#Numpy
import numpy as np
a=np.array([[1,2,3],[2,3,4]])
a.ndim #秩，即轴的数量或维度的数量
a.shape #数组的维度，对于矩阵，n 行 m 列
a.size #数组元素的总个数，相当于 .shape 中 n*m 的值
a.dtype #数组对象的元素类型
a.itemsize #数组对象中每个元素的大小，以字节为单位
a.flags #数组对象的内存信息
a.real #元素的实部
a.imag #元素的虚部
a.data #包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性
#创建数组
import numpy as np
#empty,创建一个指定形状且未初始化的数组,元素为随机值
np.empty((3,4),dtype=int)
np.empty([3,4],dtype=int)
#numpy.zeros，创建指定大小的数组，数组元素以 0 来填充
np.zeros(5)
np.zeros((5,),dtype=int)
np.zeros([3,4])
np.zeros((3,4))
#numpy.ones创建指定形状的数组，数组元素以 1 来填充
np.ones(5)
np.ones((2,3),dtype=int)
#numpy.linspace创建一个一维数组，数组是一个等差数列构成的
np.linspace(1,10,10) #参数分别是strat,stop,num
np.linspace(10, 20, 5, endpoint = False) #将 endpoint 设为 false，不包含终止值
#numpy.logspace 函数用于创建一个于等比数列
np.logspace(1,3,10) #默认底数base=10，可以理解为以10**1开始，10**3结束，样本数量为10的数列
np.logspace(1,10,10,base=2) #可以设置底数base
#示例
#scipy
Scipy是一个高级的科学计算库，它和Numpy联系很密切，Scipy一般都是操控Numpy数组来进行科学计算，Scipy让Python成为了半个MATLAB。Scipy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算，而这些功能都是我们在之后进行数据分析需要的。下面是一些常用的Scipy的子模块。
scipy.cluster：聚类相关
scipy.fftpack：快速傅里叶变换相关
scipy.integrate：积分和常微分方程求解相关
scipy.interpolate：插值相关
scipy.io：输入输出相关
scipy.optimize：优化相关
scipy.signal：信号处理相关
scipy.sparse：稀疏矩阵相关
scipy.stats：统计相关
scipy.ndimage：N维图像处理相关
scipy.misc：图像处理相关
scipy.maxentropy：最大熵相关
scipy.constant：物理和数学常数相关
scipy.special：特殊函数
常用Scipy函数
import scipy as sp
# 插值模块interpolate
sp.interpolate.inter1d()#一维插值
sp.interpolate.inter2d()#二维插值
sp.interpolate.internd()#n维插值
插值函数中kind参数：
‘nearest’：最近邻插值
‘zero’：零阶插值
‘linear’：线性插值（一次插值）
‘quadratic’：二次插值
‘cubic’：三次插值
数字4，5，6，7为更加高阶的插值方法
# 统计相关模块stats
sp.stats.norm.rvs()#标准正态分布
sp.stats.norm()#估算正态分布的参数
sp.stats.norm.pdf()#计算对应位置的概率密度
sp.state.norm.ppf()#找到标准正态分布中概率恰好为一半的点
sp.stats.expon()#指数分布
sp.stats.norm.cdf()#累积分布函数
sp.stats.norm.sf()#残存函数
sp.stats.norm.isf()#逆残存函数
sp.stats.t()#t分布
sp.stats.beta()#beta分布
sp.stats.gamma()#gamma分布
sp.stats.hypergeom()#超几何分布
sp.stats.lognorm()#对数正态分布
sp.stats.uniform()#均匀分布
sp.stats.chi2()#卡方分布
sp.stats.cauchy()#柯西分布
sp.stats.laplace()#拉普拉斯分布
sp.stats.rayleigh()#瑞利分布
sp.stats.randint()#离散均匀分布
sp.stats.f()#f分布
sp.stats.binom()#二项分布
sp.stats.poisson()#泊松分布
sp.stats.rv_continuous()#自定义连续分布
sp.stats.rv_discrete()#自定义离散分布
sp.stats.mode()#计算数据的众数
sp.stats.skew()#计算数据的偏度
sp.stats.kurtosis()#计算数据的峰度
sp.stats.ttest_rel()#配对样本t检验
sp.stats.ttest_ind()#独立样本t检验
sp.stats.ttest_1samp()#单样本t检验
#优化模块optimize
sp.optimize.leastsq()#函数的最小二乘估计
sp.optimize.curve_fit()#函数的曲线拟合
sp.optimize.minimize()#函数的最小值
sp.optimize.rosen()#Rosenbrock函数(用来测试效果的非凸函数)
sp.optimize.root()#方程求根
sp.optimize.dual_annealing()#退火优化方法
#积分模块
sympy.init_printing()#初始化Sympy符号变量的显示
sympy.symbols()#产生Sympy符号变量
sympy.sqrt()#符号变量开方
sympy.sin()#符号变量求正弦
sympy.integrate()#符号变量求积分
sp.specail.jv()#贝塞尔函数
sp.intergrate.quad()#利用函数进行数值积分
sp.integrate.dblquad()#利用函数进行双重数值积分
sp.integrate.simps()#利用采样点进行数值积分
sp.integrate.trapz()#利用采用点进行数值积分
#稀疏矩阵模块
sp.sparse.coo_matrix()#创建COO类型的稀疏矩阵
sp.sparse.find()#查找稀疏矩阵中非零值及其坐标
#线性代数模块
sp.linalg.inv()#矩阵的逆
sp.linalg.solve()#线性方程组求解
sp.linalg.det()#求矩阵的行列式
sp.linalg.norm()#求矩阵或者向量的范数
sp.linalg.pinv()#求矩阵的广义逆
sp.linalg.eig()#矩阵的特征值分解
sp.linalg.svd()#矩阵的奇异值分解
#图像处理模块
sp.ndimage.ndimage.median_filter()#中值滤波
sp.ndimage.ndimage.guassian_filter()#高斯滤波
sp.signal.wiener()#维也纳滤波
sp.ndimage.ndimage.shift()#移动坐标
sp.ndimage.ndimage.rotate()#旋转坐标
sp.ndimage.ndimage.zoom()#缩放图片
sp.miscread()#读取图像
sp.miscresize()#改变图像尺寸
sp.miscsave()#保存图像
#示例
#pandas
panel data analysis（多维数据分析）
pandas 中具有两种基本的数据存储结构，存储一维 values 的 Series 和存储二维 values 的 DataFrame;
Series:
Series 一般由四个部分组成，分别是序列的值 data 、索引 index 、存储类型 dtype 、序列的名字 name 。其中，索引也可以指定它的名字，默认为空
dtype = 'object’类型，代表了一种混合类型
DataFrame :
在 Series 的基础上增加了列索引，一个数据框可以由二维的 data 与行列索引来构造：值 data由一维变成了二维，加了一个参数columns，给出了列名
#matplotlib
举个例子，在现实中，我们想要画一个图表，首先需要找一个可以画的地方来画，譬如一张纸，一块黑板等，这些承载图像的东西，称之为：figure
然后，你需要画图，以黑板为例子，一个黑板上面可以画多个坐标轴，坐标轴即带有x,y轴 （Axis,即轴) 的区域。这个区域称之为 Axes 。每个坐标轴（Axes）中都可以画多条线（当然也可以画柱状图等数据），这每条线都是一个Line2D(顾名思义，二维线条)对象。
好了，现在，一个 Figure 可以有多个 Axes，每个 Axes 都有两条 Axis轴，每个 Axes 也可以画有多个 Line2D。
对于 Figure，可以设置 背景色，边框粗细，边框颜色等内容。
对于 Line2D，可以设置 线条的粗细，颜色，线上数据点的样式（也就是marker，标记点）等。
对于 Axes，可以绘制数据，设置标题，设置图例等。
对于Axis，每个 Axis 都有刻度（tick），刻度值（ticklabel) 等，并且可以设置主刻度（Major)，副刻度等。
#示例
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots() # subplots() 可以创建 figure 以及 Axes
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # 在 axes 上画一些数据：（x轴，y轴）
plt.show() # 显示绘制的图表
