python基础和编程库

左手的ㄟ右手 2022-05-12 07:44 94阅读 0赞

### 文章目录 ###

*  一、基础
 *   *  注释
 *  二、python基础面试题
 *  三、编程库
 *   *  1.Anaconda平台
     *  2. time\[基础\]
     *  3.Scikit-learn\[数据分析\]
     *  4.Pandas\[数据分析\]
     *   *  4.1读取文件
     *  5.jieba \[数据分析\]
     *  6.NumPy & SciPy \[数据分析\]
     *  7. Matplotlib\[数据可视化\]
     *  8. 正则(手机号实例)
 *  四、实践
 *   *  人工智能-推荐算法理论应用场景
     *  基于内容的推荐系统原理

# 一、基础 #

*  数据类型  
    Number整数/浮点数  
    String字符串  
    Boolean布尔值`True和False`  
    空值`None`不是0  
    Tuple元组类型不必统一(1,‘abc’,0.4)  
    Dictionary key-value  
    List内置数据类型:列表\[1,‘abc’,0.4\],`list`是一种`有序的集合`，可以随时添加和删除其中的元素
 *  变量  
    python是动态变量,不仅可以是数字，还可以是任意数据类型,是引用  
    与之对应的是静态变量,java是静态变量
 *  字符串  
    字符串可以用’'或者""括起来表示。  
    如果一个字符串包含很多需要转义的字符，对每一个字符都进行转义会很麻烦。为了避免这种情况，我们可以在字符串前面加个前缀 r ，表示这是一个 raw 字符串，里面的字符就不需要转义了。

r'\(~_~)/ \(~_~)/'

在多行字符串前面添加`r`，把这个多行字符串也变成一个raw字符串

r'''Python is created by "Guido". It is free and easy to learn. Let's start learn Python in imooc!'''

*  语法

if age = 20
    if age >= 18:
        print 'your age is', age
        print 'adult'
    print 'END'

dict

d = { 
        'Adam': 95,
        'Lisa': 85,
        'Bart': 59
    }
    print 'Adam:', d['Adam']
    print 'Lisa:', d['Lisa']
    print 'Bart:', d['Bart']

## 注释 ##

单行注释用\#  
多行注释  
“”"  
“”"

# 二、python基础面试题 #

[>>python基础面试题请点击<<][python]

--------------------

# 三、编程库 #

Mon 06Mon 13Mon 20Mon 27定义分析目标 数据采集及预处理 数据分析挖掘 数据可视化流程\[数据处理流程\]

## 1.Anaconda平台 ##

一次性获得300多种用于科学和工程计算相关任务的python编程库的支持

Jupyter Notebook基于网页,python的ide

## 2. time\[基础\] ##

import time
    print(time.time())
    time  = time.localtime( time.time() )
    print(time)
    print(time.tm_year)
    """ 1563803665.310865 time.struct_time(tm_year=2019, tm_mon=7, tm_mday=22, tm_hour=21, tm_min=54, tm_sec=25, tm_wday=0, tm_yday=203, tm_isdst=0) 2019 """

## 3.Scikit-learn\[数据分析\] ##

封装了大量经典以及最新的机器学习模型

## 4.Pandas\[数据分析\] ##

针对于数据处理和分析的python工具包,实现了大量便于数据读写,清洗,填充及分析功能

### 4.1读取文件 ###

import pandas as pd
    # 两个数据类型：Series, DataFrame
    
    data_path = "C:/Users/admin/Desktop/111.csv"
    # 读取文件
    def read_file(data_path):
        datas = pd.read_csv(data_path, encoding="GBK")
        datas = datas.dropna()
        return datas
        
    data = read_file(data_path)
    print(data)
    
    # 获取某一列文字 Python 字典(Dictionary) -->contents_agent 转化成一整段
    contents_agent = data["asr_agent_raw"]
    contents = contents_agent.values.tolist()

## 5.jieba \[数据分析\] ##

import jieba
    stopwords_file = "D:/gitProject/smartlink-sqc/smartlink-sqc-wordle/python/dict/user_dict.txt"
    def seg_word(contents):
        contents = contents.values.tolist()
        jieba.load_userdict(stopwords_file)
        segment = []
        for line in contents:
            try:
                segs = jieba.lcut(line)
                for seg in segs:
                    if len(seg) > 1 and seg != '\r\n' and \
                            u'\u4e00' <= seg <= u'\u9fa5' or \
                            u'\u0041' <= seg <= u'\u005a' or \
                            u'\u0061' <= seg <= u'\u007a':
                        segment.append(seg)
    
            except:
                print(line)
                continue
    
        words_df = pd.DataFrame({ 'words': segment})
        stopwords = pd.read_csv(stopwords_file,
                                index_col=False,
                                quoting=3,
                                sep="\t",
                                names=['stopwords'],
                                encoding='utf-8')   # quoting=3全不引用
        words_df = words_df[~words_df.words.isin(stopwords.stopwords)]
        return words_df
    
    # 进行分词
    words_agent = seg_word(contents_agent)
    print(words_agent)

## 6.NumPy & SciPy \[数据分析\] ##

NumPy最基础的编程库,提供一些高级的数学运算机制和高效的向量和矩阵运算功能  
SciPy是子啊NumPy的基础上构建的,更为强大的科学计算包

import numpy as np
    def word_freq(words_df):
        words_stat = words_df.groupby(by=['words'])['words'].agg({ "count":np.size})
        words_stat = words_stat.reset_index().sort_values(by=["count"], ascending=False)
        return words_stat
    
    words_stat_agent = word_freq(words_agent)
    # 打印词频较高的前10 
    print(words_stat_agent.head(10))

## 7. Matplotlib\[数据可视化\] ##

绘图工具包,柱状图示例

import matplotlib
    %matplotlib inline
    x=[1,2]
    y=[3,4]
    matplotlib.pyplot.bar(x,y)
    matplotlib.pyplot.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NzYyNjc3_size_16_color_FFFFFF_t_70][]

## 8. 正则(手机号实例) ##

import re
    def judge_Monile_phone(phone):
        if len(phone)==11:
            rp=re.compile('^0\d{2,3}\d{7,8}$|^1[358]\d{9}$|^147\d{8}')
            phoneMatch = rp.match(phone)
            if phoneMatch:
                return True
            else:
                return False
        else:
            return False
    
    print(judge_Monile_phone('187****451'))
    
    def phonelist1(self, phone):
    	# 取出中间四位
    	list = phone[3:7]
    	# 加密
    	newphone = phone.replace(list,'****')
    	return newphone

--------------------

# 四、实践 #

## 人工智能-推荐算法理论应用场景 ##

新闻推荐,电影推荐,朋友推荐,音乐推荐

## 基于内容的推荐系统原理 ##

代价函数:  
![这里写图片描述][70]

[python]: https://blog.csdn.net/qq_39437555/article/details/98851617
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NzYyNjc3_size_16_color_FFFFFF_t_70]: /images/20220512/22d95575a79b4431a5fb1b5b8b68a066.png
[70]: /images/20220512/aeac704cd5e8417aa78b420e4cb05d25.png