joyfulpandas首页：http://inter.joyfulpandas.datawhale.club/Home.html
一、Python基础
1.列表推导式与条件赋值
在生成一个数字序列的时候，在Python中可以如下写出：
L = []
def my_func(x):
return 2*x
for i in range(5):
L.append(my_func(i))
L
[0, 2, 4, 6, 8]
事实上可以利用列表推导式进行写法上的简化：[* for i in *]。其中，第一个*为映射函数，其输入为后面i指代的内容，第二个*表示迭代的对象。
[my_func(i) for i in range(5)]
[0, 2, 4, 6, 8]
列表表达式还支持多层嵌套，如下面的例子中第一个for为外层循环，第二个为内层循环：
[m+'_'+n for m in ['a', 'b'] for n in ['c', 'd']]
['a_c', 'a_d', 'b_c', 'b_d']
除了列表推导式，另一个实用的算法糖是带有if选择的条件赋值，其形式为value = a if condition else b：
value = 'cat' if 2 > 1 else 'dog'
value
'cat'
等价于如下写法：
a, b = 'cat', 'dog'
condition = 2 > 1 # 此时为True
if condition:
value = a
else:
value = b
value
'cat'
下面举一个例子，截断列表中超过5的元素，即超过5的用5代替，小于5的保留原来的值
L = [1, 2, 3, 4, 5, 6 ,7]
[i if i <= 5 else 5 for i in L]
[1, 2, 3, 4, 5, 5, 5]
2.匿名函数与map方法
有一些函数的定义具有清晰简单的映射关系，例如上面的my_func函数，这时候可以用匿名函数的方法简洁地表示：
my_func = lambda x: 2*x
my_func(3)
6
multi_para_func = lambda a, b : a + b
multi_para_func(1, 2)
3
但上面的用法其实违背了“匿名”的含义，事实上它往往在无需多处调用的场合进行使用，例如上面列别推导式中的例子，用户不关心函数的名字，只关心这种映射关系：
[(lambda x:2*x)(i) for i in range(5)]
[0, 2, 4, 6, 8]
对于上述的这种列表推导式的匿名函数映射，Python中提供了map函数来完成，它返回的是一个map对象，需要通过list转为列表：
list(map(lambda x:2*x, range(5)))
[0, 2, 4, 6, 8]
对于多个输入值的函数映射，可以通过追加迭代对象实现：
list(map(lambda x, y : str(x)+'_'+y, range(5), list('abcde')))
['0_a', '1_b', '2_c', '3_d', '4_e']
3.zip对象与enumerate方法
zip函数能够把多个可迭代对象打包成一个元组构成的可迭代对象，它返回了一个zip对象，通过tuple, list可以得到相应的打包结果：
L1, L2, L3 = list('abc'), list('def'), list('hij')
list(zip(L1, L2, L3))
[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
tuple(zip(L1, L2, L3))
(('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j'))
往往在循环迭代的时候使用到zip函数：
for i, j, k in zip(L1, L2, L3):
print(i, j, k)
a d h
b e i
c f j
enumerate是一种特殊的打包，它可以在迭代时绑定迭代元素的遍历序号
L = list('abcd')
for index, value in enumerate(L):
print(index, value)
0 a
1 b
2 c
3 d
用zip对象也能够简单地实现这个功能：
for index, value in zip(range(len(L)), L):
print(index, value)
0 a
1 b
2 c
3 d
当需要对两个列表建立字典映射时，可以利用zip对象，但是dict(zip(L1, L2, L3))是错误的：
dict(zip(L1, L2))
{'a': 'd', 'b': 'e', 'c': 'f'}
既然有了压缩函数，那么Python也提供了*操作符和zip联合使用来进行解压操作：
zipped = list(zip(L1, L2, L3))
zipped
[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
list(zip(*zipped))
[('a', 'b', 'c'), ('d', 'e', 'f'), ('h', 'i', 'j')]
二、Numpy基础
1.np数组的构造
最一般的方法时通过array来构造：
import numpy as np
np.array([1, 2, 3])
array([1, 2, 3])
下面讨论一些特殊数组的生成方式:
【a】 等差序列：np.linspace, np.arange
np.linspace(1, 5, 11) # 起始、终止（包含）、样本个数
array([1. , 1.4, 1.8, 2.2, 2.6, 3. , 3.4, 3.8, 4.2, 4.6, 5. ])
np.arange(1, 5, 2) # 起始、终止（不包含）、补偿
array([1, 3])
【b】 特殊矩阵：zeros, eye, full, ones
np.zeros((2, 3)) # 传入元组表示各维度大小
array([[0., 0., 0.],
[0., 0., 0.]])
np.eye(3) # 3*3的单位矩阵
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
np.eye(3, k=1) # 偏移主对角线1个单位的伪单位矩阵
array([[0., 1., 0.],
[0., 0., 1.],
[0., 0., 0.]])
np.full((2, 3), 10) # 元组传入大小，10表示填充数值
array([[10, 10, 10],
[10, 10, 10]])
np.full((2, 3), [1, 2, 3]) # 每行填入相同的列表
array([[1, 2, 3],
[1, 2, 3]])
np.ones((2, 3)) # 元组传入大小
array([[1., 1., 1.],
[1., 1., 1.]])
【c】 随机矩阵：np.random
最常用的随机生成函数为rand,randn,randint,choice，它们分别表示0-1均匀分布随机数组、标准正态的随机数组、随机整数数组和随机列表抽样：
np.random.rand(3) # 生成服从0-1均匀分布的三个随机数
array([0.97861834, 0.79915856, 0.46147936])
np.random.rand(3, 3) # 注意这里传人的不是元组，每个维度大小分开输入
array([[0.78052918, 0.11827443, 0.63992102],
[0.14335329, 0.94466892, 0.52184832],
[0.41466194, 0.26455561, 0.77423369]])
对于服从区间a到b上的均匀分布可以如下生成：
a, b = 5, 15
(b - a) * np.random.rand(3) + a
array([ 9.56150332, 10.68433949, 5.187898 ])
一般的，可以选择已有的库函数：
np.random.uniform(5, 13, 3)
array([9.94108398, 9.89676578, 9.93547197])
randn生成了 N ( 0 , 1 ) N(0, 1) N(0,1)的标准正态分布：
np.random.randn(3)
array([0.33367433, 0.15494743, 0.37816252])
np.random.randn(3, 3)
array([[-0.88778575, -1.98079647, -0.34791215],
[ 0.15634897, 1.23029068, 1.20237985],
[-0.38732682, -0.30230275, -1.04855297]])
对于服从方差为 σ 2 \sigma^2 σ2均值为 μ \mu μ的一元正态分布可以如下生成：
sigma, mu = 2.5, 3 # sigma为标准差
mu + np.random.randn(3) * sigma
array([-0.55004484, -1.26567548, 7.87693849])
同样的，也可以选择从已有函数生成：
np.random.normal(3, 2.5, (3, 3))
array([[ 1.72586955, 1.90481425, -0.1319884 ],
[ 4.94372589, -1.03474462, 2.4681493 ],
[ 0.7613336 , 3.96725624, 1.72298716]])
randint可以指定生成随机整数的最小值最大值（不包含）和维度大小：
low, high, size = 5, 15, (2, 2) # 生成5到14的随机整数
np.random.randint(low, high, size)
array([[10, 5],
[ 6, 7]])
choice可以从给定的列表中，以一定概率和方式抽取结果，当不指定概率时为均匀采样，默认抽取方式为又放回抽样：
my_list = ['a', 'b', 'c', 'd']
np.random.choice(my_list, 2, replace=False, p = [0.1, 0.7, 0.1, 0.1])
array(['b', 'd'], dtype='<U1')
np.random.choice(my_list, (3, 3))
array([['d', 'c', 'c'],
['b', 'a', 'd'],
['b', 'b', 'd']], dtype='<U1')
当返回的元素个数与原列表相同时，不放回抽样等价于使用permutation函数，即打散原列表：
np.random.permutation(my_list)
array(['b', 'd', 'c', 'a'], dtype='<U1')
最后，需要提到的是随机种子，它能秃顶随机数的输出结果：
np.random.seed(0)
np.random.rand()
0.5488135039273248
np.random.seed(0)
np.random.rand()
0.5488135039273248
2.np数组的变形与合并
【a】转置：T
np.zeros((2, 3)).T
array([[0., 0.],
[0., 0.],
[0., 0.]])
【b】合并操作：r_, c_
对于二维数组而言，r_和c_分别表示上下合并和左右合并：
np.r_[np.zeros((2, 3)), np.zeros((2, 3))]
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
np.c_[np.zeros((2, 3)), np.zeros((2, 3))]
array([[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.]])
一维数组和二维数组进行合并时，应当把其视作列向量，在长度匹配的情况下之恶能够使用左右合并的c_操作：
try:
np.r_[np.array([0, 0]), np.zeros((2, 1))]
except Exception as e:
Err_Msg = e
Err_Msg
ValueError('all the input arrays must have same number of dimensions')
np.r_[np.array([0, 0]), np.zeros(2)]
array([0., 0., 0., 0.])
np.c_[np.array([0, 0]), np.zeros((2, 3))]
array([[0., 0., 0., 0.],
[0., 0., 0., 0.]])
【c】维度变换：reshape
reshape能够帮助用户把原数组按照新的维度重新排列。在使用时有两种模式，分别为C模式和F模式，分别以逐行和逐列的顺序进行填充读取。
target = np.arange(8).reshape(2, 4)
target
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
target.reshape((4, 2), order='C') # 按照行读取和填充
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
target.reshape((4, 2), order='F') # 按照列读取和填充
array([[0, 2],
[4, 6],
[1, 3],
[5, 7]])
特别地，由于被调用数组的大小时确定的，reshape允许有一个维度存在空缺，此时只需填充-1即可：
target.reshape((4, -1))
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
下面将n*1大小的数组转为1维数组的操作时经常使用的
target = np.ones((3, 1))
target
array([[1.],
[1.],
[1.]])
target.reshape(-1)
array([1., 1., 1.])
3.数组的切片与索引
数组的切片模式支持使用slice类型的start