zip():
alst=['1','2','3']
blst=['a','b','c']
for z1,z2 in zip(alst,blst):
print(z1,z2)
1 a
2 b
3 c
#enumerate()列举，枚举:
alst=['a','c','b','f']
for index,value in enumerate(alst):
print(index,value)
0 a
1 c
2 b
3 f
可通过start参数自定义开始列举的序号数字，
for index,value in enumerate(alst,start=10):
print(index,value)
10 a
11 c
12 b
13 f
iterating over file connections:
file=open('file.txt')
it=iter(file)
print(next(it))
输出：第一行
print(next(it))
输出：第二行
定义函数：
def jj(x,y):
z=x**y
h=y**x
ttuple=(z,h)
return ttuple
jj(3,2)
Out[8]: (9, 8)
type(jj(3,2))
Out[9]: tuple
定义函数时，添加参数默认值：
def power(number,pow=1):
new_value=number**pow
return new_value
def hh(x,y=2):
return x**y
hh(8)
Out[11]: 64
hh(9,3)
Out[12]: 729
定义函数时，多重参数：
def ff(*y):
jj=1
for x in y:
jj=jj*x
return jj
ff(3,4,5)
Out[14]: 60
plt.yticks([0,2,4,6,8,10],['0万'，'2万'，'4万'，'6万'，'8万'，'10万']
import pandas as pd
adf=pd.DataFrame({'a':[3,5,2],'b':['78','23','11']})
adf['c']=adf.b.apply(len)
adf
Out[43]:
a b c
0 3 78 2
1 5 23 2
2 2 11 2
索引可自定义名称：
adf.index.name='inx'
adf
Out[46]:
a b c
inx
0 3 78 2
1 5 23 2
2 2 11 2
iterrows():
for index,rows in adf.iterrows():
print(index)
print(rows)
0
a 3
b 78
c 2
Name: 0, dtype: object
1
a 5
b 23
c 2
Name: 1, dtype: object
2
a 2
b 11
c 2
Name: 2, dtype: object
这里的iterrows()返回值为元组,(index,row)
上面的代码里，for循环定义了两个变量，index，row，那么返回的元组，index=index，row=row.
如果for循环时，只定义一个变量：
for rows in adf.iterrows():
print(rows)
那么row就是整个元组。输出结果可以看出：
(0, a 3
b 78
c 2
Name: 0, dtype: object)
(1, a 5
b 23
c 2
Name: 1, dtype: object)
(2, a 2
b 11
c 2
Name: 2, dtype: object)
Python map() 函数：
map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list， 并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回。
map() 会根据提供的函数对指定序列做映射。
第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。
map() 函数语法：
map(function, iterable, ...)
参数
function -- 函数
iterable -- 一个或多个序列
返回值
Python 3.x 返回迭代器。
>>>def square(x) : # 计算平方数
... return x ** 2
...
>>> list(map(square, [1,2,3,4,5])) # 计算列表各个元素的平方
[1, 4, 9, 16, 25]
>>> list(map(lambda x: x ** 2, [1, 2, 3, 4, 5])) # 使用 lambda 匿名函数
[1, 4, 9, 16, 25]
# 提供了两个列表，对相同位置的列表数据进行相加
>>> list(map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10]))
[3, 7, 11, 15, 19]
广播允许这些二进制操作可以用于不同大小的数组。例如，可以简单地将一个标量（可以认为是一个零维的数组）和一个数组相加：
aa=np.arange(1,5)
aa+8
Out[19]: array([ 9, 10, 11, 12])
对两个数组的同时广播：
a=np.arange(3)
b=np.arange(3)[:,np.newaxis]
a+b
Out[22]:
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4]])
正如此前将一个值扩展或广播以匹配另外一个数组的形状，这里将a和b都进行了扩展来匹配一个公共的形状，最终的结果是一个二维数组。
Numpy数组按行或按列归一化：
给定一个数组，将各列（行）归一化（缩放到 [0,1] ）
所谓（0,1）归一化，就是通过遍历feature vector里的每一个特征值的数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理。
通过从X数组的元素中减去这个均值实现归一化，X_centered=X-Xmean;为了进一步核对我们的处理是否正确，可以查看归一化的数组的均值是否接近0；
Conditionals in generator expressions:
列表：
alist=[x for x in range(10) if x%2==0]
alist
Out[2]: [0, 2, 4, 6, 8]
元组：
alist=(x for x in range(10) if x%2==0)
alist
Out[4]: <generator object <genexpr> at 0x0000000008F231B0>
list(alist)
Out[5]: [0, 2, 4, 6, 8]
Conditionals in comprehensions:
[num**2 if num%2==0 else 0 for num in range(10)]
Out[6]: [0, 0, 4, 0, 16, 0, 36, 0, 64, 0]
Dict comprehensions:
a={num:-num for num in range(5)}
print(a)
{0: 0, 1: -1, 2: -2, 3: -3, 4: -4}
print(type(a))
<class 'dict'>
np.dot():
np.dot()函数主要有两个功能，向量点积和矩阵乘法，这里我就简单列举了三种最常用到的情况
1. np.dot(a, b), 其中a为一维的向量，b为一维的向量，当然这里a和b都是np.ndarray类型的, 此时因为是一维的所以是向量点积。
import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([6, 7, 8, 9, 10])
print(np.dot(a, b))
output:
130
[Finished in 0.2s]
2. np.dot(a, b), 其中a为二维矩阵，b为一维向量，这时b会被当做一维矩阵进行计算
import numpy as np
a = np.random.randint(0,10, size = (5,5))
b = np.array([1,2,3,4,5])
print("the shape of a is " + str(a.shape))
print("the shape of b is " + str(b.shape))
print(np.dot(a, b))
output:
the shape of a is (5, 5)
the shape of b is (5,)
[42 85 50 81 76]
[Finished in 0.2s]
这里需要注意的是一维矩阵和一维向量的区别，一维向量的shape是(5, ), 而一维矩阵的shape是(5, 1), 若两个参数a和b都是一维向量则是计算的点积，但是当其中有一个是矩阵时（包括一维矩阵），dot便进行矩阵乘法运算，同时若有个参数为向量，会自动转换为一维矩阵进行计算。
3. np.dot(a ,b), 其中a和b都是二维矩阵，此时dot就是进行的矩阵乘法运算
import numpy as np
a = np.random.randint(0, 10, size = (5, 5))
b = np.random.randint(0, 10, size = (5, 3))
print("the shape of a is " + str(a.shape))
print("the shape of b is " + str(b.shape))
print(np.dot(a, b))
output:
the shape of a is (5, 5)
the shape of b is (5, 3)
[[ 66 80 98]
[ 53 60 60]
[ 65 84 85]
[ 25 113 101]
[ 42 78 77]]
[Finished in 0.2s]
---------------------
数组的转置：
a=np.arange(15).reshape((3,5))
a
Out[29]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
a.T
Out[30]:
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
np.newaxis,增加维度:
import numpy as np
andarray=np.linspace(1, 10, 10)
andarray.shape
Out[3]: (10,)
andarray
Out[4]: array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
bndarray=andarray[:,np.newaxis]
bndarray
Out[6]:
array([[ 1.],
[ 2.],
[ 3.],
[ 4.],
[ 5.],
[ 6.],
[ 7.],
[ 8.],
[ 9.],
[10.]])
bndarray.shape
Out[7]: (10, 1)
cndarray=andarray[np.newaxis,:]
cndarray.shape
Out[9]: (1, 10)
cndarray
Out[10]: array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]])
np.random.randint(1,100,size=(10,1))
Out[11]:
array([[98],
[92],
[81],
[ 2],
[16],
[60],
[12],
[37],
[49],
[ 5]])
np.random.randint(1,100,size=(1,10))
Out[12]: array([[51, 49, 55, 7, 44, 9, 26, 16, 92, 38]])
np.random.randint(1,100,size=(5,10))
Out[13]:
array([[57, 12, 42, 15, 96, 4, 39, 33, 84, 16],
[91, 4, 5, 34, 71, 62, 5, 48, 65, 10],
[79, 14, 32, 67, 78, 32, 34, 81, 50, 22],
[27, 11, 29, 29, 27, 65, 77, 35, 16, 99],
[65, 45, 95, 27, 53, 63, 30, 31, 52, 55]])