数据分析与AI(一) 安装anaconda/jupyter操作方式/初识numpy库

r囧r小猫 2022-05-22 00:48 121阅读 0赞

# 一、Anaconda安装步骤: #

*  打开 Anaconda3-5.1.0-Windows-x86\_64.exe  
    ![这里写图片描述][70]
 *  选择next  
    ![这里写图片描述][70 1]
 *  选择 I Agree  
    ![这里写图片描述][70 2]
 *  just for me(只为自己), 或者 All users(所有人)  
    ![这里写图片描述][70 3]
 *  选择安装路径
 *  安装完成以后进入如下界面:  
    ![这里写图片描述][70 4]
 *  这是一个代码调试工具,可以不安装

# 安装完成如下: #

![这里写图片描述][70 5]  
\- 可以发现,这里面已经安装了很多包了,并且已经安装了一个新的python3.6  
\- 许多数据分析与AI用的库已经安装了:  
\- 安装以后你可以在你的开始菜单里面发现快捷方式.  
![这里写图片描述][70 6]

# 二、jupyter基础操作 #

## 1 Jupyter Notebook 的快捷键 ##

Jupyter Notebook 有两种键盘输入模式。编辑模式，允许你往单元中键入代码或文本；这时的单元框线是绿色的。命令模式，键盘输入运行程序命令；这时的单元框线是灰色。

### 1.1 命令模式 (按键 Esc 开启) ###

*  **Enter** : 转入编辑模式
 *  **Shift-Enter** : 运行本单元，选中下个单元
 *  **Ctrl-Enter** : 运行本单元
 *  **Alt-Enter** : 运行本单元，在其下插入新单元
 *  **Y** : 单元转入代码状态
 *  **M** :单元转入markdown状态
 *  **R** : 单元转入raw状态
 *  **1** : 设定 1 级标题
 *  **2** : 设定 2 级标题
 *  **3** : 设定 3 级标题
 *  **4** : 设定 4 级标题
 *  **5** : 设定 5 级标题
 *  **6** : 设定 6 级标题
 *  **Up** : 选中上方单元
 *  **K** : 选中上方单元
 *  **Down** : 选中下方单元
 *  **J** : 选中下方单元
 *  **Shift-K** : 扩大选中上方单元
 *  **Shift-J** : 扩大选中下方单元
 *  **A** : 在上方插入新单元
 *  **B** : 在下方插入新单元
 *  **X** : 剪切选中的单元
 *  **C** : 复制选中的单元
 *  **Shift-V** : 粘贴到上方单元
 *  **V** : 粘贴到下方单元
 *  **Z** : 恢复删除的最后一个单元
 *  **D,D** : 删除选中的单元
 *  **Shift-M** : 合并选中的单元
 *  **Ctrl-S** : 文件存盘
 *  **S** : 文件存盘
 *  **L** : 转换行号
 *  **O** : 转换输出
 *  **Shift-O** : 转换输出滚动
 *  **Esc** : 关闭页面
 *  **Q** : 关闭页面
 *  **H** : 显示快捷键帮助
 *  **I,I** : 中断Notebook内核
 *  **0,0** : 重启Notebook内核
 *  **Shift** : 忽略
 *  **Shift-Space** : 向上滚动
 *  **Space** : 向下滚动

### 1.2 编辑模式 ( Enter 键启动) ###

*  **Tab** : 代码补全或缩进
 *  **Shift-Tab** : 提示
 *  **Ctrl-\]** : 缩进
 *  **Ctrl-\[** : 解除缩进
 *  **Ctrl-A** : 全选
 *  **Ctrl-Z** : 复原
 *  **Ctrl-Shift-Z** : 再做
 *  **Ctrl-Y** : 再做
 *  **Ctrl-Home** : 跳到单元开头
 *  **Ctrl-Up** : 跳到单元开头
 *  **Ctrl-End** : 跳到单元末尾
 *  **Ctrl-Down** : 跳到单元末尾
 *  **Ctrl-Left** : 跳到左边一个字首
 *  **Ctrl-Right** : 跳到右边一个字首
 *  **Ctrl-Backspace** : 删除前面一个字
 *  **Ctrl-Delete** : 删除后面一个字
 *  **Esc** : 进入命令模式
 *  **Ctrl-M** : 进入命令模式
 *  **Shift-Enter** : 运行本单元，选中下一单元
 *  **Ctrl-Enter** : 运行本单元
 *  **Alt-Enter** : 运行本单元，在下面插入一单元
 *  **Ctrl-Shift–** : 分割单元
 *  **Ctrl-Shift-Subtract** : 分割单元
 *  **Ctrl-S** : 文件存盘
 *  **Shift** : 忽略
 *  **Up** : 光标上移或转入上一单元
 *  **Down** :光标下移或转入下一单元

## 2. jupyter中简单的魔法指令 ##

##### 1. %srun 运行外部的python文件 #####

– 建立一个文件123.py

def main():
        print('你好, 成都')
    
    if __main__ == '__name__':
        main()

![这里写图片描述][70 7]

##### 2. %whos 查看声明了那些变量和函数 #####

![这里写图片描述][70 8]

##### 3. ls查看当前目录下的子文件和子目录 #####

![这里写图片描述][70 9]

##### 4. pwd查看当前的工作路径 #####

![这里写图片描述][70 10]

# 初始numpy #

import numpy as np
    # matplotlib主要用来画图的, 也可以读取图片
    import matplotlib.pyplot as plt
    
    # 图片, 音频都叫流(数据流)
    # 读取图片
    cat = plt.imread('cat.jph')
    # 获取cat图片的数组形状
    cat.shape

# 查看图片, 如下:
    plt.imshow(cat)

![这里写图片描述][70 11]

# RGB 255(白色) 0(黑色)
    type(cat)
    # 结果为: numpy.ndarray
    
    # 调用numpy库的random.randint方法生成在半开半闭区间[low,high)上离散均匀分布的整数值;若high=None，则取值区间变为[0,low) 
    im = np.random.randint(0,255,size=(456,730,3))

![这里写图片描述][70 12]

## numpy是什么? ##

*  即为numeric python 数字化的python
 *  numpy中最重要的一个形式叫 (ndarray n表示的是n个) (d dimension 维度 ) (array 数组)  
    Python 本身支持的数值类型有 `int`（整型，python2 中存在 long 长整型）、`float`（浮点型）、`bool`（布尔型） 和 `complex`（复数型）。

而 Numpy 支持比 Python 本身更为丰富的数值类型，细分如下：

1.  `bool`：布尔类型，1 个字节，值为 True 或 False。
2.  `int`：整数类型，通常为 int64 或 int32 。
3.  `intc`：与 C 里的 int 相同，通常为 int32 或 int64。
4.  `intp`：用于索引，通常为 int32 或 int64。
5.  `int8`：字节（从 -128 到 127）
    
    （tinyint 1字节 -2 ^7 ~ 2^7-1 (-128~127)）
6.  `int16`：整数（从 -32768 到 32767）
    
    (smallint 2字节 -2 ^15 ~ 2^15-1 (-32768~32765))
7.  `int32`：整数（从 -2147483648 到 2147483647）
    
    （int 4字节 -2 ^31~ 2^31-1 (-2147483648~2147483647)）
8.  `int64`：整数（从 -9223372036854775808 到 9223372036854775807）
    
    （bigint 8字节 -2 ^63 ~ 2^63-1）
9.  `uint8`：无符号整数（从 0 到 255） unsigned
10. `uint16`：无符号整数（从 0 到 65535）
11. `uint32`：无符号整数（从 0 到 4294967295）
12. `uint64`：无符号整数（从 0 到 18446744073709551615）
13. `float`：float64 的简写。
14. `float16`：半精度浮点，5 位指数，10 位尾数
15. `float32`：单精度浮点，8 位指数，23 位尾数
16. `float64`：双精度浮点，11 位指数，52 位尾数
17. `complex`：complex128 的简写。
18. `complex64`：复数，由两个 32 位浮点表示。
19. `complex128`：复数，由两个 64 位浮点表示。

在 Numpy 中，上面提到的这些数值类型都被归于 `dtype（data-type）` 对象的实例。

我们可以用 `numpy.dtype(object, align, copy)` 来指定数值类型。而在数组里面，可以用 `dtype=` 参数。

## 2.1 Numpy 中，ndarray 类具有六个参数，它们分别为： ##

>>shape：数组的形状。
    
    >>dtype：数据类型。
    
    buffer：对象暴露缓冲区接口。
    
    offset：数组数据的偏移量。
    
    >>strides：数据步长。
    
    order：{
       'C'，'F'}，以行或列为主排列顺序。

下面，我们来了解创建 ndarray 的一些方法。在 numpy 中，我们主要通过以下 5 种途径创建数组，它们分别是：

nd1 = np.ndarray(shape=(5,4,3), dtype=np.int64)
    type(nd1)
    # 结果为: numpy.ndarray

## 2.2 从列表或元组转换 ##

在 numpy 中，我们使用 numpy.array 将列表或元组转换为 ndarray 数组。其方法为：

numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)

其中，参数：

*  `object`：列表、元组等。
 *  `dtype`：数据类型。如果未给出，则类型为被保存对象所需的最小类型。
 *  `copy`：布尔来写，默认 True，表示复制对象。

下面，通过列表创建一个 ndarray 数组：

t = (1,2,3)
    l = list('123456')
    nd2=np.array(l)
    type(nd2)
    # 结果为: numpy.ndarray
    nd2=np.array(t)
    type(nd2)
    # 结果为: numpy.ndarray

## 2.3 `arange` 方法创建 ##

除了直接使用 array 方法创建 ndarray，在 numpy 中还有一些方法可以创建一些有规律性的多维数。首先，我们来看一看 arange()。arange() 的功能是在给定区间内创建一系列均匀间隔的值。方法如下：

numpy.arange(start, stop, step, dtype=None)

你需要先设置值所在的区间，这里为 `` `[开始， 停止）``，你应该能发现这是一个半开半闭区间。然后，在设置 `step` 步长用于设置值之间的间隔。最后的可选参数 `dtype`可以设置返回`ndarray` 的值类型。

举个例子：

nd3 = np.arange(0,150,step=5, dtype=np.float32)
    display(nd3.shape, nd3.dtype)
    # 结果为: (30,) dtype('float32')
    nd3
    # 结果为:
    array([  0.,   5.,  10.,  15.,  20.,  25.,  30.,  35.,  40.,  45.,  50.,
            55.,  60.,  65.,  70.,  75.,  80.,  85.,  90.,  95., 100., 105.,
           110., 115., 120., 125., 130., 135., 140., 145.], dtype=float32)

## 2.3 `linspace` 方法创建 ##

`linspace`方法也可以像`arange`方法一样，创建数值有规律的数组。`inspace`用于在指定的区间内返回间隔均匀的值。其方法如下：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

1.  `start`：序列的起始值。
    
     *  `stop`：序列的结束值。
     *  `num`：生成的样本数。默认值为50。
     *  `endpoint`：布尔值，如果为真，则最后一个样本包含在序列内。
     *  `retstep`：布尔值，如果为真，返回间距。
     *  `dtype`：数组的类型。

举个例子：

#全闭区间
    nd4=np.linspace(0,150,num=151)
    nd4.shape
    # 结果为: (151,)
    
    #不适用dtype属性改变默认的数据类型
    #可以使用numpyd.astype(np.float32)
    nd4.astype(np.int)
    # 结果为: 
    array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,
            13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,
            26,  27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,
            39,  40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,
            52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,
            65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,
            78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
            91,  92,  93,  94,  95,  96,  97,  98,  99, 100, 101, 102, 103,
           104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116,
           117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129,
           130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142,
           143, 144, 145, 146, 147, 148, 149, 150])

### 2.5.1 `ones` 方法创建 ###

`numpy.ones` 用于快速创建数值全部为 1 的多维数组。其方法如下：

numpy.ones(shape, dtype=None, order='C')

其中：

`shape`：用于指定数组形状，例如（1， 2）或 3。

`dtype`：数据类型。

`order`：`{'C'，'F'}`，按行或列方式储存数组。

举个例子：

nd5=np.ones(shape=(456,730,3))
    nd5.dtype
    # 结果为: dtype('float64')
    plt.imshow(nd5)
    # 结果如下:

![这里写图片描述][70 13]

### 2.5.2 `zeros` 方法创建 ###

zeros 方法和上面的 ones 方法非常相似，不同的地方在于，这里全部填充为 0。zeros 方法和 ones 是一致的。

numpy.zeros(shape, dtype=None, order='C')

其中：

`shape`：用于指定数组形状，例如`（1， 2）`或`3`。

`dtype`：数据类型。

`order`：`{'C'，'F'}`，按行或列方式储存数组。

举个例子：

nd6 = np.zeros(shape=(456,730,3))
    nd6.dtype
    # 结果为:dtype('float64')
    #jpg rgb (0-255)
    #png rgb (0-1)
    plt.imshow(nd6)

![这里写图片描述][70 14]

## 2.6.1`full`方法创建 ##

numpy.full用于创建一个自定义形状的数组，可以自己指定一个值，该值填满整个矩阵。

numpy.full(shape,fill_value=num)

结果：

nd7 = np.full(shape=(456,730,3),fill_value=125.0)
    nd7.dtype
    # 结果是:dtype('float64')
    plt.imshow(nd7)
    # 结果如下:

![这里写图片描述][70 15]

## 2.6.2`eye` 方法创建 ##

numpy.eye 用于创建一个二维数组，其特点是`k` 对角线上的值为 `1`，其余值全部为`0`。方法如下：

numpy.eye(N, M=None, k=0, dtype=<type 'float'>)  
    #k表示从下标第几个开始

其中：

*  `N`：输出数组的行数。
 *  `M`：输出数组的列数。
 *  `k`：对角线索引：0（默认）是指主对角线，正值是指上对角线，负值是指下对角线。

举个例子：

nd8 = np.eye(5,5)
    nd8
    结果为:
    array([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.], [0., 0., 0., 1., 0.], [0., 0., 0., 0., 1.]])
    plt.imshow(nd8)

![这里写图片描述][70 16]

[70]: /images/20220522/6280d722ca4046f7be72b0141aff4213.png
[70 1]: /images/20220522/0de4edfd97404c6a89b9b9e984f875fd.png
[70 2]: /images/20220522/3062282c9a9747688a7fbceca50dab96.png
[70 3]: /images/20220522/88f0811f9ded4f9eb6a491a96b4e2dbe.png
[70 4]: /images/20220522/b6a0148e214f4ab1a64484bcc0430580.png
[70 5]: /images/20220522/ec3e03b75f8240998c6eb9a64f7a5bac.png
[70 6]: /images/20220522/66447a05508545d09652105d0b19d565.png
[70 7]: /images/20220522/28d1427d1d20458c9212ab8b5c4d0499.png
[70 8]: /images/20220522/04b670c4940149fa92877214abdb4dd9.png
[70 9]: /images/20220522/c2f365441fc64c608e43621759b337fc.png
[70 10]: /images/20220522/f3ea407e99374db994bbe30a7cacaffb.png
[70 11]: /images/20220522/f2bebb3451cc4302873d898f2026d737.png
[70 12]: /images/20220522/953339c37c5f4d7ca4b9a87868bd617d.png
[70 13]: /images/20220522/463098e367cf4d7d86765d4f364c6587.png
[70 14]: /images/20220522/634a2ad6017341dfa66b9b33eb60fef8.png
[70 15]: /images/20220522/673528286a904b30a355f3730b1e7ad8.png
[70 16]: /images/20220522/cea4c01463f04d5caf1b95f700a332c9.png