## numpy学习（处理数字性数据）

1.np.array()把内容变成数组

2.t1.dtype可以显示其类型

3.np.astype可以把类型改变

4.保存固定位的小数

np.round(range(10),3)

### 总结四种方法

matplotlib.plot()折线图

matplotlib.bar  条形图

matplotlib.scatter 散点图

matplotlib.hist 直方图

更多绘图软件：Aoache ECharts

#### 绘制直方图

组数=极差/组距

#### 条形图

plt.bar 竖着的条形图，线条粗细是width（线条的宽度）

plt.barh 横着的条形图，线条粗细成了height（线条的高低）

plt.grid 是添加网格，alpha是透明度

#### 散点图是plt.scatter

遗忘知识点：

plt.legend(loc="uppper left",prop=my_font)

###

plt.grid绘制网格

plt.grid(alpha=0.5)#alpha这个代表透明度

plt.plot(linestyle=':')表示折线变成虚线

color=''#线条颜色

linestyle=''#折线的形式

linewidth=5#线条粗细

alpha=0.5#透明度

以上都是放在plt.plot中的

# 函数rotation=90旋转的度数

###调整x或者y轴上的参数

1.from matplotlib import pyplot as plt引入函数

2.plt.figure(figsize=(20,8),dpi=80)

#figurezide图片大小，（长，宽），dpi越大越不容易失真

from matplotlib import pyplot as plt

x=range(2,26,2)
y=[15,13,14,5,17,20,25,26,26,27,22,18,15]

#设置图片大小
#figurezide图片大小，（长，宽），dpi越大越不容易失真
plt.figure(figside=(20,8),dpi=80)

#绘图
plt.plot(x,y)

#设置x轴
_xtick_labels=[i/2 for i in range(2,49)]
plt.xticks(_xtick_labels[::3])

#保存

#plt.savefig("./t1.png")
#展示
plt.show()

时间复杂度

numpy数组

1、

选择行，

选择列

选择行列

hist 直方图

from matplotlib import pyplot as plt

from matplotlib import font_manager

a=[zifuchuan]

plot.hist(a.fenzushu)

细节

计算组数=num_bin= (max(a)-nim(b)//d)

d=5

组数= 极差/组距

x轴的刻度设置

plt.xticks(range(min(a),max(a)+d,d))

plt.show()

图形大小：plt.figure(figsze=(20,8),dpi=80)

{数据}

python内置类型性能分析：

timei模块 

可以用来测试一小段python代码的执行速度

class timeit.Timer(stmt='pass',setup='pass',timer=<timer function>)

Timer：是测量小段代码执行速度的类

stmt：参数是要测试的代码语句

setup：参数是运行代码时需要的设置

timer：参数是一个定时函数，与平台有关

消耗时间大小：

O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)

数据结构与算法：

算法是一种独立的解决问题的方法和思想，语言并不重要，重要的是思想

算法的五大特性：

1.输入：算法具有0个或多个输入

2.输出：算法至少有1个或多个输出

3.有穷性：算法在有限的步骤之后就会自动结束而不会无限循环，并且每一个步骤可以在可接受的时间范围内

4.确定性：算法中的每一步都有确定性的含义，不会出现二义性

5.可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

数组的形状

shape即可查看数组的各个维度长度（输出按三维二维依次降低，块、行、个）

reshape方法可以重新设置行列，是有返回值的，而不改变本身

有返回值才会输出

结合shape和reshape可以做到在不清楚维度长度的情况下降维

flatten可以将数组展开变成一维

数组的计算

numpy数组对数字进行+*-/计算，是对全部单元进行计算

nan>>not a number 0/0

inf>>infinite x/0

数组对数组进行计算：

不同维度的数组进行计算至少有一个维度的长度相同

广播会在缺失或者长度为1的维度上进行（不同维度的计算本质上是广播）

广播原则：如果两个数组的后缘维度，即从末尾开始算起的维度轴长相符，或者某一方的长度为1，即广播jian'r

一维数组只有0轴，二维有0、1轴，三维有0、1、2轴

reshape(0,1,2)，shape输出(2,1,0)

CSV逗号分隔值文件

numpy的读取文件方法

unpack参数实现行列转置

transpose,T,swapaxes(1,0)方法实现行列转置

numpy的索引和切片

索引从0开始

2:取得连续多行，[[2,5,6]]多一个[]取得不连续的行

:,1取得单列

:,1:取得连续列

:,[]取得不连续列

取得行列交叉的内容

取得不相邻的点

mysql数据查询

条件查询：

比较条件: > < = != <>   跟在where后面

in 查询 指定一个数据容器

between 表示一个区间  1到10  还可以表示时间范围

null值的判断 如果是一个空值对象的话 用is判断

如果是空字符串的话，则使用 = 判断

排序 order by  【asc升序 desc降序】可以指定多个字段排序；

聚合函数：

count()

max()

min()

length()

sum()

avg()

round()

date()

substr()   left right

分组和分页

分组 group by

as 取别名

分组条件的筛选 where having

where 跟在from后面

having跟在group by后面

limit分页 select * from student limit start（起始位置) count(读取数量）

连接查询

内连接：inner join 两种表共同的数据

左连接：left join 参考左边的表为基准查询表，右边的表用null填充；

右连接 right join 参考右边的表为基准查询表，左边的表用null填充

子查询

1、标量查询 一行一列查询 单个值

2、列级子查询 一行多列 多个值

3、行级子查询 多行一列

4、表级子查询 多行多列【用来做数据源】

保存查询结果：

insert into 表名 select 查询来充当数据源；

union去重输出

union all 输出多次查询的结果；

Linux操作系统遵循posix。应用程序与内核的应用。