python小随笔

关于pip安装

 .pip.exe install --ignore-installed --upgrade tensorflow-gpu   

 python可视化库

• Seaborn:是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图。(用来对Titanic数据集来进行分析)

pandas

user[user['user_id']==10001082]　　#特定查询  

train.Survived.value_counts()  #pandas 可以直接 .列名

Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts()  #进阶

 https://www.cnblogs.com/chaosimple/p/4153083.html   pandas十分钟

train.Survived.value_counts().plot(kind='bar')   #可以直接在matplotlib里画图

 get_dummies获取某一列的one-hot向量

boolean索引

pandas 10 十分钟入门系列 

https://www.cnblogs.com/chaosimple/p/4153083.html

创建

 dataframe对象创建:传入numpy , 字典对象也可以

参看数据

选择  有标签方法,位置方法,布尔方法

http://blog.csdn.net/xw_classmate/article/details/51333646

 缺失值处理

 . Apply对数据应用函数

.str 使用字符串函数

合并 

 Concat基本的合并     Join 类似于SQL类型的合并(按照主键)    Append 将一行连接到一个DataFrame上，

分组

对于”group by”操作，我们通常是指以下一个或多个操作步骤：

l  （Splitting）按照一些规则将数据分为不同的组；

l  （Applying）对于每组数据分别执行一个函数；

l  （Combining）将结果组合到一个数据结构中；

Categorical  

高级操作:

统计两个key关于第三个key的值

层次化索引（hierarchical index）是pandas的重要功能，这能使在一个轴上拥有两个以上的索引级别。抽象点说，它能使你以低维度形式处理高维度。

https://www.cnblogs.com/batteryhp/p/5006274.html

matplotlib

import matplotlib.pyplot as plt
fig = plt.figure()
fig.set(alpha=0.2)  # 设定图表颜色alpha参数

plt.subplot2grid((2,3),(0,0))             # 在一张大图里分列几个小图
data_train.Survived.value_counts().plot(kind='bar')# 柱状图 
plt.title(u"获救情况 (1为获救)") # 标题
plt.ylabel(u"人数")  

plt.subplot2grid((2,3),(0,1))
data_train.Pclass.value_counts().plot(kind="bar")
plt.ylabel(u"人数")
plt.title(u"乘客等级分布")

plt.subplot2grid((2,3),(0,2))
plt.scatter(data_train.Survived, data_train.Age)
plt.ylabel(u"年龄")                         # 设定纵坐标名称
plt.grid(b=True, which='major', axis='y') 
plt.title(u"按年龄看获救分布 (1为获救)")


plt.subplot2grid((2,3),(1,0), colspan=2)
data_train.Age[data_train.Pclass == 1].plot(kind='kde')   
data_train.Age[data_train.Pclass == 2].plot(kind='kde')
data_train.Age[data_train.Pclass == 3].plot(kind='kde')
plt.xlabel(u"年龄")# plots an axis lable
plt.ylabel(u"密度") 
plt.title(u"各等级的乘客年龄分布")
plt.legend((u'头等舱', u'2等舱',u'3等舱'),loc='best') # sets our legend for our graph.


plt.subplot2grid((2,3),(1,2))
data_train.Embarked.value_counts().plot(kind='bar')
plt.title(u"各登船口岸上船人数")
plt.ylabel(u"人数")  
plt.show()

 matplotlib  user guide

Line Plot  plot().

 多个子图

time  datatime 等时间包的使用

datatime https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431937554888869fb52b812243dda6103214cd61d0c2000

https://www.cnblogs.com/snow-backup/p/5063665.html