ipython和jupyter 常用操作

？

    在变量前后使用问号？，可以显示对象的信息
    这可以作为对象的自省。如果对象是一个函数或实例方法，定义过的文档字符串，也会显示出信息。

??

使用??会显示函数的源码

%run命令

你可以用%run命令运行所有的Python程序

ipython中常用快捷键

魔术命令

numpy

ndarray是一个通用的同构数据多维容器,每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）

创建ndarray

创建数组最简单的办法就是使用array函数。它接受一切序列型的对象（包括其他数组），然后产
生一个新的含有传入数据的NumPy数组。

In [19]: data1 = [6, 7.5, 8, 0, 1]
In [20]: arr1 = np.array(data1)
In [21]: arr1
Out[21]: array([ 6. , 7.5, 8. , 0. , 1. ])

嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组：

In [22]: data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
In [23]: arr2 = np.array(data2)
In [24]: arr2
Out[24]:
array([[1, 2, 3, 4],
86
[5, 6, 7, 8]])

类型转换

astype方法明确地将一个数组从一个dtype转换成另一个dtype

注：如果将浮点数转换成整数，则小数部分将会被截取删除

In [37]: arr = np.array([1, 2, 3, 4, 5])
In [38]: arr.dtype
Out[38]: dtype('int64')
In [39]: float_arr = arr.astype(np.float64)
In [40]: float_arr.dtype
Out[40]: dtype('float64')

如果某字符串数组表示的全是数字，也可以用astype将其转换为数值形式

In [44]: numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
In [45]: numeric_strings.astype(float)
Out[45]: array([ 1.25, -9.6 , 42. ])

NumPy数组的运算

符号	作用
+	按元素相加
-	按元素相减
*	按元素相乘
/	按元素相除
**	按元素乘方

基本的索引和切片

基本与python相同

注意：如果你想要得到的是ndarray切片的一份副本而非视图，就需要明确地进行复制操作，
例如 arr[5:8].copy() 。

pandas

Series

Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关
的数据标签（即索引）组成。

In [11]: obj = pd.Series([4, 7, -5, 3])
In [12]: obj
Out[12]:
0 4
1 7
2 -5
3 3
dtype: int64

Series的字符串表现形式为：索引在左边，值在右边。索引默认为0-n-1，可以通过 index= 指定

In [13]: obj.values
Out[13]: array([ 4, 7, -5, 3])
In [14]: obj.index # like range(4)
Out[14]: RangeIndex(start=0, stop=4, step=1)

.values获得值

.index获得索引

使用NumPy函数或类似NumPy的运算（如根据布尔型数组进行过滤、标量乘法、应用数学函数
等）都会保留索引值的链接

还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射。它可以用在许
多原本需要字典参数的函数中
如果数据被存放在一个Python字典中，也可以直接通过这个字典来创建Series
如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。你可以传入排好序的字典的键以改变顺序
pandas的isnull和notnull函数可用于检测缺失数据
Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切
Series的索引可以通过赋值的方式就地修改
    obj.index = []

DataFrame

DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字
符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用
同一个索引）。DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维
数据结构）。有关DataFrame内部的技术细节远远超出了本书所讨论的范围。

对于特别大的DataFrame，head方法会选取前五行
    frame.head()
获取一列
    frame['col_name']或frame.col_name
获取一行
    frame.loc['name']
如果嵌套字典传给DataFrame，pandas就会被解释为：外层字典的键作为列，内层键则作为行索引
与python的集合不同，pandas的Index可以包含重复的标签