数据分析与AI(一) 安装anaconda/jupyter操作方式/初识numpy库

一、Anaconda安装步骤:

• 打开 Anaconda3-5.1.0-Windows-x86_64.exe
  
• 选择next
  
• 选择 I Agree
  
• just for me(只为自己), 或者 All users(所有人)
  
• 选择安装路径
• 安装完成以后进入如下界面:
  
• 这是一个代码调试工具,可以不安装

安装完成如下:

- 可以发现,这里面已经安装了很多包了,并且已经安装了一个新的python3.6
- 许多数据分析与AI用的库已经安装了:
- 安装以后你可以在你的开始菜单里面发现快捷方式.

二、jupyter基础操作

1 Jupyter Notebook 的快捷键

Jupyter Notebook 有两种键盘输入模式。编辑模式，允许你往单元中键入代码或文本；这时的单元框线是绿色的。命令模式，键盘输入运行程序命令；这时的单元框线是灰色。

1.1 命令模式 (按键 Esc 开启)

• Enter : 转入编辑模式
• Shift-Enter : 运行本单元，选中下个单元
• Ctrl-Enter : 运行本单元
• Alt-Enter : 运行本单元，在其下插入新单元
• Y : 单元转入代码状态
• M :单元转入markdown状态
• R : 单元转入raw状态
• 1 : 设定 1 级标题
• 2 : 设定 2 级标题
• 3 : 设定 3 级标题
• 4 : 设定 4 级标题
• 5 : 设定 5 级标题
• 6 : 设定 6 级标题
• Up : 选中上方单元
• K : 选中上方单元
• Down : 选中下方单元
• J : 选中下方单元
• Shift-K : 扩大选中上方单元
• Shift-J : 扩大选中下方单元
• A : 在上方插入新单元
• B : 在下方插入新单元
• X : 剪切选中的单元
• C : 复制选中的单元
• Shift-V : 粘贴到上方单元
• V : 粘贴到下方单元
• Z : 恢复删除的最后一个单元
• D,D : 删除选中的单元
• Shift-M : 合并选中的单元
• Ctrl-S : 文件存盘
• S : 文件存盘
• L : 转换行号
• O : 转换输出
• Shift-O : 转换输出滚动
• Esc : 关闭页面
• Q : 关闭页面
• H : 显示快捷键帮助
• I,I : 中断Notebook内核
• 0,0 : 重启Notebook内核
• Shift : 忽略
• Shift-Space : 向上滚动
• Space : 向下滚动

1.2 编辑模式 ( Enter 键启动)

• Tab : 代码补全或缩进
• Shift-Tab : 提示
• Ctrl-] : 缩进
• Ctrl-[ : 解除缩进
• Ctrl-A : 全选
• Ctrl-Z : 复原
• Ctrl-Shift-Z : 再做
• Ctrl-Y : 再做
• Ctrl-Home : 跳到单元开头
• Ctrl-Up : 跳到单元开头
• Ctrl-End : 跳到单元末尾
• Ctrl-Down : 跳到单元末尾
• Ctrl-Left : 跳到左边一个字首
• Ctrl-Right : 跳到右边一个字首
• Ctrl-Backspace : 删除前面一个字
• Ctrl-Delete : 删除后面一个字
• Esc : 进入命令模式
• Ctrl-M : 进入命令模式
• Shift-Enter : 运行本单元，选中下一单元
• Ctrl-Enter : 运行本单元
• Alt-Enter : 运行本单元，在下面插入一单元
• Ctrl-Shift– : 分割单元
• Ctrl-Shift-Subtract : 分割单元
• Ctrl-S : 文件存盘
• Shift : 忽略
• Up : 光标上移或转入上一单元
• Down :光标下移或转入下一单元

2. jupyter中简单的魔法指令

1. %srun 运行外部的python文件

– 建立一个文件123.py

def main():
    print('你好, 成都')

if __main__ == '__name__':
    main()

2. %whos 查看声明了那些变量和函数

3. ls查看当前目录下的子文件和子目录

4. pwd查看当前的工作路径

初始numpy

import numpy as np
# matplotlib主要用来画图的, 也可以读取图片
import matplotlib.pyplot as plt

# 图片, 音频都叫流(数据流)
# 读取图片
cat = plt.imread('cat.jph')
# 获取cat图片的数组形状
cat.shape

# 查看图片, 如下:
plt.imshow(cat)

# RGB 255(白色) 0(黑色)
type(cat)
# 结果为: numpy.ndarray

# 调用numpy库的random.randint方法生成在半开半闭区间[low,high)上离散均匀分布的整数值;若high=None，则取值区间变为[0,low) 
im = np.random.randint(0,255,size=(456,730,3))

numpy是什么?

• 即为numeric python 数字化的python
• numpy中最重要的一个形式叫 (ndarray n表示的是n个) (d dimension 维度 ) (array 数组)
  Python 本身支持的数值类型有 int（整型，python2 中存在 long 长整型）、float（浮点型）、bool（布尔型） 和 complex（复数型）。

而 Numpy 支持比 Python 本身更为丰富的数值类型，细分如下：

1. bool：布尔类型，1 个字节，值为 True 或 False。

2. int：整数类型，通常为 int64 或 int32 。

3. intc：与 C 里的 int 相同，通常为 int32 或 int64。

4. intp：用于索引，通常为 int32 或 int64。

5. int8：字节（从 -128 到 127）

   （tinyint 1字节 -2 ^7 ~ 2^7-1 (-128~127)）

6. int16：整数（从 -32768 到 32767）

   (smallint 2字节 -2 ^15 ~ 2^15-1 (-32768~32765))

7. int32：整数（从 -2147483648 到 2147483647）

   （int 4字节 -2 ^31~ 2^31-1 (-2147483648~2147483647)）

8. int64：整数（从 -9223372036854775808 到 9223372036854775807）

   （bigint 8字节 -2 ^63 ~ 2^63-1）

9. uint8：无符号整数（从 0 到 255） unsigned

10. uint16：无符号整数（从 0 到 65535）

11. uint32：无符号整数（从 0 到 4294967295）

12. uint64：无符号整数（从 0 到 18446744073709551615）

13. float：float64 的简写。

14. float16：半精度浮点，5 位指数，10 位尾数

15. float32：单精度浮点，8 位指数，23 位尾数

16. float64：双精度浮点，11 位指数，52 位尾数

17. complex：complex128 的简写。

18. complex64：复数，由两个 32 位浮点表示。

19. complex128：复数，由两个 64 位浮点表示。

在 Numpy 中，上面提到的这些数值类型都被归于 dtype（data-type） 对象的实例。

我们可以用 numpy.dtype(object, align, copy) 来指定数值类型。而在数组里面，可以用 dtype= 参数。

2.1 Numpy 中，ndarray 类具有六个参数，它们分别为：

>>shape：数组的形状。

>>dtype：数据类型。

buffer：对象暴露缓冲区接口。

offset：数组数据的偏移量。

>>strides：数据步长。

order：{'C'，'F'}，以行或列为主排列顺序。

下面，我们来了解创建 ndarray 的一些方法。在 numpy 中，我们主要通过以下 5 种途径创建数组，它们分别是：

nd1 = np.ndarray(shape=(5,4,3), dtype=np.int64)
type(nd1)
# 结果为: numpy.ndarray

2.2 从列表或元组转换

在 numpy 中，我们使用 numpy.array 将列表或元组转换为 ndarray 数组。其方法为：

numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0) 

其中，参数：

• object：列表、元组等。
• dtype：数据类型。如果未给出，则类型为被保存对象所需的最小类型。
• copy：布尔来写，默认 True，表示复制对象。

下面，通过列表创建一个 ndarray 数组：

t = (1,2,3)
l = list('123456')
nd2=np.array(l)
type(nd2)
# 结果为: numpy.ndarray
nd2=np.array(t)
type(nd2)
# 结果为: numpy.ndarray

2.3 arange 方法创建

除了直接使用 array 方法创建 ndarray，在 numpy 中还有一些方法可以创建一些有规律性的多维数。首先，我们来看一看 arange()。arange() 的功能是在给定区间内创建一系列均匀间隔的值。方法如下：

numpy.arange(start, stop, step, dtype=None)  

你需要先设置值所在的区间，这里为 `[开始， 停止），你应该能发现这是一个半开半闭区间。然后，在设置 step 步长用于设置值之间的间隔。最后的可选参数 dtype可以设置返回ndarray 的值类型。

举个例子：

nd3 = np.arange(0,150,step=5, dtype=np.float32)
display(nd3.shape, nd3.dtype)
# 结果为: (30,) dtype('float32')
nd3
# 结果为:
array([  0.,   5.,  10.,  15.,  20.,  25.,  30.,  35.,  40.,  45.,  50.,
        55.,  60.,  65.,  70.,  75.,  80.,  85.,  90.,  95., 100., 105.,
       110., 115., 120., 125., 130., 135., 140., 145.], dtype=float32)

2.3 linspace 方法创建

linspace方法也可以像arange方法一样，创建数值有规律的数组。inspace用于在指定的区间内返回间隔均匀的值。其方法如下：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 

1. start：序列的起始值。

   • stop：序列的结束值。
   • num：生成的样本数。默认值为50。
   • endpoint：布尔值，如果为真，则最后一个样本包含在序列内。
   • retstep：布尔值，如果为真，返回间距。
   • dtype：数组的类型。

举个例子：

#全闭区间
nd4=np.linspace(0,150,num=151)
nd4.shape
# 结果为: (151,)

#不适用dtype属性改变默认的数据类型
#可以使用numpyd.astype(np.float32)
nd4.astype(np.int)
# 结果为: 
array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,
        13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,
        26,  27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,
        39,  40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,
        52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,
        65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,
        78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
        91,  92,  93,  94,  95,  96,  97,  98,  99, 100, 101, 102, 103,
       104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116,
       117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129,
       130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142,
       143, 144, 145, 146, 147, 148, 149, 150])

2.5.1 ones 方法创建

numpy.ones 用于快速创建数值全部为 1 的多维数组。其方法如下：

numpy.ones(shape, dtype=None, order='C')

其中：

shape：用于指定数组形状，例如（1， 2）或 3。

dtype：数据类型。

order：{'C'，'F'}，按行或列方式储存数组。

举个例子：

nd5=np.ones(shape=(456,730,3))
nd5.dtype
# 结果为: dtype('float64')
plt.imshow(nd5)
# 结果如下:

2.5.2 zeros 方法创建

zeros 方法和上面的 ones 方法非常相似，不同的地方在于，这里全部填充为 0。zeros 方法和 ones 是一致的。

numpy.zeros(shape, dtype=None, order='C')

其中：

shape：用于指定数组形状，例如（1， 2）或3。

dtype：数据类型。

order：{'C'，'F'}，按行或列方式储存数组。

举个例子：

nd6 = np.zeros(shape=(456,730,3))
nd6.dtype
# 结果为:dtype('float64')
#jpg  rgb   (0-255)
#png   rgb  (0-1)
plt.imshow(nd6)

2.6.1full方法创建

numpy.full用于创建一个自定义形状的数组，可以自己指定一个值，该值填满整个矩阵。

numpy.full(shape,fill_value=num)

结果：

nd7 = np.full(shape=(456,730,3),fill_value=125.0)
nd7.dtype
# 结果是:dtype('float64')
plt.imshow(nd7)
# 结果如下:

2.6.2eye 方法创建

numpy.eye 用于创建一个二维数组，其特点是k 对角线上的值为 1，其余值全部为0。方法如下：

numpy.eye(N, M=None, k=0, dtype=<type 'float'>)  
#k表示从下标第几个开始

其中：

• N：输出数组的行数。
• M：输出数组的列数。
• k：对角线索引：0（默认）是指主对角线，正值是指上对角线，负值是指下对角线。

举个例子：

nd8 = np.eye(5,5)
nd8
结果为:
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])
plt.imshow(nd8)