本文概述
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。
(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
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
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！
来源：
https://www.srcmini02.com/46745.html
