告别枯燥，告别枯燥，致力于打造 Python 经典小例子、小案例。 如果转载本库小例子、小案例，请备注下方链接：Python小例子 https://github.com/jackzhenguo/python-small-examples
查看完整的旧版本：改版前V3.0
欢迎贡献小例子到此库
允许按照要求转载，但禁止用于任何商用目的。
这是经过很久打磨的一个Python教程，全部是个人原创，已首发在公众号，并且托管在我的个人网站。想系统入门Python的欢迎学习：
适合小白的 Python 系统入门课程
- 0 Python引言
- 1 数字专题
- 2 字符串专题
- 3 列表专题
- 4 流程控制专题
- 5 编程风格
- 6 Python 函数
- 7 面向对象编程基础
后续章节正在整理推送中。
| 小例子 | 链接 | 标签 | 版本 | 难度 |
|---|---|---|---|---|
| 1 | 实现 relu | max | V4.0 | ⭐️⭐️ |
| 2 | 进制转化 | bin,oct,hex | V4.0 | ⭐️⭐️ |
| 3 | 整数和ASCII互转 | chr,ord | V1.0 | ⭐️⭐️ |
| 4 | 元素都为真检查 | all | V2.0 | ⭐️⭐️⭐️ |
| 5 | 至少一个为真检查 | any | V2.0 | ⭐️⭐️⭐️ |
| 6 | 判断是真是假 | bool | V2.0 | ⭐️⭐️⭐️ |
| 7 | 创建复数 | complex | V1.0 | ⭐️⭐️⭐️ |
| 8 | 取商和余数 | divmod | V1.0 | ⭐️⭐️ |
| 9 | 转为浮点类型 | float | V1.0 | ⭐️⭐️ |
| 10 | 转为整型 | int | V1.0 | ⭐️ |
| 11 | 次幂 | pow | V1.0 | ⭐️ |
| 12 | 四舍五入 | round | V1.0 | ⭐️ |
| 13 | 链式比较 | compare | V1.0 | ⭐️⭐️ |
| 14 | 字符串转字节 | bytes,utf-8 | V1.0 | ⭐️⭐️ |
| 15 | 任意对象转为字符串 | str | V1.0 | ⭐️⭐️ |
| 16 | 执行字符串表示的代码 | compile | V1.0 | ⭐️⭐️⭐️ |
| 17 | 计算表达式 | eval | V1.0 | ⭐️⭐️⭐️⭐️ |
| 18 | 字符串格式化 | format | V1.0 | ⭐️⭐️⭐️⭐️ |
| 19 | 拿来就用的排序函数 | sorted | V1.0 | ⭐️⭐️⭐️ |
| 20 | 求和函数 | sum | V1.0 | ⭐️⭐️ |
| 21 | nonlocal用于内嵌函数中 | nonlocal | V2.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 22 | global 声明全局变量 | global | V2.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 23 | 交换两元素 | pack,unpack | V1.0 | ⭐️⭐️ |
| 24 | 操作函数对象 | operator | V2.0 | ⭐️⭐️⭐️⭐️ |
| 25 | 生成逆序序列 | range | V1.0 | ⭐️⭐️ |
| 26 | 函数的五类参数使用例子 | variable parameter | V2.0 | ⭐️⭐️⭐️⭐️ |
| 27 | 使用slice对象 | slice | V2.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 28 | lambda 函数 | lambda | V3.0 | ⭐️⭐️⭐️⭐️ |
| 29 | 转为字典 | dict | V1.0 | ⭐️⭐️ |
| 30 | 冻结集合 | frozenset | V1.0 | ⭐️⭐️ |
| 31 | 转为集合类型 | set | V1.0 | ⭐️⭐️ |
| 32 | 转元组 | tuple | V1.0 | ⭐️⭐️ |
| 33 | 对象是否可调用 | callable | V2.5 | ⭐️⭐️⭐️⭐️ |
| 34 | ascii 展示对象 | __repr__ |
V2.5 | ⭐️⭐️⭐️ |
| 35 | 类方法 | classmethod | V1.5 | ⭐️⭐️⭐️ |
| 36 | 动态删除属性 | delattr,hasattr | V1.5 | ⭐️⭐️ |
| 37 | 一键查看对象所有方法 | dir | V1.5 | ⭐️⭐️ |
| 38 | 动态获取对象属性 | getattr | V1.5 | ⭐️⭐️ |
| 39 | 对象是否有某个属性 | hasattr | V1.5 | ⭐️⭐️⭐️ |
| 40 | 对象门牌号 | id | V1.0 | ⭐️ |
| 41 | 实例和对象关系判断 | isinstance | V1.5 | ⭐️⭐️⭐️ |
| 42 | issubclass父子关系鉴定 | issubclass | V1.5 | ⭐️⭐️⭐️ |
| 43 | 所有对象之根 | object | V1.0 | ⭐️ |
| 44 | 创建属性的两种方法 | property | V2.5 | ⭐️⭐️⭐️⭐️⭐️ |
| 45 | 查看对象类型 | type | V1.0 | ⭐️ |
| 46 | 元类使用介绍 | type,__class__ |
V2.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 47 | 枚举对象 | enumerate | V1.0 | ⭐️⭐️⭐️ |
| 48 | 查看变量所占字节数 | getsizeof | V1.0 | ⭐️⭐️⭐️ |
| 49 | 过滤器filter | filter | V1.5 | ⭐️⭐️⭐️ |
| 50 | 返回对象哈希值 | hash | V1.0 | ⭐️⭐️ |
| 51 | help 一键帮助 | help | V1.0 | ⭐️ |
| 52 | 获取用户输入 | input | V1.0 | ⭐️ |
| 53 | 创建迭代器 | iter,__iter__ |
V1.5 | ⭐️⭐️⭐️ |
| 54 | 文件读写和mode 取值表 | open,read,write,with,mode | V2.0 | ⭐️⭐️⭐️ |
| 55 | 创建range序列 | range | V1.0 | ⭐️⭐️ |
| 56 | 反向迭代器reversed | reversed | V1.0 | ⭐️⭐️ |
| 57 | zip迭代器 | zip | V1.5 | ⭐️⭐️⭐️ |
| 58 | operator使用举例 | operator | V1.0 | ⭐️⭐️⭐️⭐️ |
| 59 | 传输json对象 | json | V2.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 60 | 不用else和if实现计算器 | operator | V1.0 | ⭐️⭐️⭐️ |
| 61 | 去最求平均 | list,sort,round | V1.0 | ⭐️⭐️⭐️⭐️ |
| 62 | 打印99乘法表 | for,range,format | V1.0 | ⭐️⭐️⭐️ |
| 63 | 递归版flatten函数 | recursion,list,isinstance | V1.0 | ⭐️⭐️⭐️⭐️ |
| 64 | 列表等分为n份 | list,ceil | V1.0 | ⭐️⭐️⭐️ |
| 65 | 压缩列表 | list,filter | V1.0 | ⭐️⭐️⭐️⭐️ |
| 66 | 求更长的列表 | max,lambda | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 67 | 求列表众数 | max,lambda,count | V1.0 | ⭐️⭐️⭐️⭐️ |
| 68 | 所有多个列表的最大值 | max,lambda | V1.0 | ⭐️⭐️⭐️⭐️ |
| 69 | 列表检查重复 | set | V1.0 | ⭐️⭐️⭐️ |
| 70 | 一行代码实现列表反转 | reverse | V1.0 | ⭐️⭐️ |
| 71 | 浮点数等差数列 | range,float | V1.0 | ⭐️⭐️⭐️⭐️ |
| 72 | 按条件分组 | lambda | V1.0 | ⭐️⭐️⭐️⭐️ |
| 73 | map实现向量运算 | map,lambda | V1.0 | ⭐️⭐️⭐️ |
| 74 | 值最大的字典 | max,lambda | V1.0 | ⭐️⭐️⭐️⭐️ |
| 75 | 合并两个字典 | ** | V1.0 | ⭐️⭐️⭐️ |
| 76 | Topn 字典 | heapq,nlargest | V1.0 | ⭐️⭐️⭐️ |
| 77 | 判断是否为异位词 | collections,Counter | V1.0 | ⭐️⭐️⭐️ |
| 78 | 逻辑上合并字典 | ChainMap | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 79 | 带名字的元组 | namedtuple | V1.0 | ⭐️⭐️⭐️ |
| 80 | sample 样本抽样 | random,sample | V1.0 | ⭐️⭐️⭐️ |
| 81 | 重洗数据集 | shuffle | V1.0 | ⭐️⭐️⭐️ |
| 82 | 10个均匀分布的坐标点 | random,uniform | V1.0 | ⭐️⭐️⭐️ |
| 83 | 10个高斯分布的坐标点 | random,gauss | V1.0 | ⭐️⭐️⭐️⭐️ |
| 84 | chain串联小容器为大容器 | itertools,chain | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 85 | product 使用案例 | product | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 86 | 反转字符串的两个方法 | reversed | V1.0 | ⭐️⭐️ |
| 87 | join 串联字符串 | join | V1.0 | ⭐️⭐️ |
| 88 | 字符串字节长度 | encode | V1.0 | ⭐️⭐️ |
| 89 | 正则中字符 r作用 |
re,r | V3.0 | ⭐️⭐️⭐️ |
| 90 | 正则原子操作 | re | V3.0 | ⭐️⭐️⭐️ |
| 91 | 正则中的转义 | re,\ | V3.0 | ⭐️⭐️⭐️ |
| 92 | 正则最普通查找 | re,findall | V3.0 | ⭐️⭐️⭐️ |
| 93 | 使用通用字符查找 | re,\s,\w,\d | V3.0 | ⭐️⭐️⭐️ |
| 94 | 使用元字符查找 | re,+,* | V3.0 | ⭐️⭐️⭐️ |
| 95 | 捕获子串 | () | V3.0 | ⭐️⭐️⭐️⭐️ |
| 96 | 贪心捕获和非贪心捕获 | re | V1.0 | ⭐️⭐️⭐️⭐️ |
| 97 | 使用正则做密码安全检查 | re | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 98 | 爬取百度首页标题 | re | V1.0 | ⭐️⭐️⭐️⭐️ |
| 99 | 批量转化为驼峰格式(Camel) | re | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 100 | 是否互为排序词 | collections,defaultdict | V1.0 | ⭐️⭐️⭐️⭐️ |
| 101 | str1是否由str2旋转而来 | str | V1.0 | ⭐️⭐️⭐️ |
| 102 | 使用正则判断是否为正浮点数 | str,re,float | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 103 | 获取文件后缀名 | os,splitext | V1.0 | ⭐️⭐️ |
| 104 | 获取路径中的文件名 | os,split | V1.0 | ⭐️⭐️ |
| 105 | 批量修改文件后缀 | argparse,listdir | V1.0 | ⭐️⭐️⭐️⭐️ |
| 106 | xls批量转换成xlsx | os,listdir,splitext | V1.0 | ⭐️⭐️⭐️⭐️ |
| 107 | 获取指定后缀名的文件 | os,listdir,splitext | V1.0 | ⭐️⭐️⭐️⭐️ |
| 108 | 批量压缩文件 | zipfile | V1.0 | ⭐️⭐️⭐️⭐️ |
| 109 | 32位加密 | hashlib | V1.0 | ⭐️⭐️⭐️⭐️ |
| 110 | 年的日历图 | calendar | V1.0 | ⭐️⭐️ |
| 111 | 判断是否为闰年 | calendar | V1.0 | ⭐️⭐️⭐️ |
| 112 | 判断月有几天 | calendar,datetime | V1.0 | ⭐️⭐️⭐️ |
| 113 | 月的第一天 | datetime | V1.0 | ⭐️⭐️ |
| 114 | 月的最后一天 | calendar,datetime | V1.0 | ⭐️⭐️ |
| 115 | 获取当前时间 | time,datetime | V1.0 | ⭐️⭐️ |
| 116 | 字符时间转时间 | time,datetime | V1.0 | ⭐️⭐️ |
| 117 | 时间转字符时间 | time,datetime | V1.0 | ⭐️⭐️ |
| 118 | 默认启动主线程 | threading | V1.0 | ⭐️⭐️ |
| 119 | 创建线程 | threading | V1.0 | ⭐️⭐️ |
| 120 | 交替获得CPU时间片 | threading | V1.0 | ⭐️⭐️⭐️ |
| 121 | 多线程抢夺同一个变量 | threading | V1.0 | ⭐️⭐️⭐️ |
| 122 | 多线程变量竞争引起的问题 | threading | V1.0 | ⭐️⭐️⭐️ |
| 123 | 多线程锁 | threading,lock | V1.0 | ⭐️⭐️⭐️ |
| 124 | 时间转数组及常用格式 | time,datetime,format | V1.0 | ⭐️⭐️⭐️ |
| 125 | 寻找第n次出现位置 | enumerator | V1.0 | ⭐️⭐️⭐️ |
| 126 | 斐波那契数列前n项 | yield,range | V1.0 | ⭐️⭐️⭐️ |
| 127 | 找出所有重复元素 | calendar,datetime | V1.0 | ⭐️⭐️⭐️⭐️ |
| 128 | 联合统计次数 | Counter | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 129 | groupby单字段分组 | itertools, groupby,lambda | V1.0 | ⭐️⭐️⭐️ |
| 130 | groupby多字段分组 | itemgetter,itertools,groupby | V1.0 | ⭐️⭐️⭐️⭐️ |
| 131 | itemgetter和key函数 | operator,itemgetter,itertools | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 132 | sum函数计算和聚合同时做 | sum,generator | V1.0 | ⭐️⭐️⭐️⭐️⭐️ |
| 133 | 获得某天后的1~n天 | Calendar,monthrange | V4.0 | ⭐️⭐️⭐️ |
| 134 | list分组(生成器版) | yield,generator | V1.0 | ⭐️⭐️⭐️ |
| 135 | 列表全展开(生成器版) | list,yield,generator | V1.0 | ⭐️⭐️⭐️ |
| 136 | 测试函数运行时间的装饰器 | decorator | V1.0 | ⭐️⭐️⭐️⭐️ |
| 137 | 统计异常次数装饰器 | decorator,nonlocal | V1.5 | ⭐️⭐️⭐️⭐️ |
| 138 | 通俗理解装饰器 | decorator | V1.0 | ⭐️⭐️⭐️ |
| 139 | 定制递减迭代器 | Iterator | V3.0 | ⭐️⭐️⭐️⭐️ |
| 140 | turtle绘制奥运五环图 | turtle | V1.0 | ⭐️⭐️⭐️ |
| 141 | turtle绘制漫天雪花 | turtle | V1.0 | ⭐️⭐️⭐️ |
| 142 | Python词云图 | WordCloud | V1.0 | ⭐️⭐️⭐ |
| 143 | Plotly柱状图和折线图 | plotly | V1.0 | ⭐️⭐ |
| 144 | seaborn热力图 | seaborn | V1.0 | ⭐️⭐ |
| 145 | Pyecharts仪表盘 | pyecharts | V1.0 | ⭐️⭐ |
| 146 | Pyecharts漏斗图 | pyecharts | V1.0 | ⭐️⭐ |
| 147 | Pyecharts水球图 | pyecharts | V1.0 | ⭐️⭐ |
| 148 | Pyecharts饼图 | pyecharts | V1.0 | ⭐️⭐ |
| 149 | Pyecharts极坐标图 | pyecharts | V1.0 | ⭐️⭐ |
| 150 | Pyecharts词云图 | pyecharts | V1.0 | ⭐️⭐ |
| 151 | Pyecharts热力图 | pyecharts | V1.0 | ⭐️⭐ |
| 152 | matplotlib绘制动图 | matplotlib | V1.0 | ⭐️⭐ |
| 153 | seaborn pairplot图 | seaborn | V1.0 | ⭐️⭐⭐⭐ |
| 154 | 含单个元素的元组 | tuple | V1.0 | ⭐️⭐ |
| 155 | 默认参数设为空 | function | V1.0 | ⭐️⭐⭐ |
| 156 | 共享变量未绑定之坑 | global | V1.0 | ⭐️⭐⭐ |
| 157 | lambda自由参数之坑 | lambda | V1.0 | ⭐️⭐⭐ |
| 158 | 各种参数使用之坑 | function paremeter | V1.0 | ⭐️⭐⭐ |
| 159 | 列表删除之坑 | list | V1.0 | ⭐️⭐ |
| 160 | 列表快速复制之坑 | list | V1.0 | ⭐️⭐⭐ |
| 161 | 字符串驻留 | str | V1.0 | ⭐️⭐⭐⭐⭐ |
| 162 | 相同值的不可变对象 | mutable | V1.0 | ⭐️⭐⭐ |
| 163 | 对象销毁顺序 | OOP del | V1.0 | ⭐️⭐⭐⭐ |
| 164 | 充分认识for | for | V1.0 | ⭐️⭐⭐ |
| 165 | 认识执行时机 | generator | V1.0 | ⭐️⭐⭐⭐⭐ |
| 166 | 创建空集合错误 | set | V1.0 | ⭐️⭐ |
| 167 | pyecharts传入Numpy数据绘图失败 | numpy pyecharts | V1.0 | ⭐️⭐⭐ |
| 168 | 优化代码异常输出包 | debugger | V1.0 | ⭐️⭐⭐ |
| 169 | 图像处理包pillow | pillow | V1.0 | ⭐️⭐⭐ |
| 170 | 一行代码找到编码 | chardet | V1.0 | ⭐️⭐⭐ |
| 171 | 子类继承父类的静态方法吗？ | staticmethod | V1.0 | ⭐️⭐⭐ |
| 172 | NumPy 的pad填充方法 | NumPy pad | V1.0 | ⭐️⭐⭐⭐ |
| 173 | 创建下对角线为1、2、3、4的对角矩阵 | NumPy diag | V1.0 | ⭐️⭐⭐ |
| 174 | cut 数据分箱 | Pandas cut | v1.0 | ⭐️⭐⭐ |
| 175 | 丢弃空值和填充空值 | Pandas dropna fillna | v1.0 | ⭐️⭐⭐ |
| 176 | 一行代码让 pip 安装加速 100 倍 | pip install | v1.0 | ⭐️⭐⭐ |
| 177 | 数据分析神器：deepnote | deepnote | v1.0 | ⭐️⭐⭐ |
| 178 | apply 方法去掉特殊字符 | pandas apply | v1.0 | ⭐️⭐⭐ |
| 179 | 使用map对列做特征工程 | pandas map | v1.0 | ⭐️⭐⭐ |
| 180 | category列转数值 | pandas category | v1.0 | ⭐️⭐⭐ |
| 181 | rank排名 | pandas rank | v1.0 | ⭐️⭐⭐ |
| 182 | 完成数据下采样，调整步长由小时为天 | pandas resample | v1.0 | ⭐️⭐⭐ |
| 183 | 如何用 Pandas 快速生成时间序列数据 | pandas util | v1.0 | ⭐️⭐⭐ |
| 184 | 如何快速找出 DataFrame 所有列 null 值个数 | pandas isnull sum | v1.0 | ⭐️⭐⭐ |
| 185 | 重新排序 DataFrame 的列 | pandas dataframe | v1.0 | ⭐️⭐⭐ |
| 186 | 使用 count 统计词条 出现次数 | pandas count | v1.0 | ⭐️⭐⭐ |
| 187 | split 求时分(HH:mm)的分钟差 | pandas split | v1.0 | ⭐️⭐⭐ |
| 188 | melt透视数据小技巧 | pandas melt | v1.0 | ⭐️⭐⭐ |
| 189 | pivot 透视小技巧 | pandas melt | v1.0 | ⭐️⭐⭐ |
| 190 | p随机读取文件的K行，生成N个 | pandas sample | v1.0 | ⭐️⭐⭐ |
| 191 | 格式化Pandas的时间列 | pandas apply | v1.0 | ⭐️⭐⭐⭐ |
| 192 | 创建SQLite连接 | SQLite | v1.0 | ⭐️⭐⭐⭐ |
| 193 | json对象转python对象 | python json | v1.0 | ⭐️⭐⭐⭐ |
| 194 | python对象转json对象 | python json | v1.0 | ⭐️⭐⭐⭐ |
| 195 | 发现列表前3个最大或最小数 | list heapq | v1.0 | ⭐️⭐⭐⭐ |
| 196 | 使用堆排序列表为升序 | sort heapq | v1.0 | ⭐️⭐⭐⭐ |
| 197 | 使用正则提取正整数和大于0的浮点数 | re findall | v2 | ⭐️⭐⭐⭐ |
Python自动群发邮件
import smtplib
from email import (header)
from email.mime import (text, application, multipart)
import time
def sender_mail():
smt_p = smtplib.SMTP()
smt_p.connect(host='smtp.qq.com', port=25)
sender, password = '[email protected]', "**************"
smt_p.login(sender, password)
receiver_addresses, count_num = [
'[email protected]', '[email protected]'], 1
for email_address in receiver_addresses:
try:
msg = multipart.MIMEMultipart()
msg['From'] = "zhenguo"
msg['To'] = email_address
msg['subject'] = header.Header('这是邮件主题通知', 'utf-8')
msg.attach(text.MIMEText(
'这是一封测试邮件，请勿回复本邮件~', 'plain', 'utf-8'))
smt_p.sendmail(sender, email_address, msg.as_string())
time.sleep(10)
print('第%d次发送给%s' % (count_num, email_address))
count_num = count_num + 1
except Exception as e:
print('第%d次给%s发送邮件异常' % (count_num, email_address))
continue
smt_p.quit()
sender_mail()注意：
发送邮箱是qq邮箱，所以要在qq邮箱中设置开启SMTP服务，设置完成时会生成一个授权码，将这个授权码赋值给文中的password变量
二分搜索是程序员必备的算法，无论什么场合，都要非常熟练地写出来。
小例子描述：
在有序数组arr中，指定区间[left,right]范围内，查找元素x
如果不存在，返回-1
二分搜索binarySearch实现的主逻辑
def binarySearch(arr, left, right, x):
while left <= right:
mid = int(left + (right - left) / 2); # 找到中间位置。求中点写成(left+right)/2更容易溢出，所以不建议这样写
# 检查x是否出现在位置mid
if arr[mid] == x:
print('found %d 在索引位置%d 处' %(x,mid))
return mid
# 假如x更大，则不可能出现在左半部分
elif arr[mid] < x:
left = mid + 1 #搜索区间变为[mid+1,right]
print('区间缩小为[%d,%d]' %(mid+1,right))
# 同理，假如x更小，则不可能出现在右半部分
elif x<arr[mid]:
right = mid - 1 #搜索区间变为[left,mid-1]
print('区间缩小为[%d,%d]' %(left,mid-1))
# 假如搜索到这里，表明x未出现在[left,right]中
return -1在Ipython交互界面中，调用binarySearch的小Demo:
In [8]: binarySearch([4,5,6,7,10,20,100],0,6,5)
区间缩小为[0,2]
found 5 at 1
Out[8]: 1
In [9]: binarySearch([4,5,6,7,10,20,100],0,6,4)
区间缩小为[0,2]
区间缩小为[0,0]
found 4 at 0
Out[9]: 0
In [10]: binarySearch([4,5,6,7,10,20,100],0,6,20)
区间缩小为[4,6]
found 20 at 5
Out[10]: 5
In [11]: binarySearch([4,5,6,7,10,20,100],0,6,100)
区间缩小为[4,6]
区间缩小为[6,6]
found 100 at 6
Out[11]: 6爬取天气数据并解析温度值
素材来自朋友袁绍，感谢！
爬取的html 结构
import requests
from lxml import etree
import pandas as pd
import re
url = 'http://www.weather.com.cn/weather1d/101010100.shtml#input'
with requests.get(url) as res:
content = res.content
html = etree.HTML(content)通过lxml模块提取值
lxml比beautifulsoup解析在某些场合更高效
location = html.xpath('//*[@id="around"]//a[@target="_blank"]/span/text()')
temperature = html.xpath('//*[@id="around"]/div/ul/li/a/i/text()')结果：
['香河', '涿州', '唐山', '沧州', '天津', '廊坊', '太原', '石家庄', '涿鹿', '张家口', '保定', '三河', '北京孔庙', '北京国子监', '中国地质博物馆', '月坛公
园', '明城墙遗址公园', '北京市规划展览馆', '什刹海', '南锣鼓巷', '天坛公园', '北海公园', '景山公园', '北京海洋馆']
['11/-5°C', '14/-5°C', '12/-6°C', '12/-5°C', '11/-1°C', '11/-5°C', '8/-7°C', '13/-2°C', '8/-6°C', '5/-9°C', '14/-6°C', '11/-4°C', '13/-3°C'
, '13/-3°C', '12/-3°C', '12/-3°C', '13/-3°C', '12/-2°C', '12/-3°C', '13/-3°C', '12/-2°C', '12/-2°C', '12/-2°C', '12/-3°C']构造DataFrame对象
df = pd.DataFrame({'location':location, 'temperature':temperature})
print('温度列')
print(df['temperature'])正则解析温度值
df['high'] = df['temperature'].apply(lambda x: int(re.match('(-?[0-9]*?)/-?[0-9]*?°C', x).group(1) ) )
df['low'] = df['temperature'].apply(lambda x: int(re.match('-?[0-9]*?/(-?[0-9]*?)°C', x).group(1) ) )
print(df)详细说明子字符创捕获
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（group）。比如：^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码
m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
print(m.group(0))
print(m.group(1))
print(m.group(2))
# 010-12345
# 010
# 12345如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。
注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。
最终结果
Name: temperature, dtype: object
location temperature high low
0 香河 11/-5°C 11 -5
1 涿州 14/-5°C 14 -5
2 唐山 12/-6°C 12 -6
3 沧州 12/-5°C 12 -5
4 天津 11/-1°C 11 -1
5 廊坊 11/-5°C 11 -5
6 太原 8/-7°C 8 -7
7 石家庄 13/-2°C 13 -2
8 涿鹿 8/-6°C 8 -6
9 张家口 5/-9°C 5 -9
10 保定 14/-6°C 14 -6
11 三河 11/-4°C 11 -4
12 北京孔庙 13/-3°C 13 -3
13 北京国子监 13/-3°C 13 -3
14 中国地质博物馆 12/-3°C 12 -3
15 月坛公园 12/-3°C 12 -3
16 明城墙遗址公园 13/-3°C 13 -3
17 北京市规划展览馆 12/-2°C 12 -2
18 什刹海 12/-3°C 12 -3
19 南锣鼓巷 13/-3°C 13 -3
20 天坛公园 12/-2°C 12 -2
21 北海公园 12/-2°C 12 -2
22 景山公园 12/-2°C 12 -2
23 北京海洋馆 12/-3°C 12 -3
本项目基于Kaggle电影影评数据集，通过这个系列，你将学到如何进行数据探索性分析(EDA)，学会使用数据分析利器pandas，会用绘图包pyecharts，以及EDA时可能遇到的各种实际问题及一些处理技巧。
本项目需要导入的包：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pyecharts.charts import Bar,Grid,Line
import pyecharts.options as opts
from pyecharts.globals import ThemeTypepandas中一个dataFrame实例：
Out[89]:
a val
0 apple1 1.0
1 apple2 2.0
2 apple3 3.0
3 apple4 4.0
4 apple5 5.0我们的目标是变为如下结构：
a apple1 apple2 apple3 apple4 apple5
0 1.0 2.0 3.0 4.0 5.0乍看可使用pivot，但很难一步到位。
所以另辟蹊径，提供一种简单且好理解的方法：
In [113]: pd.DataFrame(index=[0],columns=df.a,data=dict(zip(df.a,df.val)))
Out[113]:
a apple1 apple2 apple3 apple4 apple5
0 1.0 2.0 3.0 4.0 5.0以上方法是重新创建一个DataFrame,直接把df.a所有可能取值作为新dataframe的列，index调整为[0]，注意类型必须是数组类型(array-like 或者 Index)，两个轴确定后，data填充数据域。
In [116]: dict(zip(df.a,df.val))
Out[116]: {'apple1': 1.0, 'apple2': 2.0, 'apple3': 3.0, 'apple4': 4.0, 'apple5': 5.0}数据来自kaggle，共包括三个文件：
- movies.dat
- ratings.dat
- users.dat
movies.dat包括三个字段：['Movie ID', 'Movie Title', 'Genre']
使用pandas导入此文件：
import pandas as pd
movies = pd.read_csv('./data/movietweetings/movies.dat', delimiter='::', engine='python', header=None, names = ['Movie ID', 'Movie Title', 'Genre'])导入后，显示前5行：
Movie ID Movie Title \
0 8 Edison Kinetoscopic Record of a Sneeze (1894)
1 10 La sortie des usines Lumi猫re (1895)
2 12 The Arrival of a Train (1896)
3 25 The Oxford and Cambridge University Boat Race ...
4 91 Le manoir du diable (1896)
5 131 Une nuit terrible (1896)
6 417 Le voyage dans la lune (1902)
7 439 The Great Train Robbery (1903)
8 443 Hiawatha, the Messiah of the Ojibway (1903)
9 628 The Adventures of Dollie (1908)
Genre
0 Documentary|Short
1 Documentary|Short
2 Documentary|Short
3 NaN
4 Short|Horror
5 Short|Comedy|Horror
6 Short|Action|Adventure|Comedy|Fantasy|Sci-Fi
7 Short|Action|Crime|Western
8 NaN
9 Action|Short 次导入其他两个数据文件
users.dat:
users = pd.read_csv('./data/movietweetings/users.dat', delimiter='::', engine='python', header=None, names = ['User ID', 'Twitter ID'])
print(users.head())结果：
User ID Twitter ID
0 1 397291295
1 2 40501255
2 3 417333257
3 4 138805259
4 5 2452094989
5 6 391774225
6 7 47317010
7 8 84541461
8 9 2445803544
9 10 995885060rating.data:
ratings = pd.read_csv('./data/movietweetings/ratings.dat', delimiter='::', engine='python', header=None, names = ['User ID', 'Movie ID', 'Rating', 'Rating Timestamp'])
print(ratings.head())结果：
User ID Movie ID Rating Rating Timestamp
0 1 111161 10 1373234211
1 1 117060 7 1373415231
2 1 120755 6 1373424360
3 1 317919 6 1373495763
4 1 454876 10 1373621125
5 1 790724 8 1374641320
6 1 882977 8 1372898763
7 1 1229238 9 1373506523
8 1 1288558 5 1373154354
9 1 1300854 8 1377165712read_csv 使用说明
说明，本次导入dat文件使用pandas.read_csv函数。
第一个位置参数./data/movietweetings/ratings.dat 表示文件的相对路径
第二个关键字参数：delimiter='::'，表示文件分隔符使用::
后面几个关键字参数分别代表使用的引擎，文件没有表头，所以header为None;
导入后dataframe的列名使用names关键字设置，这个参数大家可以记住，比较有用。
Kaggle电影数据集第一节，我们使用数据处理利器 pandas， 函数read_csv 导入给定的三个数据文件。
import pandas as pd
movies = pd.read_csv('./data/movietweetings/movies.dat', delimiter='::', engine='python', header=None, names = ['Movie ID', 'Movie Title', 'Genre'])
users = pd.read_csv('./data/movietweetings/users.dat', delimiter='::', engine='python', header=None, names = ['User ID', 'Twitter ID'])
ratings = pd.read_csv('./data/movietweetings/ratings.dat', delimiter='::', engine='python', header=None, names = ['User ID', 'Movie ID', 'Rating', 'Rating Timestamp'])用到的read_csv，某些重要的参数，如何使用在上一节也有所提到。下面开始数据探索分析(EDA)
找出得分前10喜剧(comedy)
表movies字段Genre表示电影的类型，可能有多个值，分隔符为|，取值也可能为None.
针对这类字段取值，可使用Pandas中Series提供的str做一步转化，注意它是向量级的，下一步，如Python原生的str类似，使用contains判断是否含有comedy字符串：
mask = movies.Genre.str.contains('comedy',case=False,na=False)注意使用的两个参数：case, na
case为 False，表示对大小写不敏感；
na Genre列某个单元格为NaN时，我们使用的充填值，此处填充为False
返回的mask是一维的Series，结构与 movies.Genre相同，取值为True 或 False.
观察结果：
0 False
1 False
2 False
3 False
4 False
5 True
6 True
7 False
8 False
9 False
Name: Genre, dtype: bool得到掩码mask后，pandas非常方便地能提取出目标记录：
comedy = movies[mask]
comdey_ids = comedy['Movie ID']以上，在pandas中被最频率使用，不再解释。看结果comedy_ids.head()：
5 131
6 417
15 2354
18 3863
19 4099
20 4100
21 4101
22 4210
23 4395
25 4518
Name: Movie ID, dtype: int641-4介绍数据读入，处理组合值，索引数据等, pandas中使用较多的函数，基于Kaggle真实电影影评数据集，最后得到所有喜剧 ID：
5 131
6 417
15 2354
18 3863
19 4099
20 4100
21 4101
22 4210
23 4395
25 4518
Name: Movie ID, dtype: int64下面继续数据探索之旅~
拿到所有喜剧的ID后，要想找出其中平均得分最高的前10喜剧，需要关联另一张表：ratings:
再回顾下ratings表结构：
User ID Movie ID Rating Rating Timestamp
0 1 111161 10 1373234211
1 1 117060 7 1373415231
2 1 120755 6 1373424360
3 1 317919 6 1373495763
4 1 454876 10 1373621125
5 1 790724 8 1374641320
6 1 882977 8 1372898763
7 1 1229238 9 1373506523
8 1 1288558 5 1373154354
9 1 1300854 8 1377165712pandas 中使用join关联两张表，连接字段是Movie ID，如果顺其自然这么使用join：
combine = ratings.join(comedy, on='Movie ID', rsuffix='2')左右滑动，查看完整代码
大家可验证这种写法，仔细一看，会发现结果非常诡异。
究其原因，这是pandas join函数使用的一个算是坑点，它在官档中介绍，连接右表时，此处右表是comedy，它的index要求是连接字段，也就是 Movie ID.
左表的index不要求，但是要在参数 on中给定。
以上是要注意的一点
修改为：
combine = ratings.join(comedy.set_index('Movie ID'), on='Movie ID')
print(combine.head(10))以上是OK的写法
观察结果：
User ID Movie ID Rating Rating Timestamp Movie Title Genre
0 1 111161 10 1373234211 NaN NaN
1 1 117060 7 1373415231 NaN NaN
2 1 120755 6 1373424360 NaN NaN
3 1 317919 6 1373495763 NaN NaN
4 1 454876 10 1373621125 NaN NaN
5 1 790724 8 1374641320 NaN NaN
6 1 882977 8 1372898763 NaN NaN
7 1 1229238 9 1373506523 NaN NaN
8 1 1288558 5 1373154354 NaN NaN
9 1 1300854 8 1377165712 NaN NaNGenre列为NaN表明，这不是喜剧。需要筛选出此列不为NaN 的记录。
pandas最方便的地方，就是向量化运算，尽可能减少了for循环的嵌套。
按列筛选这种常见需求，自然可以轻松应对。
为了照顾初次接触 pandas 的朋友，分两步去写：
mask = pd.notnull(combine['Genre'])结果是一列只含True 或 False的值
result = combine[mask]
print(result.head())结果中，Genre字段中至少含有一个Comedy字符串，表明验证了我们以上操作是OK的。
User ID Movie ID Rating Rating Timestamp Movie Title \
12 1 1588173 9 1372821281 Warm Bodies (2013)
13 1 1711425 3 1372604878 21 & Over (2013)
14 1 2024432 8 1372703553 Identity Thief (2013)
17 1 2101441 1 1372633473 Spring Breakers (2012)
28 2 1431045 7 1457733508 Deadpool (2016)
Genre
12 Comedy|Horror|Romance
13 Comedy
14 Adventure|Comedy|Crime|Drama
17 Comedy|Crime|Drama
28 Action|Adventure|Comedy|Sci-Fi
截止目前已经求出所有喜剧电影result，前5行如下，Genre中都含有Comedy字符串：
User ID Movie ID Rating Rating Timestamp Movie Title \
12 1 1588173 9 1372821281 Warm Bodies (2013)
13 1 1711425 3 1372604878 21 & Over (2013)
14 1 2024432 8 1372703553 Identity Thief (2013)
17 1 2101441 1 1372633473 Spring Breakers (2012)
28 2 1431045 7 1457733508 Deadpool (2016)
Genre
12 Comedy|Horror|Romance
13 Comedy
14 Adventure|Comedy|Crime|Drama
17 Comedy|Crime|Drama
28 Action|Adventure|Comedy|Sci-Fi result中会有很多观众对同一部电影的打分，所以要求得分前10的喜剧，先按照Movie ID分组，然后求出平均值：
score_as_movie = result.groupby('Movie ID').mean()前5行显示如下：
User ID Rating Rating Timestamp
Movie ID
131 34861.000000 7.0 1.540639e+09
417 34121.409091 8.5 1.458680e+09
2354 6264.000000 8.0 1.456343e+09
3863 43803.000000 10.0 1.430439e+09
4099 25084.500000 7.0 1.450323e+09score_as_movie.sort_values(by='Rating', ascending = False,inplace=True)
score_as_movie前5行显示如下：
User ID Rating Rating Timestamp
Movie ID
7134690 30110.0 10.0 1.524974e+09
416889 1319.0 10.0 1.543320e+09
57840 23589.0 10.0 1.396802e+09
5693562 50266.0 10.0 1.511024e+09
5074 43803.0 10.0 1.428352e+09都是满分？这有点奇怪，会不会这些电影都只有几个人评分，甚至只有1个？评分样本个数太少，显然最终的平均分数不具有太强的说服力。
所以，下面要进行每部电影的评分人数统计
根据Movie ID分组后，使用count函数统计每组个数，只保留count列，最后得到watchs2:
watchs = result.groupby('Movie ID').agg(['count'])
watchs2 = watchs['Rating']['count']打印前20行：
print(watchs2.head(20))结果：
Movie ID
131 1
417 22
2354 1
3863 1
4099 2
4100 1
4101 1
4210 1
4395 1
4518 1
4546 2
4936 2
5074 1
5571 1
6177 1
6414 3
6684 1
6689 1
7145 1
7162 2
Name: count, dtype: int64果然，竟然有这么多电影的评论数只有1次！样本个数太少，评论的平均值也就没有什么说服力。
查看watchs2一些重要统计量：
watchs2.describe()结果：
count 10740.000000
mean 20.192086
std 86.251411
min 1.000000
25% 1.000000
50% 2.000000
75% 7.000000
max 1843.000000
Name: count, dtype: float64共有10740部喜剧电影被评分，平均打分次数20次，标准差86，75%的电影样本打分次数小于7次，最小1次，最多1843次。
绘制评论数的频率分布直方图，便于更直观的观察电影被评论的分布情况。上面分析到，75%的电影打分次数小于7次，所以绘制打分次数小于20次的直方图：
fig = plt.figure(figsize=(12,8))
histn = plt.hist(watchs2[watchs2 <=19],19,histtype='step')
plt.scatter([i+1 for i in range(len(histn[0]))],histn[0])
histn元祖表示个数和对应的被分割的区间，查看histn[0]:
array([4383., 1507., 787., 541., 356., 279., 209., 163., 158.,
118., 114., 90., 104., 81., 80., 73., 62., 65.,
52.])sum(histn[0]) # 9222看到电影评论次数1到19次的喜剧电影9222部，共有10740部喜剧电影，大约86%的喜剧电影评论次数小于20次，有1518部电影评论数不小于20次。
我们肯定希望挑选出被评论次数尽可能多的电影，因为难免会有水军和滥竽充数等异常评论行为。那么，如何准确的量化最小抽样量呢？
根据统计学的知识，最小抽样量和Z值、样本方差和样本误差相关，下面给出具体的求解最小样本量的计算方法。
采用如下计算公式：
此处，$Z$ 值取为95%的置信度对应的Z值也就是1.96，样本误差取为均值的2.5%.
根据以上公式，编写下面代码：
n3 = result.groupby('Movie ID').agg(['count','mean','std'])
n3r = n3[n3['Rating']['count']>=20]['Rating']只计算影评超过20次，且满足最小样本量的电影。计算得到的n3r前5行：
count mean std
Movie ID
417 22 8.500000 1.263027
12349 68 8.485294 1.227698
15324 20 8.350000 1.039990
15864 51 8.431373 1.374844
17925 44 8.636364 1.259216进一步求出最小样本量：
nmin = (1.96**2*n3r['std']**2) / ( (n3r['mean']*0.025)**2 )nmin前5行：
Movie ID
417 135.712480
12349 128.671290
15324 95.349276
15864 163.434005
17925 130.668350筛选出满足最小抽样量的喜剧电影：
n3s = n3r[ n3r['count'] >= nmin ]结果显示如下，因此共有173部电影满足最小样本抽样量。
count mean std
Movie ID
53604 129 8.635659 1.230714
57012 207 8.449275 1.537899
70735 224 8.839286 1.190799
75686 209 8.095694 1.358885
88763 296 8.945946 1.026984
... ... ... ...
6320628 860 7.966279 1.469924
6412452 276 7.510870 1.389529
6662050 22 10.000000 0.000000
6966692 907 8.673649 1.286455
7131622 1102 7.851180 1.751500
173 rows × 3 columns按照平均得分从大到小排序：
n3s_sort = n3s.sort_values(by='mean',ascending=False)结果：
count mean std
Movie ID
6662050 22 10.000000 0.000000
4921860 48 10.000000 0.000000
5262972 28 10.000000 0.000000
5512872 353 9.985836 0.266123
3863552 199 9.010050 1.163372
... ... ... ...
1291150 647 6.327666 1.785968
2557490 546 6.307692 1.858434
1478839 120 6.200000 0.728761
2177771 485 6.150515 1.523922
1951261 1091 6.083410 1.736127
173 rows × 3 columns仅靠Movie ID还是不知道哪些电影，连接movies表：
ms = movies.drop_duplicates(subset=['Movie ID'])
ms = ms.set_index('Movie ID')
n3s_final = n3s_drops.join(ms,on='Movie ID')喜剧榜单前50名：
Movie Title
Five Minutes (2017)
MSG 2 the Messenger (2015)
Avengers: Age of Ultron Parody (2015)
Be Somebody (2016)
Bajrangi Bhaijaan (2015)
Back to the Future (1985)
La vita 鐚?bella (1997)
The Intouchables (2011)
The Sting (1973)
Coco (2017)
Toy Story 3 (2010)
3 Idiots (2009)
Green Book (2018)
Dead Poets Society (1989)
The Apartment (1960)
P.K. (2014)
The Truman Show (1998)
Am鑼卨ie (2001)
Inside Out (2015)
Toy Story 4 (2019)
Toy Story (1995)
Finding Nemo (2003)
Dr. Strangelove or: How I Learned to Stop Worrying and Love the Bomb (1964)
Home Alone (1990)
Zootopia (2016)
Up (2009)
Monsters, Inc. (2001)
La La Land (2016)
Relatos salvajes (2014)
En man som heter Ove (2015)
Snatch (2000)
Lock, Stock and Two Smoking Barrels (1998)
How to Train Your Dragon 2 (2014)
As Good as It Gets (1997)
Guardians of the Galaxy (2014)
The Grand Budapest Hotel (2014)
Fantastic Mr. Fox (2009)
Silver Linings Playbook (2012)
Sing Street (2016)
Deadpool (2016)
Annie Hall (1977)
Pride (2014)
In Bruges (2008)
Big Hero 6 (2014)
Groundhog Day (1993)
The Breakfast Club (1985)
Little Miss Sunshine (2006)
Deadpool 2 (2018)
The Terminal (2004)前10名评论数图：
代码：
x = n3s_final['Movie Title'][:10].tolist()[::-1]
y = n3s_final['count'][:10].tolist()[::-1]
bar = (
Bar()
.add_xaxis(x)
.add_yaxis('评论数',y,category_gap='50%')
.reversal_axis()
.set_global_opts(title_opts=opts.TitleOpts(title="喜剧电影被评论次数"),
toolbox_opts=opts.ToolboxOpts(),)
)
grid = (
Grid(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
.add(bar, grid_opts=opts.GridOpts(pos_left="30%"))
)
grid.render_notebook()前10名得分图：
代码：
x = n3s_final['Movie Title'][:10].tolist()[::-1]
y = n3s_final['mean'][:10].round(3).tolist()[::-1]
bar = (
Bar()
.add_xaxis(x)
.add_yaxis('平均得分',y,category_gap='50%')
.reversal_axis()
.set_global_opts(title_opts=opts.TitleOpts(title="喜剧电影平均得分"),
xaxis_opts=opts.AxisOpts(min_=8.0,name='平均得分'),
toolbox_opts=opts.ToolboxOpts(),)
)
grid = (
Grid(init_opts=opts.InitOpts(theme=ThemeType.MACARONS))
.add(bar, grid_opts=opts.GridOpts(pos_left="30%"))
)
grid.render_notebook()分类变量的数值化，是指将枚举类变量转化为indicator变量或称dummy变量。
那么什么是indicator变量，看看如下例子，A变量解析为：[1,0,0], B解析为：[0,1,0], C解析为：[0,0,1]
In [8]: s = pd.Series(list('ABCA'))
In [9]: pd.get_dummies(s)
Out[9]:
A B C
0 1 0 0
1 0 1 0
2 0 0 1
3 1 0 0如果输入的字符有4个唯一值，看到字符a被解析为[1,0,0,0]，向量长度为4.
In [5]: s = pd.Series(list('abaccd'))
In [6]: pd.get_dummies(s)
Out[6]:
a b c d
0 1 0 0 0
1 0 1 0 0
2 1 0 0 0
3 0 0 1 0
4 0 0 1 0
5 0 0 0 1也就是说dummy向量的长度等于输入字符串中，唯一字符的个数。
Pandas 处理数据，太好用了，谁用谁知道！
使用过 Pandas 的，几乎都会遇到一个警告：
SettingWithCopyWarning
非常烦人！
尤其是刚接触 Pandas 的，完全不理解为什么弹出这么一串：
d:\source\test\settingwithcopy.py:9: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy 归根结底，是因为代码中出现链式操作...
有人就问了，什么是链式操作?
这样的：
tmp = df[df.a<4]
tmp['c'] = 200先记住这个最典型的情况，即可！
有的人就问了：出现这个 Warning, 需要理会它吗？
如果结果不对，当然要理会；如果结果对，不care.
举个例子~~
import pandas as pd
df = pd.DataFrame({'a':[1,3,5],'b':[4,2,7]},index=['a','b','c'])
df.loc[df.a<4,'c'] = 100
print(df)
print('it\'s ok')
tmp = df[df.a<4]
tmp['c'] = 200
print('-----tmp------')
print(tmp)
print('-----df-------')
print(df)输出结果：
a b c
a 1 4 100.0
b 3 2 100.0
c 5 7 NaN
it's ok
d:\source\test\settingwithcopy.py:9: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
tmp['c'] = 200
-----tmp------
a b c
a 1 4 200
b 3 2 200
-----df-------
a b c
a 1 4 100.0
b 3 2 100.0
c 5 7 NaNit's ok 行后面的发生链式赋值，导致结果错误。因为 tmp 变了，df 没赋上值啊，所以必须理会。
it's ok 行前的是正解。
以上，链式操作尽量避免，如何避免？多使用 .loc[row_indexer,col_indexer]，提示告诉我们的~
仅使用 NumPy，下载数据，归一化，使用 seaborn 展示数据分布。
下载数据
import numpy as np
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
wid = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[1])仅提取 iris 数据集的第二列 usecols = [1]
展示数据
array([3.5, 3. , 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.4, 3. ,
3. , 4. , 4.4, 3.9, 3.5, 3.8, 3.8, 3.4, 3.7, 3.6, 3.3, 3.4, 3. ,
3.4, 3.5, 3.4, 3.2, 3.1, 3.4, 4.1, 4.2, 3.1, 3.2, 3.5, 3.1, 3. ,
3.4, 3.5, 2.3, 3.2, 3.5, 3.8, 3. , 3.8, 3.2, 3.7, 3.3, 3.2, 3.2,
3.1, 2.3, 2.8, 2.8, 3.3, 2.4, 2.9, 2.7, 2. , 3. , 2.2, 2.9, 2.9,
3.1, 3. , 2.7, 2.2, 2.5, 3.2, 2.8, 2.5, 2.8, 2.9, 3. , 2.8, 3. ,
2.9, 2.6, 2.4, 2.4, 2.7, 2.7, 3. , 3.4, 3.1, 2.3, 3. , 2.5, 2.6,
3. , 2.6, 2.3, 2.7, 3. , 2.9, 2.9, 2.5, 2.8, 3.3, 2.7, 3. , 2.9,
3. , 3. , 2.5, 2.9, 2.5, 3.6, 3.2, 2.7, 3. , 2.5, 2.8, 3.2, 3. ,
3.8, 2.6, 2.2, 3.2, 2.8, 2.8, 2.7, 3.3, 3.2, 2.8, 3. , 2.8, 3. ,
2.8, 3.8, 2.8, 2.8, 2.6, 3. , 3.4, 3.1, 3. , 3.1, 3.1, 3.1, 2.7,
3.2, 3.3, 3. , 2.5, 3. , 3.4, 3. ])
这是单变量(univariate)长度为 150 的一维 NumPy 数组。
归一化
求出最大值、最小值
smax = np.max(wid)
smin = np.min(wid)
In [51]: smax,smin
Out[51]: (4.4, 2.0)归一化公式：
s = (wid - smin) / (smax - smin)只打印小数点后三位设置：
np.set_printoptions(precision=3) 归一化结果：
array([0.625, 0.417, 0.5 , 0.458, 0.667, 0.792, 0.583, 0.583, 0.375,
0.458, 0.708, 0.583, 0.417, 0.417, 0.833, 1. , 0.792, 0.625,
0.75 , 0.75 , 0.583, 0.708, 0.667, 0.542, 0.583, 0.417, 0.583,
0.625, 0.583, 0.5 , 0.458, 0.583, 0.875, 0.917, 0.458, 0.5 ,
0.625, 0.458, 0.417, 0.583, 0.625, 0.125, 0.5 , 0.625, 0.75 ,
0.417, 0.75 , 0.5 , 0.708, 0.542, 0.5 , 0.5 , 0.458, 0.125,
0.333, 0.333, 0.542, 0.167, 0.375, 0.292, 0. , 0.417, 0.083,
0.375, 0.375, 0.458, 0.417, 0.292, 0.083, 0.208, 0.5 , 0.333,
0.208, 0.333, 0.375, 0.417, 0.333, 0.417, 0.375, 0.25 , 0.167,
0.167, 0.292, 0.292, 0.417, 0.583, 0.458, 0.125, 0.417, 0.208,
0.25 , 0.417, 0.25 , 0.125, 0.292, 0.417, 0.375, 0.375, 0.208,
0.333, 0.542, 0.292, 0.417, 0.375, 0.417, 0.417, 0.208, 0.375,
0.208, 0.667, 0.5 , 0.292, 0.417, 0.208, 0.333, 0.5 , 0.417,
0.75 , 0.25 , 0.083, 0.5 , 0.333, 0.333, 0.292, 0.542, 0.5 ,
0.333, 0.417, 0.333, 0.417, 0.333, 0.75 , 0.333, 0.333, 0.25 ,
0.417, 0.583, 0.458, 0.417, 0.458, 0.458, 0.458, 0.292, 0.5 ,
0.542, 0.417, 0.208, 0.417, 0.583, 0.417])分布可视化
import seaborn as sns
sns.distplot(s,kde=False,rug=True)频率分布直方图：
sns.distplot(s,hist=True,kde=True,rug=True)带高斯密度核函数的直方图：
分布 fit 图
拿 gamma 分布去 fit ：
from scipy import stats
sns.distplot(s, kde=False, fit = stats.gamma)
拿双 gamma 去 fit：
from scipy import stats
sns.distplot(s, kde=False, fit = stats.dgamma)
对于动辄就几十或几百个 G 的数据，在读取的这么大数据的时候，我们有没有办法随机选取一小部分数据，然后读入内存，快速了解数据和开展 EDA ？
使用 Pandas 的 skiprows 和 概率知识，就能做到。
下面解释具体怎么做。
如下所示，读取某 100 G 大小的 big_data.csv 数据
-
使用 skiprows 参数，
-
x > 0 确保首行读入，
-
np.random.rand() > 0.01 表示 99% 的数据都会被随机过滤掉
言外之意，只有全部数据的 1% 才有机会选入内存中。
import pandas as pd
import numpy as np
df = pd.read_csv("big_data.csv",
skiprows =
lambda x: x>0 and np.random.rand() > 0.01)
print("The shape of the df is {}.
It has been reduced 100 times!".format(df.shape))使用这种方法，读取的数据量迅速缩减到原来的 1% ，对于迅速展开数据分析有一定的帮助。
Flask是Python轻量级web框架，容易上手，被广大Python开发者所喜爱。
今天我们先从hello world开始，一步一步掌握Flask web开发。例子君是Flask框架的小白，接下来与读者朋友们，一起学习这个对我而言的新框架，大家多多指导。
首先pip install Flask,安装Flask，然后import Flask，同时创建一个 app
from flask import Flask
App = Flask(__name__)写一个index页的入口函数，返回hello world.
通过装饰器：App.route('/')创建index页的路由或地址，一个/表示index页，也就是主页。
@App.route('/')
def index():
return "hello world"调用 index函数:
if __name__ == "__main__":
App.run(debug=True)然后启动，会在console下看到如下启动信息，表明服务启动成功。
* Debug mode: on
* Restarting with stat
* Debugger is active!
* Debugger PIN: 663-788-611
* Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)接下来，打开一个网页，相当于启动客户端，并在Url栏中输入：http://127.0.0.1:5000/，看到页面上答应出hello world，证明服务访问成功。
同时在服务端后台看到如下信息，表示处理一次来自客户端的get请求。
27.0.0.1 - - [03/Feb/2020 21:26:50] "GET / HTTP/1.1" 200 -以上就是flask的hello world 版
数据持久化就是将数据写入到数据库存储的过程。
本例子使用sqlite3数据库。
1)导入sqlite3，未安装前使用命令pip install sqlite3
创建一个py文件：sqlite3_started.py，并写下第一行代码：
import sqlite32)手动创建一个数据库实例db, 命名test.db
3)创建与数据库实例test.db的连接:
conn = sqlite3.connect("test.db")4)拿到连接conn的cursor
c = conn.cursor()5)创建第一张表books
共有四个字段：id,sort,name,price，类型分别为：int,int,text,real. 其中id为primary key. 主键的取值必须是唯一的(unique)，否则会报错。
c.execute('''CREATE TABLE books
(id int primary key,
sort int,
name text,
price real)''')第一次执行上面语句，表books创建完成。当再次执行时，就会报重复建表的错误。需要优化脚本，检查表是否存在IF NOT EXISTS books，不存在再创建：
c.execute('''CREATE TABLE IF NOT EXISTS books
(id int primary key,
sort int,
name text,
price real)''')6)插入一行记录
共为4个字段赋值
c.execute('''INSERT INTO books VALUES
(1,
1,
'computer science',
39.0)''')7)一次插入多行记录
先创建一个list:books，使用executemany一次插入多行。
books = [(2, 2, 'Cook book', 68),
(3, 2, 'Python intro', 89),
(4, 3, 'machine learning', 59),
]
c.executemany('INSERT INTO books VALUES (?, ?, ?, ?)', books)8)提交
提交后才会真正生效，写入到数据库
conn.commit()9)关闭期初建立的连接conn
务必记住手动关闭，否则会出现内存泄漏
conn.close()
print('Done')10)查看结果
例子君使用vs code，在扩展库中选择：SQLite安装。
新建一个sq文件：a.sql，内容如下：
SELECT * from books 右键run query，得到表books插入的4行记录可视化图：
以上十步就是sqlite3写入数据库的主要步骤，作为Flask系列的第二篇，为后面的前端讲解打下基础。
这篇介绍Flask和B/S模式，即浏览器/服务器模式，是接下来快速理解Flask代码的关键理论篇：理解Views、models和渲染模板层的调用关系。
- 发出请求
当我们在浏览器地址栏中输入某个地址，按回车后，完成第一步。
- 视图层 views接收1)步发出的请求，Flask中使用解释器的方式处理这个求情，实例代码如下，它通常涉及到调用models层和模板文件层
@main_blue.route('/', methods=['GET', 'POST'])
def index():
form = TestForm()
print('test')-
models层会负责创建数据模型，执行CRUD操作
-
模板文件层处理html模板
-
组合后返回html
-
models层和html模板组合后返回给views层
7）最后views层响应并渲染到浏览器页面，我们就能看到请求的页面。
完整过程图如下所示：
读者朋友们，如果你和例子君一样都是初学Flask编程，需要好好理解上面的过程。理解这些对于接下来的编程会有一定的理论指导，方向性指导价值。
今天先来解答如何生成二维码。Python的qrcode包支持生成二维码。
用法也很简单：
import qrcode
# 二维码内容
data = "http://www.zglg.work/wp-content/uploads/2020/10/image-3.png"
# 生成二维码
img = qrcode.make(data=data)
# 直接显示二维码
img.show()
# 保存二维码为文件
img.save("我的微信.jpg")生成的二维码如下：
大家微信扫描后，会出现我的二维码。
另外，还可以设置二维码的颜色等样式：
import qrcode
# 实例化二维码生成类
qr = qrcode.QRCode(border=2)
# 设置二维码数据
data = "http://www.zglg.work/wp-content/uploads/2020/10/image-3.png"
qr.add_data(data=data)
# 启用二维码颜色设置
qr.make(fit=True)
img = qr.make_image(fill_color="orange", back_color="white")
# 显示二维码
img.show()生成一个orange的二维码：
更多样式，大家可以自己去玩耍。