第一部分__基础篇

1.工具简介

WEKA
RapidMiner 基于WEKA二次开发
Python
R
Python安装，基础，不再赘述

2.Python函数参数

位置或关键字参数
def fun(a,b,c)，也可以有默认值fun(a=1,b,c)

任意数量的位置参数

def fun(a,*num):
    pass
//用法
fun(a,1,2,3)

任意数量的关键字参数

3.可变与不可变对象

不可变对象	数值类型，字符串，元祖
可变对象	字典，列表

深复制 copy.deepcopy()，复制父对象和子对象
浅复制 copy.copy()，仅仅复制父对象，不会复制父对象内部的子对象

In [11]: list1=[1,2,[a,b]]

In [12]: list1=[1,2,['a','b']]

In [13]: list2=list1//引用复制

In [14]: list3=copy.copy(list1)//重新分配地址空间，浅拷贝

In [15]: list4=copy.deepcopy(list1)//重新分配地址空间，深拷贝

In [16]: list1.append(1)

In [17]: list1[2].append('c')

In [18]: list2//因为是引用赋值，所以，地址一样，当list1改变，list2也会改变
Out[18]: [1, 2, ['a', 'b', 'c'], 1]

In [19]: list1
Out[19]: [1, 2, ['a', 'b', 'c'], 1]

In [20]: list3
Out[20]: [1, 2, ['a', 'b', 'c']]

In [21]: list4
Out[21]: [1, 2, ['a', 'b']]

4.递归实现斐波那契数列

def fbnq(n):
    if n==1 or n==2:
        return 1
    else:
        return fbnq(n-1)+fbnq(n-2)

5.面向对象

1.__init__()方法：相当于构造函数，但是Python执行这个方法时，实例对象已经被构造出来，这和C++不一样，C++是使用构造函数去创建一个实例对象。

2.属性私有化，在属性前面加上两个下划线即可，但是，这种私有化仅仅是伪私有化，python中有一种name_mangling技术，（Java的反射？？？），通过如下方式即可获得“伪私有化”的属性：

In [22]: class MyClass():
    ...:     def __init__(this):
    ...:         this.__name="lws"
    ...:
    ...:

In [23]: myClass = MyClass()


In [25]: myClass._MyClass__name
Out[25]: 'lws'

3.继承

支持多继承
继承中子类的初始化方法__init__()方法不会自动调用，，如果希望继承__init__()方法，需要显式调用
调用父类的方法时，加上父类的类名前缀，并且带上self参数，在类中调用该类的方法不需要self参数
私有成员无法继承

6.面向对象小练习

In [24]: class Complex:
    ...:     def __init__(self,a,b):
    ...:         self.a=a
    ...:         self.b=b
    ...:     def add(self,c):
    ...:         self.a=self.a+c.a
    ...:         self.b=self.b+c.b
    ...:     def show(self):
    ...:         if self.b>0:
    ...:             print(str(self.a)+'+'+str(self.b)+'i')
    ...:         elif self.b==0:
    ...:             print(self.a)
    ...:         elif self.b<0:
    ...:             print(str(self.a)+(self.b)+'i')
    ...:
    ...:

In [25]: c1=Complex(2,3)

In [26]: c2=Complex(8,-1)

In [27]: c1.add(c2)

In [28]: c1.show()
10+2i

7.Python常用科学计算库

以下python的库以前都有接触，数学建模比赛的时候Numpy和Pandas用的熟练程度还不错，不做具体介绍

Numpy
Pandas

SciPy 基于NumPy，在符号计算，信号处理，数值优化等任务中有突出表现

Scipy主要子模块汇总
scipy.cluster	主流的聚类算法
scipy.constants	数学和物理常数
scipy.fftpack	快速傅里叶变换
scipy.integrate	求解积分和常微分方程
scipy.linalg	线性代数
scipy.ndimage	n维图像处理
scipy.signal	信号处理
scipy.spatial	空间数据结构和算法
scipy.stats	统计分布及相关函数

Scikit-learn 机器学习常用的库，分类，回归，聚类，降维，模型选择，预处理
1. 机器学习
  - 有监督学习，事先给定我们想要的属性，也就是目标变量
    - 分类
    - 回归
  - 无监督学习，没有目标变量
    - 聚类
    - 密度估计等
其他Python常用模块