numpy多用在大型、多维数组上执行数值运算；

a = [1,2,3,4,4,4,4]

命名规则：1.可以以字母（大小写）、数字、下划线命名，但不能以数字开头。

2.另需区分大小写。

3.关键字不能用作变量名。

命名规范；

1.见名知意

2.小驼峰，第一个词的首字母小写，其余单词的手写是大写

3.大驼峰，全部单词首字母大写。

3.每个单词的中间加下划线

4.赋值的时候，若是文本形式则家'',若是数字则bu'yon

折线图：能够显示数据的变化趋势，反应事物的变化情况（变化）

直方图：绘制连续性的数据，展示一组或多组数据的分布情况（统计）

条形图：绘制离散的数据，能够一眼看出各个数据的大小，比较数据之间的差别（统计）

散点图：判断变量之间是否存在数量关联趋势，展示离群点（分布规律）

1.变量：顾名思义可以变化的，相当于一个容器，可以装任何东西，比如苹果。装好后，容器和其他东西结合的时候就会属于苹果。当变量不同时，其结果就不同。

2.变量+逻辑->python解释器-->软件的功能

3.在计算机语言中，变量=存储的数据

1.加注释的目的：为了便于二次修改和理解，注释前面加#（快捷键ctrl+/）即可。

2.如何进行多行注释：''' 或者""" 

 例：

'''

此处为注释内容，可编辑大量的内容

'''

此处为可运行的代码

1.优点：a.简单、易学；b.免费、开源，任何人都可以去下载阅读及修改，使之变得更强大。c.拥有更丰富的第三方库（不太明白第三方库是什么意思？）。d.可以移植，一次python的代码编写就可以在不同的平台上运行，仅需要下载不同的解释器就行。e.面向对象

2.缺点：a.运行速度慢：因为cpu需要一条一条去翻译。b.代码不能加密，需发源代码。但没人有时间去破解，因此关系不大。c.一个强制缩紧。d.有GIL全局解释器锁：虽然有多个线程，但因为有全局解释器锁，因此还是只能一个线程进行翻译。但几乎感觉不到GIL的存在，可忽略。

1.面向对象：

2.解释型：a.计算机语言是一种机器语言（二进制代码），没法直接识别python提供的语言。因此需要一个翻译的角色将python的代码翻译成机器语言，解释器运作的过程就是翻译的过程。翻译好后，交给计算机的CPU进行执行。

3.胶水：可以做到其他语言能做的事情，且做得更好。

metaver:v

matplotlib

1. 可以将数据进行可视化，更直观的呈现，是数据更加客观有说服力；是Python的底层绘图库；
2. 基本要点：
   1. axis轴：x或y轴；

   2. from matplotlib import pyplot as plt(命名为plt简写）

数据分析的介绍

1. 为什么学习数据分析：Python数据科学的基础与机器学习课程的基础。
2. 数据分析师用适当的方法对手机的大量数据进行分析，帮助人们做出判断，以便采取适当行动。
3. 数据分析流程：提出问题、准备数据（数据清洗或预处理）、分析数据、获得结论、成果可视化。

切片和索引

1.选择行 t【2】

2.选择列t【3:,:】

3.选择行列 连续的多行 t[2:,:3]

4.索引 t【2,3】

### numpy中的nan和inf

1.当本地文件为float的时候，有缺失时，会出现nan

或者做义工不适合的计算时

2.inf表示正无穷，-inf是负无穷

### numpy常用统计函数

1.求和:np.sum(t3,axis=0)是计算行上的结果

（axis=1是计算列上的结果）

2.均值：np.mean(t,axis=0)

3.中值：np.median(t3,axis=0)

4.最大值：np.max(axis=0)

5.最小值：np.min(axis=0)

6.极值：np.ptp(t3,axis=0)

7.标准差：np.std(axis=0)

标准差反应数据的波动情况，越大则越分散

## numpy好用的方法

1.获得最大值最小值的位置

  np.argmax(t,axis=0)

  np.argmin(t.axis=1)

2.创建一个全为0的数组：np.zeros((3,4))

3.创建一个全为1的数组：np.ones((3,4))

4.创建一个对角线为1的正方形数组（方阵）：

np,eye(3)

## numpy生成随机数

##数组的拼接

#竖直拼接

np.vstack((t1,t2))

#水平拼接

np.hstack((t1,t2))

#行交换

t[[1,2],:]=t[[2,1],:]

#列交换

t[:,[0,2]]=t[:,[2,0]]

np.where(t<10,0,10)#numpy三元运算符

如果t<10，则为0，否则为10

np.clip(10,18)#numpy的裁剪