当前位置：首页 > wzjs >正文

企业网站维护服务北京seo外包靠谱

wzjs 2025/8/18 12:48:05

企业网站维护服务,北京seo外包靠谱,阿里云服务器上的网站怎么做修改,云服务器怎么发布网站目录 1.pandas(pd) 1.1数据导入与导出 1.2数据结构创建 1.3数据查看与检查 1.4数据选取与过滤 1.5数据清洗与预处理 1.6数据处理与转换 1.7数据统计与分析 1.8高级功能 2.numpy(np) 2.1数据结构与数组创建 2.2数组属性与操作 2.3数学运算与统计 2.4线性代数（np.lina…

1.pandas(pd)

1.1数据导入与导出

1.2数据结构创建

1.3数据查看与检查

1.4数据选取与过滤

1.5数据清洗与预处理

1.6数据处理与转换

1.7数据统计与分析

1.8高级功能

2.numpy(np)

2.1数据结构与数组创建

2.2数组属性与操作

2.3数学运算与统计

2.4线性代数（np.linalg模块）

2.5随机数生成（np.random模块）

2.6索引与切片

2.7数据类型与转换

2.8文件与I/O操作

3.matplotlib(plt)

3.1核心模块与对象

3.2子图与布局控制

3.3样式与高级配置

3.4三维与高级绘图

3.5数据处理与集成

3.6文件与输出

3.7动画与交互

4.seaborn(sns)

4.1全局样式与主题配置

4.2数据关系可视化

4.3分类数据可视化

4.4分布可视化

4.5矩阵与网格可视化

4.6高级统计与分面网格

4.7其他实用工具

5.sklearn

5.1模型API（核心算法）

5.2数据预处理（sklearn.preprocessing）

5.3模型评估（sklearn.metrics）

5.4交叉验证与数据集划分（sklearn.model_selection）

5.5其他实用工具

本文包括机器学习领域常用第三方库的常用API，先做汇总，没有代码演示

1.pandas(pd)

import pandas as pd

1.1数据导入与导出

pd.read_csv(): 从CSV文件导入数据，支持自定义分隔符、编码、缺失值标记等。
pd.read_excel(): 读取Excel文件，可指定工作表名称或索引。
pd.read_sql(): 从SQL数据库加载数据，需传入查询语句和数据库连接对象。
pd.read_json(): 解析JSON格式数据，支持文件路径或JSON字符串。

df = pd.DataFrame()

df.to_csv(): 导出DataFrame至CSV文件，支持压缩格式和编码设置。
df.to_excel(): 写入Excel文件，可指定工作表名称。

1.2数据结构创建

pd.DataFrame(): 从字典、列表或NumPy数组创建二维表格。{pd.DataFrame(columns=)}
pd.Series(): 创建一维数据序列，支持自定义索引。
pd.date_range(): 生成时间序列索引，常用于时间序列数据分析。

1.3数据查看与检查

df.head(n) / df.tail(n): 查看数据的前/后n行。
df.shape: 获取数据维度（行数、列数）。
df.info(): 显示数据类型、非空值统计及内存占用。
df.describe(): 统计数值型列的均值、标准差、分位数等。{df.describe().T}
s.value_counts(): 统计Series中唯一值的频次。

1.4数据选取与过滤

df[col]: 按列名提取单列，返回Series 。
df.loc[] / df.iloc[]: 按标签(loc)或位置索引(iloc)选取行/列，支持布尔索引。
df.query(): 使用字符串表达式筛选数据（如df.query("age > 30")）。
df.filter(): 按列名或正则表达式筛选列。

1.5数据清洗与预处理

df.dropna(): 删除含缺失值的行或列，可设置阈值。
df.drop('columns_name',axis=1,replace=True/False): 删除df中指定的列
df.drop(df[df['columns_name'] > 5].index,axis=0,replace=True/False): 删除符合指定条件下的行index - axis=0
df.fillna(value): 用指定值或插值方法填充缺失值。
df.rename(): 重命名列名或索引，支持字典映射或函数批量修改。
df.replace(): 替换特定值（如将1替换为'one'）。
pd.get_dummies(): 对分类变量进行独热编码。
s.astype(): 转换列数据类型（如字符串转数值）。

1.6数据处理与转换

df.sort_values(): 按指定列排序，支持升序/降序及多列排序。
df.groupby(): 按列分组，支持聚合操作（如sum()、mean()）。
df.pivot_table(): 创建透视表，支持多维度聚合与自定义函数。
df.apply(): 对行或列应用自定义函数（如标准化处理）。
pd.concat(axis=0/1): 沿轴合并多个DataFrame，支持纵向或横向拼接。
df.join() / pd.merge(): 按列关联多个数据集，支持内连接、左连接等。

1.7数据统计与分析

df.mean() / df.median(): 计算均值、中位数。
df.corr(): 计算列间相关系数矩阵，用于特征相关性分析。
df.std() / df.var(): 计算标准差和方差。
df.cumsum() / df.cummax(): 计算累计统计量。
df.rolling(): 滑动窗口计算（如移动平均）。

1.8高级功能

pd.api.types.infer_dtype(): 推断数据类型（如检查是否为分类数据）。
pd.cut() / pd.qcut(): 分箱操作，将连续变量离散化。
df.sample(): 随机抽样，支持按比例或固定数量。
df.memory_usage(): 查看内存占用，优化存储效率。

2.numpy(np)

2.1数据结构与数组创建

np.array(): 将列表/元组转换为ndarray对象，支持指定数据类型dtype 。
np.arange(): 生成等差序列数组，类似Python的range()但返回ndarray 。
np.zeros() / np.ones(): 创建全0或全1数组，可指定形状和数据类型。
np.empty(): 创建未初始化的数组（内容随机）。
np.full(): 创建填充指定值的数组。
np.linspace() / np.logspace(): 生成线性或对数间隔的等长序列。
np.identity() / np.eye(): 创建单位矩阵或对角线矩阵。
np.random.rand() / np.random.randn(): 生成均匀分布或标准正态分布随机数。

2.2数组属性与操作

ndarray.shape: 获取数组维度信息（如(3,4)表示3行4列）。
ndarray.dtype: 查看数组元素的数据类型（如int32, float64）。
ndarray.size: 数组元素总数（行数×列数）。
ndarray.reshape(): 改变数组形状（不修改原始数据）。
ndarray.resize(): 就地修改数组形状。
ndarray.flatten(): 将多维数组展开为一维。
ndarray.T: 转置数组（行列互换）。
np.concatenate(): 沿指定轴合并多个数组。

2.3数学运算与统计

np.add() / np.subtract(): 逐元素加减运算，支持广播机制。
np.multiply() / np.divide(): 逐元素乘除运算。
np.dot() / np.matmul(): 矩阵乘法（后者支持高维数组）。
np.sum() / np.mean(): 计算总和或均值（可指定轴）。
np.std() / np.var(): 计算标准差或方差。
np.max() / np.min(): 返回最大值或最小值。
np.argmax() / np.argmin(): 返回极值的索引。
np.cumsum() / np.cumprod(): 计算累积和或累积积。

2.4线性代数（np.linalg模块）

np.linalg.inv(): 计算矩阵的逆。
np.linalg.det(): 计算矩阵行列式。
np.linalg.eig(): 计算特征值和特征向量。
np.linalg.svd(): 奇异值分解。
np.linalg.solve(): 解线性方程组Ax = B 。
np.linalg.norm(): 计算矩阵或向量的范数。

2.5随机数生成（np.random模块）

np.random.randint(): 生成指定范围内的随机整数。
np.random.shuffle(): 打乱数组顺序（就地修改）。
np.random.permutation(): 返回打乱后的数组副本。
np.random.normal(): 生成正态分布随机数。
np.random.uniform(): 生成均匀分布随机数。
np.random.seed(): 设置随机数生成种子（保证可复现性）。

2.6索引与切片

布尔索引: 通过条件筛选元素（如arr[arr > 5]）。
花式索引（Fancy Indexing）: 使用整数数组或布尔数组索引。
多维切片: 使用逗号分隔维度（如arr[1:3, 2:4]）。

2.7数据类型与转换

ndarray.astype(): 转换数组数据类型（如float转int）。
np.where(): 根据条件返回新数组（类似三元表达式）。
np.isnan() / np.isinf(): 检测缺失值或无穷值。
np.unique(): 返回数组的唯一值并排序。

2.8文件与I/O操作

np.loadtxt() / np.savetxt(): 读写文本文件（如CSV）。
np.load() / np.save(): 读写二进制文件（.npy格式）。
np.savez(): 保存多个数组至压缩文件（.npz格式）。

3.matplotlib(plt)

3.1核心模块与对象

matplotlib.pyplot (隐式API)

import matplotlib.pyplot as plt

plt.plot(): 绘制折线图，支持多维数据与样式参数（如linestyle, color）

plt.scatter(): 绘制散点图，可设置点大小（s）、颜色映射（cmap）

plt.bar() / plt.barh(): 绘制垂直/水平条形图，支持分组与堆叠

plt.hist(): 绘制直方图，用于数据分布分析

plt.boxplot(x: 输入数据（一维数组或列表,labels: 箱线图的标签,notch: 是否在箱体上显示缺口（表示中位数的置信区间）,vert: 是否垂直显示（True为垂直，False为水平）)：绘制箱线图，用于了解数据的集中趋势、分散程度、异常值及分布形态，特别适用于多组数据的比较与探索性数据分析

plt.imshow() 或 sns.heatmap()：绘制热力图

plt.imshow(): 显示图像或二维数组，常用于热力图与矩阵可视化

plt.xlabel() / plt.ylabel(): 设置坐标轴标签

plt.title() / plt.legend(): 添加标题和图例

面向对象API（显式）

Figure类: 代表整个画布，控制全局属性（如figsize, dpi）

Axes类: 坐标系对象，包含绘图方法（如ax.plot(), ax.scatter()）及坐标轴控制

SubplotSpec与GridSpec: 定义子图布局，支持复杂网格划分

3.2子图与布局控制

plt.subplots(): 创建多个子图，返回Figure和Axes对象数组，用于批量绘图
plt.subplot(): 按行列索引创建单个子图（如plt.subplot(2,2,1)）
fig.add_subplot(): 显式添加子图到指定位置
GridSpec模块: 自定义子图布局（如跨行列合并）

3.3样式与高级配置

全局样式

plt.style.use(): 应用预定义主题（如'ggplot', 'seaborn'）

rcParams配置: 修改默认参数（如字体、颜色循环）

# 设置全局字体为支持中文的字体（如SimHei）
plt.rcParams['font.family'] = 'sans-serif'  # 字体族
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定具体字

颜色与标记

plt.cm模块: 提供颜色映射（如viridis, coolwarm）

marker参数: 设置数据点标记样式（如'o', '*'）

注释与标注

ax.annotate(): 添加箭头注释

ax.text(): 在指定位置添加文本