numpy参考：https://scipy.github.io/old-wiki/pages/Tentative_NumPy_Tutorial
- 直接赋值是引用，改变 新变量值会改变原变量值。
使用c = a.view()是建立了一个a的观测值变量，改变c也会改变a。
要完全赋值使用深拷贝d = a.copy() - numpy中可以直接用多维索引来建立一个多维array。但注意，不能将多个array作为索引，此时可以用tuple（多个array）将多个array转换成一个tuple
scipy参考：https://docs.scipy.org/doc/scipy/reference/tutorial/
- r_连接二维行 c_连接二维列。
a = np.r_[3,[0]5,-1:1:10j]*
其中10j的意思是铸造10个分割点 - mgrid铸造标准网格，类似matlab的meshgrid；ogrid返回的是多个一维的网格向量。
- vectorize（函子）传入函子，返回一个向量化的函数
- select函数的 意思通过下面这个例子说明：
x = np.r_[-2:3]
x
array([-2, -1, 0, 1, 2])
np.select([x > 3, x >= 0], [0, x+2]，999)
array([999, 999, 2, 3, 4])
也就是说x来进行判断，满足第一个条件就被0替换，满足第二个条件被x+2替换，如果都不满足就被999替换。
而where函数有两种用法：
np.where([[True, False], [True, True]],
... [[1, 2], [3, 4]],
... [[9, 8], [7, 6]])
array([[1, 8],
[3, 4]])
满足条件取第一个，不满足取第二个
第二种用法：只有一个输入参数，那么就返回True
matlabplotlib参考：https://nbviewer.jupyter.org/github/jrjohansson/scientific-python-lectures/blob/master/Lecture-4-Matplotlib.ipynb
- 注意Matplotlib所用的都是()而不是[].
- 可以使用latex格式，但要在
label=r"
"
注意要加r来区分和python变量str区别。
注意plot和subplot的属性名：
| 属性名 | 简写 | 功能 | 备注 |
|---|---|---|---|
| label="curve1" | 线标签 | 最后要加ax.legend(); | |
| 苹果 | $1 | 6 | 6 |
| 草莓 | $1 | 7 | 6 |
a.
ax.plot(x, x2, label="curve1")
ax.plot(x, x3, label="curve2")
label="curve1"线标签
ax.legend(loc=0) # let matplotlib decide the optimal location
ax.legend(loc=1) # upper right corner
ax.legend(loc=2) # upper left corner
ax.legend(loc=3) # lower left corner
ax.legend(loc=4) # lower right corner
b.
ax.plot(x, x+13, color="purple", lw=1, ls='-', marker='o', markersize=2)
ax.plot(x, x+14, color="purple", lw=1, ls='-', marker='o', markersize=4)
ax.plot(x, x+15, color="purple", lw=1, ls='-', marker='o', markersize=8, markerfacecolor="red")
ax.plot(x, x+16, color="purple", lw=1, ls='-', marker='s', markersize=8,
markerfacecolor="yellow", markeredgewidth=2, markeredgecolor="blue");
lw是linewidth，ls是linestyle线形状，marker是点型
c. 决定坐标范围
fig, axes = plt.subplots(1, 3, figsize=(12, 4))
axes[0].plot(x, x2, x, x3)
axes[0].set_title("default axes ranges")
axes[1].plot(x, x2, x, x3)
axes[1].axis('tight') #（自决定）
axes[1].set_title("tight axes")
axes[2].plot(x, x2, x, x3)
axes[2].set_ylim([0, 60])
axes[2].set_xlim([2, 5])
axes[2].set_title("custom axes range");
d. 坐标指数
fig, axes = plt.subplots(1, 2, figsize=(10,4))
axes[0].plot(x, x**2, x, np.exp(x))
axes[0].set_title("Normal scale")
axes[1].plot(x, x**2, x, np.exp(x))
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)");
- 改变图像风格：
plt.style.use('ggplot')
可以先使用
print(plt.style.available)
查看图像风格
sns.lmplot(x='total_bill', y='tip', data=tips, col='sex')
col,row将不同的分类点画在不同画布上；hue='sex'将分类点画在同一画布上，但标出不同颜色。
6.二变量画图法：
sns.jointplot(x='hp',y='mpg',data=auto,kind='resid')
kind='scatter' uses a scatter plot of the data points
kind='reg' uses a regression plot (default order 1)
kind='resid' uses a residual plot
kind='kde' uses a kernel density estimate of the joint distribution
kind='hex' uses a hexbin plot of the joint distribution
- 多变量画图：
注意，传入的都要是dataframe
sns.pairplot(data)非常简单
sns.heatmap(cov_matrix)相关性的图
pandas参考：http://pandas.pydata.org/pandas-docs/stable/tutorials.html
- 注意深拷贝berri_bikes = bikes[['Berri 1']].copy()一定要用copy，注意bikes后有两个中括号
- rows_with_dashes = requests['Incident Zip'].str.contains('-').fillna(False)
fillna的含义是充填缺失值 - daily_temp_2011 = daily_mean_2011['dry_bulb_faren'].values
.values让一个series（pandas）转换成了array（numpy）
pandas内容太多了，建议还是直接看官方cookbook - 一列写入的时候，要用双[],否则会当做series没有列名。列选择都要加双[]，即
data[['rnd_1', 'rnd_3']]
也就是说从dataframe里面选出列名的那些列作为dataframe要加双括号
sklearn
-
transform() 和fit_transform()区别：https://blog.csdn.net/quiet_girl/article/details/72517053
tranform()的作用是通过找中心和缩放等实现标准化
fit_transform()的作用就是先将数据拟合模型，然后转化它将其转化为标准形式
