参考视频：
https://www.bilibili.com/video/BV1HJ411j7NG?p=2
首先要安装Anaconda，安装好后配置环境变量，参考：
https://blog.csdn.net/qq_40733911/article/details/87298373
安装好并配置环境变量后，打开jupyter，一旦点击运行，jupyter就会退出，显示错误：
最后终于发现是电脑用户名是中文的问题，然后将电脑用户名修改为英文，根据文章：
https://blog.csdn.net/qq_41137110/article/details/102644516?tdsourcetag=s_pcqq_aiomsg
修改完之后，打开系统的环境变量，将原来的中文名也修改为英文。
之后就可以正常使用jupyter了。
使用jupyter打开某路径下的文件，比如使用jupyter打开 E:\
▲jupyter的使用：
快捷键：
几个常用的快捷键：
shift + enter ：运行本行
点击输入框前面的部分：
a : 在本行上面增加一行
b：在本行下面增加一行
dd：删除本行（比如本行是一个变量，可以在页面上删除本行，但该变量不会删除，还是在内存中）
数据分析常用库：
python没有提供数组功能，而numpy的数据结构是数组。数组的运算速度比列表等数据结构运算速度快很多。
numpy简单介绍：
接下来创建一个二维数组：
注意，array中通常是一个列表。二维数组使用一个 [ ] 括起来使用的。
pandas简单介绍：
pandas 可以读取 csv、txt、excel中的数据。
如果桌面有这样一个文件：
则可以这样来访问：
注意，需要使用两个 \\ ，第一个 \ 代表转义字符，或者直接：
也是与加转义字符 \ 一样的效果。
一、Numpy基本用法
包括：数据的创建、数组的属性、索引和切片
▲数组创建
如上图所示，其中，array（）的参数是数据结构，可以是列表、元组等，一般我们写列表。
我们还可以规定数组中的数据类型：
创建二维数组：
array（）的参数是一个嵌套的列表。
上述创建数组的方法可能会比较麻烦，使用这一种方法来创建数组：
注意，python是左闭右开的，所以 arange(0,10) 是从0到9.
linespace（）函数用来创建一个等差数列，上图表示创建一个从1开始到10结束，一共有5个数的等差数列。
该函数还有一个可选参数endpoint，表示是否取到最后一个数：
如上图所示，第一行代码要求创建从1开始到10结束，一共10个数，但是不取到最后一个数10的等差数列。如果不取到最后一个数，本质上是先创建一个 11个数的等差数列，然后去掉最后一个数。
创建一个全为0的数组：
如上图所示，zeros（）函数中若参数为[4,5],表示创建一个四行五列的，值全为0的二维数组，如果参数为 6 ，表示创建一个有6个元素的值全为0的数组。
创建一个单位矩阵：
如上图所示，创建一个六阶的单位矩阵。
创建一个对角矩阵：
上图表示创建一个对角线为4,5,8的三阶对角矩阵。
注意，矩阵的加1是指矩阵内所有元素的值都加1，如下图所示：
这和列表的加1不同，列表不能直接加1，如下图所示：
列表直接加1就会报错，列表加法只能采用迭代的方法：
但是如果是数组，却可以直接加1：
而且数组是同时运算，而列表时迭代运算，所以数组效率比列表一般要高。
▲数组的属性特征：
arr.shape 用来查看数组的形状（例如二维数组有几行几列）
arr.ndim 用来查看数组的维度
arr.dtype 用来查看数组中元素的类型
arr.size用来查看数组的长度
如下图所示：
▲索引和切片
普通索引：
将上图看做二维数组，上图即数组的索引，是从0开始的，有三种索引方法。
上图所示，python是左闭右开的，所以使用 arr[3:5] 是取不到第六位（索引从0开始）的，只能取第四、五两位。
取数组的倒序：
取数组的最后一位：
数组元素的修改：
如图，将数组arr赋值给arr_change，若arr_change 改变，arr也改变，这点也跟列表一样。列表解决这个的方法是使用copy（）函数（浅拷贝），数组中解决这个的方法也是使用copy（）函数。
二维数组：
创建一个二维数组：
如果访问时对行数不作限制，对列数做限制：
上图表示访问时对行数不作限制，访问第3、4两列
同样的，对列数不作限制，访问第2、3行：
或者可以直接：
如果要取出二维数组中所有大于3.5的元素，可以这样写：
取上图相反的情况：
其他操作：
花式索引：
访问第三行以及第二行，并且先访问输出第三行，再访问输出第二行：
输出第四行第一列，第三行第二列的元素：
对行不作限制，先输出第四列，再输出第二列的内容：
花式索引可以指定行、列的顺序，同时和普通索引区别：
花式索引取出的是二维的数组，而普通索引取出的可能会是一维数组：
分别看一下它们的维度：
还可以使用 np.ix 来返回行列数不同的二维数组：
如果要使用花式索引返回该结果，不能这样：
应该使用如下方法：
上图意思是先取出二维数组的第1行和最后一行；然后再对行不做限制，取出二维数组的第1、2、4列。
二、Numpy高级用法：
▲数组形状改变
1）改变数组形状 reshape() 、resize() 、arr.shape = (x,y)
改变数组形状使用reshape（）方法，但是不会改变原数组，只会返回一个新的数组
如上图所示，通过一个四行五列的二维数组返回为10行2列，原数组arr仍然是4行5列。
如果要直接改变原数组，可以使用 resize（）方法：
或者 使用 arr.shape = (x,y) 的方式：
2）数组降维
使用 ravel() 方法可以给数组降维，但是不会改变原数组，默认是按照横向来降维一维数组
还可以加上参数 order = ‘F‘,按照纵向将二维数组降为一维：
arr.flatten() 与ravel()的效果一致。
使用 reshape 方法也可以返回一个展平的数组，即返回一个降维的数组：
在reshape（）方法中，只要给定了一个参数，另一个参数就可以自动确定了，所以另一个参数写 -1 就可以。
如果reshape（）的参数只有一个 -1 ，那么功能就和 flatten（）和 ravel（）一致了。
flatten（）、ravel（）以及 reshape（-1）三个方法的区别为：
如果更改展平后数组的元素(即更改返回的结果)，那么更改 flatten（）展平后的数组，原数组不会受到影响。
但是更改 ravel（）以及reshape（-1）展平后的数组，原数组会受到影响。
但是注意，仅使用三个函数展平数组，是不会更改原数组的。
3）将多个数组合并为一个更大的数组
现在使用 np.hstack（）函数将这两个二维数组（3行4列 以及 3行5列）横向合并为一个3行9列的二维数组：
使用 np.vstack（）将arr1（3行4列）以及 arr3（4行4列）纵向合并为1个 7行4列的二维数组：
还可以使用 np.concatenate()函数来合并数组，有两个参数，第一个参数是一个元组，代表要合并的数组；第二个参数是 axis，当axis = 0 时，表示沿着行的方向进行操作（纵向合并）；当axis = 1 时，表示沿着列的方向进行操作（横向合并）。
使用 np.tile() 来进行复制扩展二维数组。有两个参数，第一个参数是原数组，第二个参数是复制的倍数。该操作不会改变原数组。
三维数组：
▲数组的通用函数和广播机制
▲python广播运算机制:
如上图所示，两个同型二维数组相加，正常相加。
但是，如果是不同型的数组相加，也可以相加，如下图所示：
这是因为python会使用广播机制：
注意，补齐并不是补0.
列补齐方式：
行补齐方式：
如果两个不同型数组相加时，如果能够行、列补齐则补齐后相加，否则会报错。
▲通用函数运算
np.add（）函数：
np.add（）函数也会使用广播机制。add（）函数只能同时支持两个数组相加。
np.subtract（）：
np.multiply（）：
np.power（）：对数组求幂（数组中的每个元素都求幂）
np.unique（）：去重复
np.in1d（a,b）:分别判断数组a中的每个元素是否在数组b中(注意函数中是数字1不是字母 l )
np.intersect1d(a,b)：返回a，b交集，同样函数名中是数字 1 不是字母 l
np.equal(a,b) 和 == ：比较运算：（不同型数组比较时会执行广播机制）
np.greater(a,b) 与 > :比较大小
any（）：只要有一个返回True 就返回 True
all（）：所有都返回True时才返回True
numpy中的空值none 是 np.nan,对空值进行判断的函数 是 np.isnan()函数：
在数据分析时，能用numpy函数就用numpy函数，因为效率比较高。