1.Python速成
1.1基本数据类型和赋值运算
字符串
#字符串
data = 'Hello world!'
print(data[0])
print(data[1:5])
print(len(data))
print(data)空值
在Python中，每一种数据类型都是对象，空值是Python中的一个特殊值，用None表示，表示该值是一个空对象。可以将None赋值给任何变量，也可以将任何变量赋值给一个None值的对象。
a=None
b=a
print(a)
print(b)1.2复杂数据类型
Python中有三种数据类型经常被用到，且非常有用。分别为元组，列表和字典。
元组是一个只读的集合类型，初始化后，元组的元素不能重新赋值。
#元组
a=(1,2,3)
print(a)
print(a[1])列表与元组类似，只是列表通过中括号定义，而且列表的元素可以重新赋值。对列表增加列表项使用列表的append()函数。
#列表
a=[1,2,3]
print(a)
a.append(4)
print(a)
a[2]=5
print(a)
for i in a:
print(i)字典是另一种可变容器模型，且可存储任意类型的对象。字典的每个键值对(key,value)用冒号(:)分隔，每个键值对之间用逗号(,)分隔，整个字典包括在花括号({})中。
#字典
mydict['a']=523
print('A value: %d' % mydict['a'])
print('keys: %s' % mydict.keys())
print('values: %s' % mydict.values())
for key in mydict:
print(mydict[key])删除字典中的全部元素，使用字典自身的clear()方法，若删除字典特定的key元素，用pop(key)方法
mydict.pop('a')
print(mydict)
mydict.clear()
print(mydict) 函数是组织好的，可重复使用的，用来实现单一或相关联功能的代码段。函数能提高应用的模块性和代码的重复利用率。自定义函数需要遵循以下几个简单的规则：
1.函数代码块以def关键词开头，后接函数标识符名称和圆括号（）。
2.任何传入参数和自变量必须放在圆括号中间，圆括号之间可以用于定于参数。
3.函数的第一行语句可以选择性地使用文档字符串，用于存放函数说明。
4.函数内容以冒号起始，并且缩进。
5.用return[表达式]结束函数，选择性地返回一个值给调用方。不带表达式地return相当于返回None。
with语句与上下文管理器关系密切。下面是一组与上下文管理器和with语句有关的概念。
上下文管理协议（Context Management Protocol):包含方法enter()和exit(),支持该协议地对象要实现这两个方法。
上下文管理器（Context Manager):支持上下文管理协议地对象，这种对象实现了enter()和exit()方法。上下文管理器定义执行with语句时要建立的运行时的上下文，负责执行with语句块上下文中的进入与退出操作。通常使用with语句调用上下文管理器，也可以通过直接调用其方法来使用。
运行时上下文（Runtime Context):由上下文管理器创建，通过上下文管理器的enter()和exit()方法实现。enter()方法在语句体执行之前进入运行时上下文，exit()方法在语句体执行完毕后从运行时上下文退出。with语句支持运行时上下文这一概念。
上下文表达式（Context Expression):with语句中跟在关键字with之后的表达式，该表达式要返回一个上下文管理器对象。
语句体（with-body):with语句包裹起来的代码块，在执行语句体之前会调用上下文管理器的enter()方法，执行完语句体之后会执行exit()方法。
Python对一些内建对象进行改进，加入了对上下文管理器的支持，可以用于with语句中，比如可以自动关闭文件，线程锁的自动获取和释放等。假如要对一个文件进行操作，可以使用with语句，代码如下：
with open('somefileName') as somefile:
for line in somefile:
print(line)这里使用了with语句，不管在处理文件过程中是否发生异常，都能保证with语句执行完毕后关闭了打开的文件句柄。使用with语句，简化了对异常的处理。因此，当需要对异常进行处理的时候，如果对象遵循了上下文管理协议，建议使用with语句来实现。
2.Numpy速成
#创建数组
import numpy as np
myarray = np.array([1,2,3])
print(myarray)
print(myarray.shape)
myarrays=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(myarrays)
print(myarrays.shape)#访问数据
import numpy as np
myarray = np.array([1,2,3])
print(myarray)
print(myarray.shape)
myarrays=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(myarrays)
print(myarrays.shape)
myarray2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(myarray2)
print(myarray2.shape)
print('这是第一行: %s' % myarray2[0])
print('这是最后一行: %s' % myarray2[-1])
print('访问整列(3列)数据 : %s' % myarray2[:,2])
print('访问指定行(2行)和列（3列）的数据 : %s' % myarray2[1,2])#算术运算
import numpy as np
myarray1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
myarray2 = np.array([[11,21,31],[21,32,42],[33,13,23]])
print(myarray1 + myarray2)
print(myarray1*myarray2)3.Matplotlib速成
Matplotlib操作步骤如下：
1.调用plot(),scatter()等方法，并为绘图填充数据。数据是Numpy的ndarray类型的对象。
2.设定数据标签，使用xlabel(),ylabel()方法。
3.展示绘图结果，使用show()方法。
#绘制线条图
import matplotlib.pyplot as plt
import numpy as np
myarray = np.array([[1,2,3],[2,3,4],[3,4,5]])
plt.plot(myarray)
#设定x轴和y轴
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.show()#散点图
myarray1 = np.array([1,2,3])
myarray2 = np.array([11,21,31])
plt.scatter(myarray1,myarray2)
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.show()4.Pandas速成
Pandas提供了用于机器学习的复杂数据类型：矢量运算方法和数据分析方法。Pandas也提供了多种数据结构：
1.Series:一维数组，与Numpy中的一维Array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效地使用内存，提高运算效率。
2.Time-Series:以时间为索引的Series。
3.DataFrame:二维的表格型数据结构。很多功能与R语言中的data.frame类似。可以将DataFrame理解为Series的容器。
4.Panel:三维数组，可以理解为DataFrame的容器
Series虽然与Numpy的一维数组类似，但是在建立Series时可以设定Index,也可以像访问Numpy数组或字典一样来访问Series元素。
import numpy as np
import pandas as pd
myarray = np.array([1,2,3])
index = ['a','b','c']
myseries = pd.Series(myarray,index=index)
print(myseries)
print(myseries[0])
print(myseries['c'])DataFrame是一个可以指定行和列标签的二维数组。数据可以通过列名来访问特定列的数据。
myarray = np.array([[1,2,3],[2,3,4],[3,4,5]])
rowindex = ['row1','row2','row3']
colname = ['col1','col2','col3']
mydataframe = pd.DataFrame(data=myarray,index=rowindex,columns=colname)
print(mydataframe)
print(mydataframe['col3'])