PY基础

三个重要的库

Numpy

import numpy as np

# 1. 创建数组
a = np.array([1, 2, 3])              # 一维
b = np.array([[1, 2], [3, 4]])       # 二维（矩阵）
c = np.zeros((3, 4))                 # 全0矩阵
d = np.ones((2, 3))                  # 全1矩阵
e = np.random.rand(3, 3)            # 随机矩阵
f = np.arange(0, 10, 2)             # [0, 2, 4, 6, 8]

# 2. 数组属性（必须会看）
print(a.shape)     # 形状，如 (3,) 或 (2, 3)
print(a.ndim)      # 维度数，1或2或3
print(a.dtype)     # 数据类型，如 int64, float64
print(a.size)      # 元素总数

# 3. 切片（和Python列表类似但更强）
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b[0, :])     # 第一行 [1, 2, 3]
print(b[:, 1])     # 第二列 [2, 5]
print(b[0:2, 1:3]) # 行0-1，列1-2

# 4. 广播（Broadcasting）—— 非常重要
a = np.array([[1, 2, 3]])    # shape (1, 3)
b = np.array([[1], [2]])     # shape (2, 1)
print(a + b)                  # shape (2, 3) 自动扩展

# 5. 矩阵运算（AI中最核心）
A = np.random.rand(3, 4)
B = np.random.rand(4, 2)
C = np.dot(A, B)      # 矩阵乘法 (3,4) @ (4,2) = (3,2)
C = A @ B             # 等价写法
A.T                   # 转置

# 6. 常用操作
np.sum(a)             # 所有元素求和
np.mean(a)            # 平均值
np.max(a, axis=0)     # 按列最大值
np.argmax(a)          # 最大值的索引（分类任务预测标签常用）
np.reshape(a, (2, 3)) # 改变形状
np.concatenate([a, b]) # 拼接

Pandas

import pandas as pd

# 1. 创建和读取
df = pd.DataFrame({
    "name": ["张三", "李四", "王五"],
    "age": [20, 21, 22],
    "score": [85, 92, 78]
})

df = pd.read_csv("data.csv")       # 读CSV
df.to_csv("output.csv", index=False)  # 写CSV

# 2. 查看数据
print(df.head())         # 前5行
print(df.shape)          # 行数和列数
print(df.describe())     # 统计摘要
print(df.columns)        # 列名

# 3. 筛选与过滤
df[df["score"] > 80]                              # 条件筛选
df.loc[df["age"] > 20, ["name", "score"]]         # 按标签筛选
df.sort_values("score", ascending=False)           # 排序

# 4. 分组聚合
df.groupby("age")["score"].mean()   # 按年龄分组求平均分

# 5. 处理缺失值
df.isnull().sum()          # 每列缺失数量
df.fillna(0)               # 填充缺失值
df.dropna()                # 删除缺失行

Matplotlib

import matplotlib.pyplot as plt

# 折线图（画loss曲线必备）
plt.plot([1, 2, 3, 4], [0.9, 0.5, 0.3, 0.1], label="loss")
plt.xlabel("epoch")
plt.ylabel("loss")
plt.title("Training Loss")
plt.legend()
plt.savefig("loss.png")
plt.show()

# 散点图
plt.scatter(x_data, y_data, c='red')

# 直方图
plt.hist(data, bins=50)

# 多子图
fig, axes = plt.subplots(1, 2)
axes[0].plot(x, y1)
axes[1].plot(x, y2)