Python3 基础 点击 一 键 运行 代码 → 获 取 更多速查表 → 使 用说明书 [视 频 &图文 ] →

3. 列表
Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。
它具有很强的可读性，丰富的工具库支撑，是在数据科学和机器学习 AI 中最广泛应用的编程语言之一。 > a = 'is'
作者 | 韩信子 @ShowMeAI
> b = 'nice'
设计 | 南 乔 @ShowMeAI > my_list = ['my', 'list', a, b]
参考 | datacamp cheatsheet
> my_list2 = [[4, 5, 6, 7], [3, 4, 5, 6]]

选择列表元素
1. 变量与数据类型 2. 字符串
取元素
变量赋值 初始化字符串 > my_list[1] # 选择索引 1 对应的值
> x=5 > my_string = 'ShowMeAI-Is-Awesome' # 单引号 / 双引号 / 三引号都可以 > my_list[-3] # 选择倒数第 3 个索引对应的值
> x > my_string
5 'ShowMeAI-Is-Awesome' 切片
> my_list[1:3] # 选取索引 1 和 2 对应的值
S how mea i
# 选取索引 1 及之后对应的值
类型与类型转换 字符串运算
> my_list[1:]
> my_list[:3] # 选取索引 3 之前对应的值
> str() # 转为字符串 > my_string * 2 > my_list[:] # 复制列表
'5', '3.1415', 'True' 'ShowMeAI-Is-AwesomeShowMeAI-Is-Awesome'
子集列表的列表
> int() # 转为整数 > my_string + 'Innit' > my_list2[1][0] #my_list[list][itemOfList]
5, 3, 1 'ShowMeAI-Is-AwesomeInnit'
> my_list2[1][:2]

> float() # 转为浮点数 > 'm' in my_string

列表操作
5.0, 1.0 True

> bool() # 转为布尔值

字符串操作
> my_list + my_list
True, True, True ['my', 'list', 'is', 'nice', 'my', 'list', 'is', 'nice']

注意字符串的索引 index 从 0 开始 > my_list * 2

变量计算 > my_string[3] # 根据索引取字符 ['my', 'list', 'is', 'nice', 'my', 'list', 'is', 'nice']
> my_string[4:9] # 根据索引切片取子串
> x+2 # 加
列表方法
7

字符串方法
> x-2 # 减 > my_list.index(a) # 获取某值的索引
3 > my_string.upper() # 字符串字母全部大写 > my_list.count(a) # 统计某值出现的次数
> my_string.lower() # 字符串字母全部小写
> x*2 # 乘 > my_list.append('!') # 追加某值
10 > my_string.count('w') # 统计某字符出现的次数 > my_list.remove('!') # 移除某值

> x**2 # 幂 > my_string.replace('e', 'i') # 替换字符 > del(my_list[0:1]) # 移除某个数据切片

25 > my_string.strip() # 清除左右空格
> my_list.reverse() # 反转列表
> x%2 # 取余 > my_list.extend('!') # 添加某值
调用帮助 # 移除并返回某值
1 > my_list.pop(-1)
> my_list.insert(0, '!') # 插入某值
> x/float(2) # 除 > help(str) > my_list.sort() # 列表排序
2.5

Python3-1
 Python3 基础 点击 一 键 运行 代码 → 获 取 更多速查表 → 使 用说明书 [视 频 &图文 ] →

4. 初始化
安装 Python
导入库
> import numpy
> import numpy as np

导入指定功能

Python 首选开源数据科学平台 Anaconda 内置的免费 IDE 创建包含代码、可视图与文本的文档

> from math import pi

5.Numpy 数组 常用 Python 库 [ 本系列速查表包含的所有库 ]

Numpy 数组创建与操作 Numpy 是 Python 数据科学计算的核心库，提供了高 Matplotlib 是 Python 的二维绘图库，

> my_list = [1, 2, 3, 4] 性能多维数组对象及处理数组的工具。
用于生成符合出版质量或跨平台交互环境的
> my_array = np.array(my_list)
使用以下语句导入 Numpy 库：
> my_2darray = np.array([[1, 2, 3], [4, 5, 6]]) 各类图形。
> import numpy as np
> import matplotlib.pyplot as plt
选取 Numpy 数组的值
> my_array[1] # 选择索引 1 对应的值
2 SciPy 是基于 NumPy 创建的 Python 科学计算核心
S how mea i
Seaborn 是基于 matplotlib 开发的高阶
> my_array[0:2] # 选择索引 0 和 1 对应的值 库，提供了众多数学算法与函数。
array([1, 2]) Python 数据可视图库，用于绘制优雅、美观
> my_2darray[:, 0] #my_2darray[rows, columns] 的统计图形。
array([1, 4])
Pandas 是基于 Numpy 创建的 Python 库，为 使用下列别名导入该库：

Numpy 数组运算
Python 提供了易于使用的数据结构和数据分析工具。 > import matplotlib.pyplot as plt

使用以下语句导入 Pandas 库： > import seaborn as sns

> my_array > 3 > import pandas as pd
array([False, False, False, True], dtype=bool)
Bokeh 是 Python 的交互式可视图库，用
> my_array * 2
PySpark 是 Spark 的 PythonAPI，允许 Python 调 于生成在浏览器里显示的大规模数据集高
array([2, 4, 6, 8])
用 Spark 编程模型。 性能可视图。Bokeh 的中间层通用 bokeh.
> my_array + np.array([5, 6, 7, 8]) Spark SQL 是 Apache Spark 处理结构化数据的 plotting 界面主要为两个组件：数据与图示符。
array([6, 8, 10, 12])
模块。 > from bokeh.plotting import figure

Numpy 数组函数
> from bokeh.io import output_file, show

> my_array.shape # 获取数组形状

Scikit-learn 是开源的 Python 库，通过统一
> np.append(other_array) # 追加数据
> np.insert(my_array, 1, 5) # 插入数据 的界面实现机器学习、预处理、交叉验证及可视化算法。

> np.delete(my_array, [1]) # 删除数据

> np.mean(my_array) # 平均值 Keras 是强大、易用的深度学习库，基于 Theano

> np.median(my_array) # 中位数
> np.corrcoef(my_array, other_array) # 相关系数 和 TensorFlow 提供了高阶神经网络 API，用于开发和 扫码回复“速查表”

> np.std(my_array) # 标准差 评估深度学习模型。 下载最 新全套资料

Python3-2