, skipna=True, level=NaN) df.mad(axis=0, skipna=True, level=NaN) df.var(axis=0, skipna=True, level=NaN) df.std(axis=0, skipna=True, level=NaN) df.skew(axis=0, skipna=True, level=NaN) df.kurt(axis=0, skipna=True, level=NaN) df.cumsum(axis=0, skipna=True, level=NaN) df.cummin(axis=0, skipna=True, level=NaN) df.cummax(axis=0, skipna=True, level=NaN) df.cumprod(axis=0, skipna=True, level=NaN) df.diff(axis=0) df.pct_change(axis=0) | 返回一個含有求和小計的Series 返回一個含有平均值的Series 返回一個含有算術中位數的Series 返回一個根據平均值計算平均絕對離差的Series 返回一個方差的Series 返回一個標準差的Series 返回樣本值的偏度（三階距） 返回樣本值的峯度（四階距） 返回樣本的累計和 返回樣本的累計最大值 返回樣本的累計最小值 返回樣本的累計積 返回樣本的一階差分 返回樣本的百分比數變化 |
| 計算函數 | 說明 |
df.add(df2, fill_value=NaN, axist=1) df.sub(df2, fill_value=NaN, axist=1) df.div(df2, fill_value=NaN, axist=1) df.mul(df2, fill_value=NaN, axist=1) | 元素級相加，對齊時找不到元素默認用fill_value 元素級相減，對齊時找不到元素默認用fill_value 元素級相除，對齊時找不到元素默認用fill_value 元素級相乘，對齊時找不到元素默認用fill_value |
| df.apply(f, axis=0) | 將f函數應用到由各行各列所形成的一維數組上 |
| df.applymap(f) | 將f函數應用到各個元素上 |
| df.cumsum(axis=0, skipna=True) | 累加，返回累加後的dataframe |
2.2.C.2 Dataframe常用函數
| 索引方式 | 說明 |
| df[val] | 選取DataFrame的單個列或一組列 |
| df.ix[val] | 選取Dataframe的單個行或一組行 |
| df.ix[:,val] | 選取單個列或列子集 |
| df.ix[val1,val2] | 將一個或多個軸匹配到新索引 |
| reindex方法 | 將一個或多個軸匹配到新索引 |
| xs方法 | 根據標籤選取單行或者單列，返回一個Series |
| icol、irow方法 | 根據整數位置選取單列或單行，並返回一個Series |
| get_value、set_value | 根據行標籤和列標籤選取單個值 |
2.2.C.3 Dataframe常用索引方式
運算：
默認情況下，Dataframe和Series之間的算術運算會將Series的索引匹配到的Dataframe的列，沿着列一直向下傳播。若索引找不到，則會重新索引產生並集。
D.Index
pandas的索引對象負責管理軸標籤和其他元數據（比如軸名稱等）。構建Series或DataFrame時，所用到的任何數組或其他序列的標籤都會被轉換成一個Index。Index對象不可修改，從而在多個數據結構之間安全共享。
| 主要的Index對象 | 說明 |
| Index | 最廣泛的Index對象，將軸標籤表示爲一個由Python對象組成的NumPy數組 |
| Int64Index | 針對整數的特殊Index |
| MultiIndex | “層次化”索引對象，表示單個軸上的多層索引。可以看做由元組組成的數組 |
| DatetimeIndex | 存儲納秒級時間戳（用NumPy的Datetime64類型表示） |
| PeriodIndex | 針對Period數據（時間間隔）的特殊Index |
2.2.D.1 主要的Index屬性
| 函數 | 說明 |
| Index([x,y,...]) | 創建索引 |
| append(Index) | 連接另一個Index對象，產生一個新的Index |
| diff(Index) | 計算差集，產生一個新的Index |
| intersection(Index) | 計算交集 |
| union(Index) | 計算並集 |
| isin(Index) | 檢查是否存在與參數索引中，返回bool型數組 |
| delete(i) | 刪除索引i處元素，得到新的Index |
| drop(str) | 刪除傳入的值，得到新Index |
| insert(i,str) | 將元素插入到索引i處，得到新Index |
| is_monotonic() | 當各元素大於前一個元素時，返回true |
| is_unique() | 當Index沒有重複值時，返回true |
| unique() | 計算Index中唯一值的數組 |
一、常用鏈接：
1.Python官網：https://www.python.org/2.各種庫的whl離線安裝包：http://www.lfd.uci.edu/~gohlke/pythonlibs/#scikit-learn
二、常用庫
1.NumPy
NumPy是高性能科學計算和數據分析的基礎包。部分功能如下：- ndarray, 具有矢量算術運算和複雜廣播能力的快速且節省空間的多維數組。
- 用於對整組數據進行快速運算的標準數學函數（無需編寫循環）。
- 用於讀寫磁盤數據的工具以及用於操作內存映射文件的工具。
- 線性代數、隨機數生成以及傅里葉變換功能。
- 用於集成C、C++、Fortran等語言編寫的代碼的工具。
首先要導入numpy庫：import numpy as np
A NumPy函數和屬性：
| 類型 | 類型代碼 | 說明 |
| int8、uint8 | i1、u1 | 有符號和無符號8位整型（1字節） |
| int16、uint16 | i2、u2 | 有符號和無符號16位整型（2字節） |
| int32、uint32 | i4、u4 | 有符號和無符號32位整型（4字節） |
| int64、uint64 | i8、u8 | 有符號和無符號64位整型（8字節） |
| float16 | f2 | 半精度浮點數 |
| float32 | f4、f | 單精度浮點數 |
| float64 | f8、d | 雙精度浮點數 |
| float128 | f16、g | 擴展精度浮點數 |
| complex64 | c8 | 分別用兩個32位表示的複數 |
| complex128 | c16 | 分別用兩個64位表示的複數 |
| complex256 | c32 | 分別用兩個128位表示的複數 |
| bool | ? | 布爾型 |
| object | O | python對象 |
| string | Sn | 固定長度字符串，每個字符1字節，如S10 |
| unicode | Un | 固定長度Unicode，字節數由系統決定，如U10 |
表2.1.A.1 NumPy類型
| 生成函數 | 作用 |
np.array( x) np.array( x, dtype) | 將輸入數據轉化爲一個ndarray 將輸入數據轉化爲一個類型爲type的ndarray |
| np.asarray( array ) | 將輸入數據轉化爲一個新的（copy）ndarray |
np.ones( N ) np.ones( N, dtype) np.ones_like( ndarray ) | 生成一個N長度的一維全一ndarray 生成一個N長度類型是dtype的一維全一ndarray 生成一個形狀與參數相同的全一ndarray |
np.zeros( N) np.zeros( N, dtype) np.zeros_like(ndarray) | 生成一個N長度的一維全零ndarray 生成一個N長度類型位dtype的一維全零ndarray 類似np.ones_like( ndarray ) |
np.empty( N ) np.empty( N, dtype) np.empty(ndarray) | 生成一個N長度的未初始化一維ndarray 生成一個N長度類型是dtype的未初始化一維ndarray 類似np.ones_like( ndarray ) |
np.eye( N ) np.identity( N ) | 創建一個N * N的單位矩陣（對角線爲1，其餘爲0） |
np.arange( num) np.arange( begin, end) np.arange( begin, end, step) | 生成一個從0到num-1步數爲1的一維ndarray 生成一個從begin到end-1步數爲1的一維ndarray 生成一個從begin到end-step的步數爲step的一維ndarray |
np.mershgrid(ndarray, ndarray,...) | 生成一個ndarray * ndarray * ...的多維ndarray |
np.where(cond, ndarray1, ndarray2) | 根據條件cond，選取ndarray1或者ndarray2，返回一個新的ndarray |
np.in1d(ndarray, [x,y,...]) | 檢查ndarray中的元素是否等於[x,y,...]中的一個，返回bool數組 |
| 矩陣函數 | 說明 |
np.diag( ndarray) np.diag( [x,y,...]) | 以一維數組的形式返回方陣的對角線（或非對角線）元素 將一維數組轉化爲方陣（非對角線元素爲0） |
| np.dot(ndarray, ndarray) | 矩陣乘法 |
| np.trace( ndarray) | 計算對角線元素的和 |
排序函數 | 說明 |
np.sort( ndarray) | 排序，返回副本 |
np.unique(ndarray) | 返回ndarray中的元素，排除重複元素之後，並進行排序 |
np.intersect1d( ndarray1, ndarray2) np.union1d( ndarray1, ndarray2) np.setdiff1d( ndarray1, ndarray2) np.setxor1d( ndarray1, ndarray2) | 返回二者的交集並排序。 返回二者的並集並排序。 返回二者的差。 返回二者的對稱差 |
| 一元計算函數 | 說明 |
np.abs(ndarray) np.fabs(ndarray) | 計算絕對值 計算絕對值（非複數） |
np.mean(ndarray) | 求平均值 |
np.sqrt(ndarray) | 計算x^0.5 |
np.square(ndarray) | 計算x^2 |
np.exp(ndarray) | 計算e^x |
log、log10、log2、log1p | 計算自然對數、底爲10的log、底爲2的log、底爲(1+x)的log |
np.sign(ndarray) | 計算正負號：1（正）、0（0）、-1（負） |
np.ceil(ndarray) np.floor(ndarray) np.rint(ndarray) | 計算大於等於改值的最小整數 計算小於等於該值的最大整數 四捨五入到最近的整數，保留dtype |
np.modf(ndarray) | 將數組的小數和整數部分以兩個獨立的數組方式返回 |
np.isnan(ndarray) | 返回一個判斷是否是NaN的bool型數組 |
np.isfinite(ndarray) np.isinf(ndarray) | 返回一個判斷是否是有窮（非inf，非NaN）的bool型數組 返回一個判斷是否是無窮的bool型數組 |
cos、cosh、sin、sinh、tan、tanh | 普通型和雙曲型三角函數 |
arccos、arccosh、arcsin、arcsinh、arctan、arctanh | 反三角函數和雙曲型反三角函數 |
np.logical_not(ndarray) | 計算各元素not x的真值，相當於-ndarray |
多元計算函數 | 說明 |
np.add(ndarray, ndarray) np.subtract(ndarray, ndarray) np.multiply(ndarray, ndarray) np.divide(ndarray, ndarray) np.floor_divide(ndarray, ndarray) np.power(ndarray, ndarray) np.mod(ndarray, ndarray) | 相加 相減 乘法 除法 圓整除法（丟棄餘數） 次方 求模 |
np.maximum(ndarray, ndarray) np.fmax(ndarray, ndarray) np.minimun(ndarray, ndarray) np.fmin(ndarray, ndarray) | 求最大值 求最大值（忽略NaN） 求最小值 求最小值（忽略NaN） |
np.copysign(ndarray, ndarray) | 將參數2中的符號賦予參數1 |
np.greater(ndarray, ndarray) np.greater_equal(ndarray, ndarray) np.less(ndarray, ndarray) np.less_equal(ndarray, ndarray) np.equal(ndarray, ndarray) np.not_equal(ndarray, ndarray) | > >= < <= == != |
logical_and(ndarray, ndarray) logical_or(ndarray, ndarray) logical_xor(ndarray, ndarray) | & | ^ |
| np.dot( ndarray, ndarray) | 計算兩個ndarray的矩陣內積 |
| np.ix_([x,y,m,n],...) | 生成一個索引器，用於Fancy indexing(花式索引) |
| 文件讀寫 | 說明 |
| np.save(string, ndarray) | 將ndarray保存到文件名爲 [string].npy 的文件中（無壓縮） |
| np.savez(string, ndarray1, ndarray2, ...) | 將所有的ndarray壓縮保存到文件名爲[string].npy的文件中 |
| np.savetxt(sring, ndarray, fmt, newline='\n') | 將ndarray寫入文件，格式爲fmt |
| np.load(string) | 讀取文件名string的文件內容並轉化爲ndarray對象（或字典對象） |
| np.loadtxt(string, delimiter) | 讀取文件名string的文件內容，以delimiter爲分隔符轉化爲ndarray |
B NumPy.ndarray函數和屬性：
| ndarray.ndim | 獲取ndarray的維數 |
| ndarray.shape | 獲取ndarray各個維度的長度 |
| ndarray.dtype | 獲取ndarray中元素的數據類型 |
| ndarray.T | 簡單轉置矩陣ndarray |
| 函數 | 說明 |
| ndarray.astype(dtype) | 轉換類型，若轉換失敗則會出現TypeError |
| ndarray.copy() | 複製一份ndarray(新的內存空間) |
| ndarray.reshape((N,M,...)) | 將ndarray轉化爲N*M*...的多維ndarray（非copy） |
| ndarray.transpose((xIndex,yIndex,...)) | 根據維索引xIndex,yIndex...進行矩陣轉置，依賴於shape，不能用於一維矩陣（非copy） |
| ndarray.swapaxes(xIndex,yIndex) | 交換維度（非copy） |
| 計算函數 | 說明 |
| ndarray.mean( axis=0 ) | 求平均值 |
| ndarray.sum( axis= 0) | 求和 |
ndarray.cumsum( axis=0) ndarray.cumprod( axis=0) | 累加 累乘 |
ndarray.std() ndarray.var() | 方差 標準差 |
ndarray.max() ndarray.min() | 最大值 最小值 |
ndarray.argmax() ndarray.argmin() | 最大值索引 最小值索引 |
ndarray.any() ndarray.all() | 是否至少有一個True 是否全部爲True |
ndarray.dot( ndarray) | 計算矩陣內積 |
排序函數 | 說明 |
ndarray.sort(axis=0) | 排序，返回源數據 |
| ndarray[n] | 選取第n+1個元素 |
| ndarray[n:m] | 選取第n+1到第m個元素 |
| ndarray[:] | 選取全部元素 |
| ndarray[n:] | 選取第n+1到最後一個元素 |
| ndarray[:n] | 選取第0到第n個元素 |
ndarray[ bool_ndarray ] 注：bool_ndarray表示bool類型的ndarray | 選取爲true的元素 |
ndarray[[x,y,m,n]]... | 選取順序和序列爲x、y、m、n的ndarray |
ndarray[n,m] ndarray[n][m] | 選取第n+1行第m+1個元素 |
ndarray[n,m,...] ndarray[n][m].... | 選取n行n列....的元素 |
C NumPy.random函數和屬性：
| 函數 | 說明 |
seed() seed(int) seed(ndarray) | 確定隨機數生成種子 |
permutation(int) permutation(ndarray) | 返回一個一維從0~9的序列的隨機排列 返回一個序列的隨機排列 |
| shuffle(ndarray) | 對一個序列就地隨機排列 |
rand(int) randint(begin,end,num=1) | 產生int個均勻分佈的樣本值 從給定的begin和end隨機選取num個整數 |
| randn(N, M, ...) | 生成一個N*M*...的正態分佈（平均值爲0，標準差爲1）的ndarray |
| normal(size=(N,M,...)) | 生成一個N*M*...的正態（高斯）分佈的ndarray |
| beta(ndarray1,ndarray2) | 產生beta分佈的樣本值，參數必須大於0 |
| chisquare() | 產生卡方分佈的樣本值 |
| gamma() | 產生gamma分佈的樣本值 |
| uniform() | 產生在[0,1)中均勻分佈的樣本值 |
2.1.C.1 random常用函數
D NumPy.linalg函數和屬性：
| 函數 | 說明 |
| det(ndarray) | 計算矩陣列式 |
| eig(ndarray) | 計算方陣的本徵值和本徵向量 |
inv(ndarray) pinv(ndarray) | 計算方陣的逆 計算方陣的Moore-Penrose僞逆 |
| qr(ndarray) | 計算qr分解 |
| svd(ndarray) | 計算奇異值分解svd |
| solve(ndarray) | 解線性方程組Ax = b，其中A爲方陣 |
| lstsq(ndarray) | 計算Ax=b的最小二乘解 |
2.1.D.1 linalg常用函數
2.Pandas
pandas 是基於NumPy 的一種工具，該工具是爲了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。
>>> from pandas import Series, DataFrame
>>> import pandas as pd
A.pandas
| 函數 | 說明 |
pd.isnull(series) pd.notnull(series) | 判斷是否爲空(NaN) 判斷是否不爲空(not NaN) |
2.2.A.1 pandas常用函數
B.Series
Series可以運用ndarray或字典的幾乎所有索引操作和函數，融合了字典和ndarray的優點。| 屬性 | 說明 |
| values | 獲取數組 |
| index | 獲取索引 |
| name | values的name |
| index.name | 索引的name |
| 函數 | 說明 |
| Series([x,y,...])Series({'a':x,'b':y,...}, index=param1) | 生成一個Series |
| Series.copy() | 複製一個Series |
Series.reindex([x,y,...], fill_value=NaN) Series.reindex([x,y,...], method=NaN) Series.reindex(columns=[x,y,...]) | 重返回一個適應新索引的新對象，將缺失值填充爲fill_value 返回適應新索引的新對象，填充方式爲method 對列進行重新索引 |
| Series.drop(index) | 丟棄指定項 |
| Series.map(f) | 應用元素級函數 |
| 排序函數 | 說明 |
| Series.sort_index(ascending=True) | 根據索引返回已排序的新對象 |
| Series.order(ascending=True) | 根據值返回已排序的對象，NaN值在末尾 |
| Series.rank(method='average', ascending=True, axis=0) | 爲各組分配一個平均排名 |
df.argmax() df.argmin() | 返回含有最大值的索引位置 返回含有最小值的索引位置 |
2.2.B.2 Series常用函數
reindex的method選項：C.DataFrame
DataFrame是一個表格型的數據結構，它含有一組有序的列，每列可以是不同的值類型（數值、字符串、布爾值等）。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個索引）。
DataFrame可以通過類似字典的方式或者.columnname的方式將列獲取爲一個Series。行也可以通過位置或名稱的方式進行獲取。
爲不存在的列賦值會創建新列。
>>> del frame['xxx'] # 刪除列
| 屬性 | 說明 |
| values | DataFrame的值 |
| index | 行索引 |
| index.name | 行索引的名字 |
| columns | 列索引 |
| columns.name | 列索引的名字 |
| ix | 返回行的DataFrame |
| ix[[x,y,...], [x,y,...]] | 對行重新索引，然後對列重新索引 |
| T | frame行列轉置 |
2.2.C.1 DataFrame常用屬性
| 函數 | 說明 |
DataFrame(dict, columns=dict.index, index=[dict.columnnum]) DataFrame(二維ndarray) DataFrame(由數組、列表或元組組成的字典) DataFrame(NumPy的結構化/記錄數組) DataFrame(由Series組成的字典) DataFrame(由字典組成的字典) DataFrame(字典或Series的列表) DataFrame(由列表或元組組成的列表) DataFrame(DataFrame) DataFrame(NumPy的MaskedArray) | 構建DataFrame 數據矩陣，還可以傳入行標和列標 每個序列會變成DataFrame的一列。所有序列的長度必須相同 類似於“由數組組成的字典” 每個Series會成爲一列。如果沒有顯式制定索引，則各Series的索引會被合併成結果的行索引 各內層字典會成爲一列。鍵會被合併成結果的行索引。 各項將會成爲DataFrame的一行。索引的並集會成爲DataFrame的列標。 類似於二維ndarray 沿用DataFrame 類似於二維ndarray，但掩碼結果會變成NA/缺失值
|
df.reindex([x,y,...], fill_value=NaN, limit) df.reindex([x,y,...], method=NaN) df.reindex([x,y,...], columns=[x,y,...],copy=True) | 返回一個適應新索引的新對象，將缺失值填充爲fill_value，最大填充量爲limit 返回適應新索引的新對象，填充方式爲method 同時對行和列進行重新索引，默認複製新對象。 |
| df.drop(index, axis=0) | 丟棄指定軸上的指定項。 |
| 排序函數 | 說明 |
df.sort_index(axis=0, ascending=True) df.sort_index(by=[a,b,...]) | 根據索引排序 |
| 彙總統計函數 | 說明 |
| df.count() | 非NaN的數量 |
| df.describe() | 一次性產生多個彙總統計 |
df.min() df.min() | 最小值 最大值 |
df.idxmax(axis=0, skipna=True) df.idxmin(axis=0, skipna=True) | 返回含有最大值的index的Series 返回含有最小值的index的Series |
| df.quantile(axis=0) | 計算樣本的分位數 |
df.sum(axis=0, skipna=True, level=NaN) df.mean(axis=0, skipna=True, level=NaN) df.median(axis=0, skipna=True, level=NaN) df.mad(axis=0, skipna=True, level=NaN) df.var(axis=0, skipna=True, level=NaN) df.std(axis=0, skipna=True, level=NaN) df.skew(axis=0, skipna=True, level=NaN) df.kurt(axis=0, skipna=True, level=NaN) df.cumsum(axis=0, skipna=True, level=NaN) df.cummin(axis=0, skipna=True, level=NaN) df.cummax(axis=0, skipna=True, level=NaN) df.cumprod(axis=0, skipna=True, level=NaN) df.diff(axis=0) df.pct_change(axis=0) | 返回一個含有求和小計的Series 返回一個含有平均值的Series 返回一個含有算術中位數的Series 返回一個根據平均值計算平均絕對離差的Series 返回一個方差的Series 返回一個標準差的Series 返回樣本值的偏度（三階距） 返回樣本值的峯度（四階距） 返回樣本的累計和 返回樣本的累計最大值 返回樣本的累計最小值 返回樣本的累計積 返回樣本的一階差分 返回樣本的百分比數變化 |
| 計算函數 | 說明 |
df.add(df2, fill_value=NaN, axist=1) df.sub(df2, fill_value=NaN, axist=1) df.div(df2, fill_value=NaN, axist=1) df.mul(df2, fill_value=NaN, axist=1) | 元素級相加，對齊時找不到元素默認用fill_value 元素級相減，對齊時找不到元素默認用fill_value 元素級相除，對齊時找不到元素默認用fill_value 元素級相乘，對齊時找不到元素默認用fill_value |
| df.apply(f, axis=0) | 將f函數應用到由各行各列所形成的一維數組上 |
| df.applymap(f) | 將f函數應用到各個元素上 |
| df.cumsum(axis=0, skipna=True) | 累加，返回累加後的dataframe |
2.2.C.2 Dataframe常用函數
| 索引方式 | 說明 |
| df[val] | 選取DataFrame的單個列或一組列 |
| df.ix[val] | 選取Dataframe的單個行或一組行 |
| df.ix[:,val] | 選取單個列或列子集 |
| df.ix[val1,val2] | 將一個或多個軸匹配到新索引 |
| reindex方法 | 將一個或多個軸匹配到新索引 |
| xs方法 | 根據標籤選取單行或者單列，返回一個Series |
| icol、irow方法 | 根據整數位置選取單列或單行，並返回一個Series |
| get_value、set_value | 根據行標籤和列標籤選取單個值 |
2.2.C.3 Dataframe常用索引方式
運算：
默認情況下，Dataframe和Series之間的算術運算會將Series的索引匹配到的Dataframe的列，沿着列一直向下傳播。若索引找不到，則會重新索引產生並集。
D.Index
pandas的索引對象負責管理軸標籤和其他元數據（比如軸名稱等）。構建Series或DataFrame時，所用到的任何數組或其他序列的標籤都會被轉換成一個Index。Index對象不可修改，從而在多個數據結構之間安全共享。
| 主要的Index對象 | 說明 |
| Index | 最廣泛的Index對象，將軸標籤表示爲一個由Python對象組成的NumPy數組 |
| Int64Index | 針對整數的特殊Index |
| MultiIndex | “層次化”索引對象，表示單個軸上的多層索引。可以看做由元組組成的數組 |
| DatetimeIndex | 存儲納秒級時間戳（用NumPy的Datetime64類型表示） |
| PeriodIndex | 針對Period數據（時間間隔）的特殊Index |
2.2.D.1 主要的Index屬性
| 函數 | 說明 |
| Index([x,y,...]) | 創建索引 |
| append(Index) | 連接另一個Index對象，產生一個新的Index |
| diff(Index) | 計算差集，產生一個新的Index |
| intersection(Index) | 計算交集 |
| union(Index) | 計算並集 |
| isin(Index) | 檢查是否存在與參數索引中，返回bool型數組 |
| delete(i) | 刪除索引i處元素，得到新的Index |
| drop(str) | 刪除傳入的值，得到新Index |
| insert(i,str) | 將元素插入到索引i處，得到新Index |
| is_monotonic() | 當各元素大於前一個元素時，返回true |
| is_unique() | 當Index沒有重複值時，返回true |
| unique() | 計算Index中唯一值的數組 |