NumPy入门：
ndarray 在程序中的名字是array
np.array() 可以创建一个array数组
np.int 类型实际是没有的，会自动解析具体的类型
所以，可以简写到np.int ,不必详细到int 8 ,16,32,64
numpy 的设计理念：
希望大家将ndarray 当做一个数来看待
数据的存取和函数：
一维和二维数据的存取：
使用的是csv 格式
用的函数是：
savetxt()
loadtxt()
多维数据的存取：
一：使用np.tofile() 和np.fromfile()
它的缺点是我们要在另外一个文件中记录数组的类型和维度信息
二：NumPy 的便捷文件存取
它保存的文件是.npy 为扩展名的文件，压缩是.npz
使用np.save() 和 np.load()
它内部记录的维度和数组信息
NumPy的随机数函数
这里通过一个子库random
NumPy的统计函数
np.min
np.max等
由np直接调用
NumPy的梯度函数
np.gradient(f) 计算数组f中元素的梯度，f是多维时，返回每个维度的梯度
梯度：连续值之间的变化率，即斜率
梯度的作用：它反映了元素的变化率，尤其是用在图像声音等批量处理的时候
梯度有助于我们发现图像，声音的边缘
实例：图像的手绘风效果
图像的数组表示：
RGB
PIL： Python Image Library :处理图像的第三方库
安装方法：pip install pillow
在使用的时候，我们要用大写的PIL ，
from PIL import Image
Image 是个基础类，一个Image 就代表一个图像
如何表示图像呢？
可以使用numpy 的数组来表示图像，
C:UsersAdministratorDesktopdesktop小整理/zcb.png
图像的变换：
我们知道图像是可以表示为数组的，
数组又是可以运算的，那么经过运算后就可以改变图像
Matplotlib 库入门：
它是python非常优秀的数据可视化第三方库
Matplotlib 库由各种可视化类构成，内部结构复杂，它受MATLAB启发
为了不关心里面复杂的结构，Matplotlib 提供了个子库
matplotlib.pyplot
它是绘制各类可视化图形的命令子库，相当于快捷方式
库的使用：
import matplotlib.pyplot as plt
经常用的就是pyplot 这个子库，就是plt
pyplot 中文显示的方法：
1，使用rcParams修改字体实现
matplotlib.rcParams['font.family']='SimHei'
常见字体：
中文黑体：SimHei
中文楷体：Kaiti
中文隶书：LiSu
中文仿宋：FangSong
中文幼圆：YouYuan
华文仿宋：STSong
注:这种方法是将所改变的地方全部改为这种字体
它改变的是全局字体
2，在中文输出的地方，增加一个属性：fontproperties
它这种方法不对其他地方起作用，不是全局
建议使用这种
pyplot的子绘图区域
之前我们知道可以使用subplot,但是如果是复杂的区域呢，
下面就要看一个辅助subplot的方法，subplot2grid()
除了subplot2grid() 我们还可以使用GridSpec类，
记得要导入：
import matplotlib.gridspec as gridspec
gs= gridspec.GridSpec(3,3)
关键：选取恰当的图形展示数据含义
pyplot 基础图表函数：
饼图：plt.pie()
直方图：plt.hist()
极坐标图：polar （使用面向对象的方法绘制）
散点图：（使用面向对象的方法绘制）
Pandas 库入门：
Pandas是python 第三方库，它提供了高性能，易用数据类型和分析工具的库
简单说，pandas有两个好处：
第一：它提供了便于操作的数据类型
第二：它提供了很多的分析函数和分析工具
引用：
import pandas as pd
Pandas 是基于NumPy实现，常用NumPy 和Matplotlib 一同使用
Pandas主要提供两个数据类型：Series 和 DataFrame
Series 相当于一个一维数据类型，
DataFrame 相当于二维或多维数据类型
围绕这两个数据类型，它提供了各类的操作：
基本操作，运算操作，特征类操作，关联类操作
对比: NumPy Pandas
基础数据类型(ndarray) 扩展数据类型（Series,DataFrame)
关注数据的结构表达（数据的维度） 关注的是数据的应用表达
即看到的是n维的数据存到一个变量中 即使用数据的时候，如何更有效的提取数据以及对它进行运算
“结构表达”体现在： 维度：数据间关系 “应用表达”体现在：数据与索引间关系
总结：我们知道将数据的维度建立好，这可以将数据的结构表达清楚，
但是在使用数据的时候，过于紧密的维度关系，并不利于数据的使用，
因此Pandas并没有过分的关注数据的结构表达，而是关注的是数据的应用表达
一句话，Pandas是建立好数据和索引之间的关系。
Pandas库的Series类型
Series类型由一组数据及与之相关的数据索引组成。
索引在第二个参数
Series创建：Series可以由如下来创建：
1，Python列表
2，标量值
pd.Series(25,index=['a','b','c'])
此时一定要指定index
3，Python字典
pd.Series({'a':9,'b':8,'c':7})
另外：
pd.Series({'a':9,'b':8,'c':7},index=['c','a','b','d'])
此时的d 索引值为NaN
4，ndarray
//常用
pd.Series(np.arange(5))
pd.Series(np.arange(5),index = np.arange(9,4,-1))
5, 其他函数
Series类型的基本操作：
Series类型包括 index 和values两部分
Series类型的操作类似ndarray类型
Series类型的操作类似Python字典类型
它的自动索引和自定义索引时并存的，都可以使用
但是不可以混合使用
Series 的对齐操作
在运算中会自动对齐不同索引的数据
NumPy值关注维度，而Series很重视索引
a = pd.Series({'a':9,'b':8,'c':7})
b = pd.Series({'b':1,'c':2,'d':3,'e':4})
a +b =
a NaN
b 9.0
c 9.0
d NaN
e NaN
dtype: float64
Series类型的name 属性
Series对象和索引都可以有一个名字，存储在属性.name中
Series类型的修改：
Series对象可以随时修改并即刻生效
如何理解Series 类型呢？
实际上，它就是个一维的带“标签”的数组。
Series 的基本操作类似于ndarray 和字典，但是它不是基于维度而是基于索引，
如果不同索引之间存在运算存在对齐问题，
Pandas库的DataFrame类型
Series是Pandas的一维数据类型，DataFrame是Pandas的二维数据类型
DataFrame定义：
DataFrame类型由共用相同索引的一组列组成，
DataFrame是个表格型的数据类型，每列值类型可以不同
DataFrame既有行索引（index,axis=0)也有列索引(column,axis=1)
DataFrame 常用于表达二维数据，但可以表达多维数据
DataFrame的创建：
1，二维ndarray对象
a = pd.DataFrame(np.arange(10).reshape(2,5))
2，由一维ndarray,列表，字典，元组或Series构成的字典
由一维ndarray对象字典创建
dt={'one':pd.Series([1,2,3]),
'two':pd.Series([4,5,6])}
pd.DataFrame(dt)
由列表类型的字典创建
dt = {'one':[1,2,3,4],'two':[5,6,7,8]}
d = pd.DataFrame(dt,index=['a','b','c','d'])
注：因为是字典，所以它们列的顺序可能和定义的不一样
索引列：
d['one']
索引行：
d.ix['a']
索引具体
d['one'][a]
3，Series类型
4，其他的DataFrame类型
如何理解DataFrame :
它是个二维的带“标签”的数组
Pandas库的数据类型操作：
主要是操作Series 和DataFrame
增加和重排：
重新索引
删除：
drop
重新排行索引：
d.reindex(index=['c','a','b','d','e'])
重新排列索引：
d.reindex(columns=['two','one'])
新增列
d.columns.insert(3,'three')
Pandas的索引类型：
d.index
d.columns
它们的类型都是Index()
操作索引对象 ,它们返回索引对象
d.columns.delete(1)
d.index.insert(2,'c')
直接将DataFrame对象删除指定的行和列
.drop() 可以删除Series 和DataFrame指定行或列索引
a= pd.Series([9,8,7,6],index = ['a','b','c','d'])
a.drop(['b','c'])
dt = {'one':[1,2,3,4],'two':[5,6,7,8]}
b= pd.DataFrame(dt,index=['a','b','c','d'])
b.drop(['a','c']) //默认删的是axis = 0
//b.drop(['one'],axis= 1)
Pandas 库的数据类型运算
二维和一维比较时，默认作用在1轴上
Pandas库的数据排序：
.sort_index()方法，它是在指定轴上根据索引排序
默认升序
.sort_values()方法，它是在指定轴上根据数值排序
默认升序
Series.sort_values(axis=0,ascending=True)
DataFrame.sort_values(by,axis=0,ascending=True)
by 是axis 轴上的某个索引或索引列表
注：NaN统一放到排序末尾
数据的基本统计分析:
强大的是：.describe()
数据的累积统计分析:
.cumsum() 依次给出前1,2...个数的和
.cumprod() 乘积
.cummax()
.cummin()
滚动计算：（窗口计算）
.rolling(w).sum() 依次计算相邻w个元素的和
.rolling(w).mean()
.rolling(w).var()
.rolling(w).std()
.rolling(w).min().max()
数据的相关分析：
可以通过协方差：
协方差 >0, X和Y正相关
协方差 <0, X和Y负相关
协方差 =0, X和Y独立无关
还有其他的相关性判断方法：
Pearson相关系数：
r = ...
r的取值【-1,1】
它的绝对值
[0.8,1.0] --> 极强相关
[0.6,0.8] --> 强相关
[0.4,0.6] --> 中等程度相关
[0.2,0.4] --> 弱相关
[0.0,0.2] --> 极弱相关或无相关
.cov() 计算协方差矩阵
.corr() 计算相关系数矩阵，Pearson,Spearman,Kendall等系数