本文概述
- 安装Python
- 图书馆
- 寻求帮助
- 变量和数据类型
- 弦乐
- 清单
- numpy数组
- 要下载此备忘单, 请单击下面的
最新O’
Reilly数据科学薪酬调查的受访者中有54％表示他们将Python用作数据科学工具。与2015年的调查结果相比, 这是一个小幅增长, ??在该调查中, 有51％的受访者表示使用Python。
没有人可以否认Python在数据科学行业中一直在兴起, 而且它似乎必将继续存在。
业界流行度的提高, Python数据分析软件包的悠久历史, 缓慢而渐进的学习曲线以及它是完全成熟的编程语言这一事实??仅仅是使Python成为出色的数据工具的几个原因科学。
尽管Python是一种易读的语言, 但是你仍然可以使用一些帮助。
这就是srcmini为数据科学制作Python备忘单的充分理由, 特别是对于初学者。它可以为刚刚开始数据科学之旅的你提供快速参考, 也可以作为使学习和使用Python更容易的指南。
该备忘单是免费的其他材料, 是对srcmini的Python数据科学入门课程的补充, 你可以在中学到的东西来学习。
文章图片
(以上是该备忘单的可打印版本)
该Python速查表将指导你完成变量和数据类型(字符串, 列表)的操作, 最终进入使用Python Numpy进行科学计算的基本程序包。
安装Python
下载Anaconda
图书馆
导入库
选择性导入
寻求帮助
变量和数据类型
变量分配
变量计算
| 两个变量的总和 |
| >
>
>
x + 2 |
| 7 |
| 两个变量相减 |
| >
>
>
x-2 |
| 3 |
| 两个变量相乘 |
| >
>
>
x * 2 |
| 10 |
| 变量求幂 |
| >
>
>
x ** 2 |
| 25 |
| 余数 |
| >
>
>
x％2 |
| 1 |
| 变量的除法 |
| >
>
>
x / float(2) |
| 2.5 |
类型和类型转换
| 字符串变量 |
| str() |
| ‘
5’
, ‘
3.45’
, ‘
True’
|
| 变量到整数 |
| int() |
| 5, 3, 1 |
| 浮动变量 |
| float() |
| 5.0, 1.0 |
| 布尔变量 |
| bool() |
| 真实, 真实, 真实 |
弦乐
| >
>
>
my_string =’
thisStringIsAwesome’
|
| >
>
>
my_string |
| ‘
thisStringIsAwesome’
|
字符串运算
| >
>
>
my_string * 2 |
| ‘
thisStringIsAwesomethisStringIsAwesome’
|
| >
>
>
my_string +’
Innit’
|
| ‘
thisStringIsAwesomeInnit’
|
| >
>
>
my_string中的”
m”
|
| ‘
真正’
|
选择字符串字符
| >
>
>
my_string [3] |
| >
>
>
my_string [4：9] |
字符串方法
| 字符串大写 |
| >
>
>
my_string.upper() |
| 字符串小写 |
| >
>
>
my_string.lower() |
| 计数字符串元素 |
| >
>
>
my_string.count(‘
w’
) |
| 替换字符串元素 |
| >
>
>
my_string.replace(‘
e’
, ‘
i’
) |
| 从两端去除空格 |
| >
>
>
my_string.strip() |
清单
| >
>
>
a =’
是’
|
| >
>
>
b =’
nice’
|
| >
>
>
my_list = [‘
my’
, ‘
list’
, a, b] |
| >
>
>
my_list2 = [[4, 5, 6, 7], [3, 4, 5, 6]] |
选择列表元素
【适用于初学者的Python数据科学备忘单】子集
| 选择索引1处的项目 |
| >
>
>
my_list [1] |
| 选择最后一项 |
| >
>
>
my_list [-3] |
切片
| 选择索引1和2的项目 |
| >
>
>
my_list [1：3] |
| 选择索引0之后的项目 |
| >
>
>
my_list [1：] |
| 选择索引3之前的项目 |
| >
>
>
my_list [：3] |
| 复制my_list |
| >
>
>
my_list [：] |
列表的子集列表
| my_list [list] [itemOfList] |
| >
>
>
my_list2 [1] [0] |
| >
>
>
my_list2 [1] [：2] |
列出操作
| >
>
>
my_list + my_list |
| [‘
my’
, ‘
list’
, ‘
is’
, ‘
nice’
, ‘
my’
, ‘
list’
, ‘
is’
, ‘
nice’
] |
| >
>
>
my_list * 2 |
| [‘
my’
, ‘
list’
, ‘
is’
, ‘
nice’
, ‘
my’
, ‘
list’
, ‘
is’
, ‘
nice’
] |
| >
>
>
my_list2>
4 |
| >
>
>
正确 |
清单方法
| 获取项目的索引 |
| >
>
>
my_list.index(a) |
| 盘点 |
| >
>
>
my_list.count(a) |
| 一次追加一个项目 |
| >
>
>
my_list.append(‘
！’
) |
| 删除项目 |
| >
>
>
my_list.remove(‘
！’
) |
| 删除项目 |
| >
>
>
del(my_list [0：1]) |
| 反转清单 |
| >
>
>
my_list.reverse() |
| 追加项目 |
| >
>
>
my_list.extend(‘
！’
) |
| 删除项目 |
| >
>
>
my_list.pop(-1) |
| 插入项目 |
| >
>
>
my_list.insert(0, ‘
！’
) |
| 排序清单 |
| >
>
>
my_list.sort() |
numpy数组
| >
>
>
my_list = [1、2、3、4] |
| >
>
>
my_array = np.array(my_list) |
| >
>
>
my_2darray = np.array([[1, 2, 3], [4, 5, 6]]) |
选择Numpy数组元素
子集
| 选择索引1处的项目 |
| >
>
>
my_array [1] |
| 2 |
切片
| 选择索引0和1的项目 |
| >
>
>
my_array [0：2] |
| array([1, 2]) |
子集2D Numpy数组
| my_2darray [行, 列] |
| >
>
>
my_2darray [：, 0] |
| array([1, 4]) |
Numpy阵列运算
| >
>
>
my_array>
3 |
| array([False, False, False, True], dtype=bool) |
| >
>
>
my_array * 2 |
| array([2, 4, 6, 8]) |
| >
>
>
my_array + np.array([5, 6, 7, 8]) |
| array([6, 8, 10, 12])]) |
numpy数组函数
| 获取数组的尺寸 |
| >
>
>
my_array.shape |
| 将项目追加到数组 |
| >
>
>
np.append(other_array) |
| 将项目插入数组 |
| >
>
>
np.insert(my_array, 1, 5) |
| 删除数组中的项目 |
| >
>
>
np.delete(my_array, [1]) |
| 数组的均值 |
| >
>
>
np.mean(my_array) |
| 数组的中位数 |
| >
>
>
np.median(my_array) |
| 相关系数 |
| >
>
>
my_array.corrcoef() |
| 标准偏差 |
| >
>
>
np.std(my_array) |
要下载此备忘单, 请单击下面的
文章图片
如果你对更多备忘单感兴趣, 请查看我们的Bokeh备忘单, 以实现Python中的数据可视化；以及Pandas备忘单, 以实现Python中的数据操作。
你想要了解更多吗？立即完成数据科学Python入门课程！
推荐阅读
