前前 Contents第1章關(guān)于 什么是 版本分 版本對 控制語 第2章Python流程控 Hello 條件與條件語 條件執(zhí)行和if語 嵌套語 更多條 循環(huán)控制語 for循 使用for循環(huán)遍歷字 使用迭代工 并行迭 跳出循 列表推導(dǎo) 列表推導(dǎo) 增加條 多個for語 Python中的range()函數(shù)與array()函 array()函 第3章Python函數(shù)及數(shù)據(jù)結(jié) 函 定義函 函數(shù)調(diào) 形參、實參、默認(rèn)參數(shù)、返回 匿名函 全局變量與局部變 列 元 字 第4章Python異常處 什么是異 異常處 語法格 try執(zhí)行規(guī) try- try- 用戶自定義異 traceback模 sys模 常見異 第5章Python數(shù)據(jù)處理與計 常用模塊概覽與導(dǎo) 數(shù)值計算 符號計算 界面設(shè) 繪圖與可視 圖像處理和計算機視 Numpy簡 數(shù)組的創(chuàng)建與生 利用數(shù)組進(jìn)行數(shù)據(jù)處 用于數(shù)組的文件輸入輸 把數(shù)組數(shù)據(jù)寫入 數(shù)組的算術(shù)和統(tǒng)計運 數(shù)組的算 數(shù)組統(tǒng)計運 第6章數(shù)據(jù)描述與分 Pandas數(shù)據(jù)結(jié) 匯總計 缺失值處 數(shù)據(jù)庫的使 第7章Python繪圖與可視 Matplotlib程序 繪圖命令的基本架構(gòu)及其屬性設(shè) Seaborn模塊介 描述性統(tǒng)計圖形概 制作數(shù) 頻數(shù)分 關(guān)系分 探索分 應(yīng)用實 第8章Python數(shù)據(jù)挖 線性回歸模 一元線性回歸舉 多元線性回歸的結(jié)果呈現(xiàn)與解 最優(yōu)化方法——梯度下降 參數(shù)估計與假設(shè)檢 參數(shù)估 假設(shè)檢 參數(shù)估計與假設(shè)檢驗之間的相同點、聯(lián)系和區(qū) 第9章Django與 安裝 建立第一個項 安裝 總 附 安裝Python及其基本操 第第1 關(guān)于 第1章關(guān)于“python”在英語單詞中是蟒蛇的意思（1—1-1蟒蛇圖標(biāo)https：\h///（1—111-2Python1-3

Python的作者是吉多·范羅蘇Rossum（丹大學(xué)獲得了數(shù)學(xué)和計算機碩士學(xué)Python1989Guido使用。GuidoABC語言的開發(fā)。Guido希望有一種語言能夠像C望。ABC1-4語言，且功能強大。Guido以自己

1-5CNRI時期：CNRIPython發(fā)展初期的重要資助單位，BeOpenGuidovonRossumBeOpen公司合作，Python1.6Python2.0基本上同時推出，但原則上分別維護(hù)。Python3.0：Python2.XPython3.X差異很大，前后不兼容，雖然有2to3的工具可以轉(zhuǎn)換，但不能解決所有的問題。Python3.X尚未完全普及，很多第三方的庫都沒有官方支持Python3.X?？紤]到前后版本的這個不兼容性，這會讓一些人對Python開發(fā)項目產(chǎn)生顧忌。里程碑：Python2010年獲得較大市場份額的增長（1.81%，增長速度最快）獲年度Tiobe編程語言大獎，參見\h/news/19455，最新的排名參見\hhttp://www./tiobe-index/（1—1-6Python1-7Python版本，是相對而言比較新的版本，目前穩(wěn)定的版本是Python2.03.0C、Pascal語句塊的退出?？s進(jìn)成了語法的一部分。例如，if語句：ifif""根據(jù)PEP4個空格來表示每級縮進(jìn)（如數(shù)，但是要滿足每級縮進(jìn)間空格數(shù)相等Tab字符和其他于elseif)配合使用。for語句。遍歷列表、字符串、字典、集合等迭代器，依次try語句。與except、finally配合使用，處理在程序運行中出hn6以后定義的語法，在一個場景中運行語句塊。比如，運行語句塊前加密，然后在語句塊運行退出后yieldin 第2章Python特此聲明：本書中的代碼均經(jīng)過作者在jupyter（http://環(huán)境下的輸入、輸出有些許不同，但這不影響讀者在自己的Python環(huán)境下進(jìn)行學(xué)習(xí)和測試。在Python中解釋器認(rèn)為標(biāo)準(zhǔn)值False、None和所有類型的數(shù)0浮點型、長整型等)、空序列都(False),如下所示：printprintbool(False)#Falseprintbool(None)#Falseprintbool(0)#Falseprintbool("")#Falseprintbool(())#printbool([])#Falseprintbool({})#22Pythonifage=18ifage>=else“Falseage=16ifage>=elif子句是“elseifelif子句可以檢查更多的ifnum>0:elifnum<0:if語句來實現(xiàn)，如下所示：ifname.endswith('Gumby'):elifname.startswith('Mrs.'):x==x<x>x>=x<=xisx和yx和yx是ywhilewhileTrue就會一直執(zhí)行其后的語句0～100的值：xx=printxx+=for0～100的值：fornuminnumbers:循環(huán)中使用序列解包Python為了方便迭代序列提供了一些很好的工具函數(shù)，這Pythonitertools模塊中，更多信Python文檔（\h/2/library/itertools.htmlages=[12,45,32,102]#再循環(huán)中解包元組printname,'is',age,'yearsanneis12yearsoldbethis45yearsold或者是直接使用內(nèi)建的ernumerate函數(shù)對列表內(nèi)容進(jìn)行#--coding:utf-8--#--coding:utf-8--if'2'instring:importrandomwhileTrue:0～9printnumifnum==continue語句會讓當(dāng)前的迭代結(jié)束，直接開始下一輪的循輸出：6printnum列表推導(dǎo)式（listcomprehension）是利用其他列表創(chuàng)建新列#output:[0,1,4,9,16,25,36,49,64,#output:[0,10,20,30,40,for#output:x和yresult=[]#output:passif語句，但是，其中還缺少一個語句塊代碼不會執(zhí)行，Python中空代碼塊是非法的)，這個時候我們可以暫時使pass語句來填充，如下所示：#age=12age=ifage>6andage<=12:print'schoolchild'#del語句直接將一個對象從內(nèi)存中清delx使用exec語句可以執(zhí)行存儲在字符串中的Python代碼，如##output:execrange(我們在編寫Pythonrange函數(shù)就可以直接列#[123456789](#[0123456789] ##切片從前面序號“3()print從前面序號“3”包括#[2,9,4,6]#[1,4,7,6,#[1,##從前面序號“3#第第3 Python函數(shù)及數(shù)據(jù)結(jié) 第3章Python函數(shù)能提高應(yīng)用的模塊性和代碼的重復(fù)利用率。通過以上兩個章節(jié)的學(xué)習(xí)，已經(jīng)知道n提供了許多內(nèi)建函數(shù)，比如def“()return[表達(dá)式]結(jié)束函數(shù)，選擇性地返回一個值給調(diào)用returnNone。33Python"函數(shù)_文檔字符串"#具體案例printstrPython提示符執(zhí)行。定義函數(shù)printstr;#printme("");再次調(diào)用同一函數(shù)所有參數(shù)（自變量）在Python里都是按引用傳遞。如果你可寫函數(shù)說明""mylist[10,20,30];changeme(mylist);::#可寫函數(shù)說明defprintme(str):printstr;使用關(guān)鍵字參數(shù)允許函數(shù)調(diào)用時參數(shù)的順序與聲明時不一n可寫函數(shù)說明defprintme(str):printstr;printmeageage：#可寫函數(shù)說明"打印任何傳入的字符串"print"Age",age;printinfo(name="miki");可寫函數(shù)說明#""printvarprintinfoPythonlambda來創(chuàng)建匿名函數(shù)。lambda只是一個表達(dá)lambda函數(shù)看起來只能寫一行，卻不等同于CC++lambdalambda[arg1[,arg2,…,可寫函數(shù)說明#調(diào)用sum函數(shù)total0#2returntotal;sumsum(10,20Python數(shù)據(jù)結(jié)構(gòu)序列（列表、元組和字典序列是Python中最基本的數(shù)據(jù)結(jié)構(gòu)。序列中的每個元素都1，依此類推。list1list1=['physics','chemistry',1997,print"list1[0]:",print"Valueavailableatindex2:"printlist[2];printlist[2];printlist1;printlist1;tup2=(1,2,3,4,5,6,7);print"tup2[1:5]:",#tup1[0]=創(chuàng)建一個新的元組tup3=tup1+tup2;printtup3;del語句來刪printtup;printtup;Afterdeletingtup:printtup;dd={key1:value1,key2:value2print"dict['Age']:",dict['Age'];dict['Age']:7值對，修改或刪除值對，如下所示：dict['Age']=8;#updateexistingentrydict['Age']:8del命令，如下所示：dict.clear();清空字典所有條目deldict#print"dict['Age']:",dict['Age'print"dict['Age']:",Python對象，既可以是標(biāo)準(zhǔn)FileFile"test.py",line3,in<module>dict={['Name']:'Zara','Age':7};第第4 Python異常處 第4章Python異常是Python對象，表示一個錯誤。當(dāng)Python腳本發(fā)生異捕捉異?？梢允褂胻ry/except語句。try/except語句用來檢測try里捕獲它。<語句 #運行別的代<語句 44Python執(zhí)行try下的語句，如果引發(fā)異常，則執(zhí)行過程會跳到第except語句。except中的語句。③如果引發(fā)的異常不匹配第一個except，則會搜索第二個except（except語句數(shù)量沒有限制。try代碼中。ExceptionPython自動將所有異常名稱放在內(nèi)建命名空間中，所以Exceptions模塊即可使用異常。try-exceptIOError,e:Exception來捕捉所有的異常，而不管它到底是何種異常（IOError等:#使用except子句時需要注意：多個except子句進(jìn)行異常截獲<<>#try#exceptException,e:=(Goingtoclosethefileraisedef_MyError(string):printe換句話說，raise的作用是在程序中可以自定義的強制執(zhí)行Python自帶的。Exception類，直接繼承或者間接繼承都可以。具體格definit(self,value):self.value=valuedefstr在此示例中，Exception默認(rèn)的init被覆蓋了。新的行為簡單地創(chuàng)建了valueargs屬性的traceback發(fā)生異常時，Python能“記住”引發(fā)的異常及程序的當(dāng)前狀態(tài)。Python還維護(hù)著traceback（跟蹤）對象，其中含有異常發(fā)生深的函數(shù)調(diào)用中被引發(fā)。程序調(diào)用每個函數(shù)時，Python會在“函數(shù)調(diào)用堆?！钡钠鹗继幉迦牒瘮?shù)名。一旦異常被引發(fā)，Python會序，當(dāng)前函數(shù)會終止執(zhí)行，Python會搜索當(dāng)前函數(shù)的調(diào)用函數(shù)，Python抵達(dá)主（StackUnwinding簡而言之，traceback模塊被用來跟蹤異常返回信息。格式importtracebackraiseSyntaxError,"tracebacktest"sysimportsys,"#printinfoerror#objectat0x0000000003E4F8C8>))除//內(nèi)存溢出錯誤Python解釋器不是致))第第5 Python數(shù)據(jù)處理與計 第5章PythonPython是一種面向?qū)ο蟮?、動態(tài)的程序設(shè)計語言具有非常rs等眾多程序庫的開發(fā)，n越來越適合于做科學(xué)計算、繪制高質(zhì)量DDn是一門通用的程序設(shè)計語言，比B所采用的腳本語言的應(yīng)用范圍更廣泛，有更多的程序庫的支持。雖然B中的許多高級功能和x目前還是無法替代的，不過在日常的科研開發(fā)之中仍然有很多的工作是可以用n代NumPyPython提供了快速的多維數(shù)組處理的能力，而包，有了這兩個庫，PythonMATLAB一樣的處理NumPySciPy官方網(wǎng)址分別為\h/\h55PythonNumPy為Python帶來了真正的多維數(shù)組處理功能，并且提SciPy的核心計算部分都是一些久經(jīng)考驗的Fortran數(shù)值計算fftpack庫；\h制作界面一直都是一件十分復(fù)雜的工作，使用Traits庫，你\h加了類型定義的功能，使用它定義的Traits屬性具有初始化、校TraitsUI庫基于Traits庫，使用MVC結(jié)構(gòu)快速地定義用戶界碼，就可以通過Traits屬性定義獲得一個可以工作的用戶界面。使用TraitsUI庫編寫的程序自動支持wxPythonpyQt兩個經(jīng)典Matplotlib庫3D繪圖的功能。\h\h3D可視化程序使用，也可以快速地嵌入到用戶的程序Mayavi官方網(wǎng)址為：\h/projects/源碼，跨平臺、支援平行處理（VTK1個1024個處理器之大型系統(tǒng)）的圖形應(yīng)用函式庫。2005年曾被2.5兆之多。使數(shù)據(jù)結(jié)果更有說服力。Visual\h。發(fā)行，可以在商業(yè)和研究領(lǐng)域中免費使用。OpenCV可用于開發(fā)實時的圖像處理、計算機視覺及模式識別程序。OpenCV提供的Numpy標(biāo)準(zhǔn)安裝的Python中用列表(list保存一組值，可以用來當(dāng)CPU計算時間。C語言的一維數(shù)組比較類似。但是由于它不NumPy的誕生彌補了以上不足，NumPy提供了兩種基本functionobject。ndarray()是存儲單一數(shù)據(jù)類型的多維數(shù)組，而ufunc則是能夠?qū)?shù)組進(jìn)行處理的Numpy#c=np.array([[1,2,3,4],[5,6,7,8],printbprintc[[123[567shape屬性查看并更改。數(shù)組a的shapecshape有4shape屬性，在保持?jǐn)?shù)組元#接上面的程序printa.shapeprintc[[12[44[67[89reshape方法，重新改變數(shù)組的尺寸，而原數(shù)組的尺printaprintdprinta[[1[[1a和d其實是共享數(shù)據(jù)存儲內(nèi)存區(qū)域的，因此修改其printd#d2也被改變了[[1[ array([[3.,[6.,[9.,指定數(shù)據(jù)類型#通過指定開始值、終值和步長來創(chuàng)建一維數(shù)組，注意數(shù)組不包括array([0.,1.,2.,3.,4.,5.,6.,7.,8.,[ 0.090909090.181818180.272727270.36363636[1. 7.74263683)5-1[[01234[1011121314[2021222324[3031323334[4041424344[50515253545-2a###[40[4042[5052[2,22,52]#filefile#readdata取的數(shù)據(jù)類型默認(rèn)floatprintr_bin#當(dāng)然它讀入的格式是一維數(shù)組[01234567891011121314[[012[456[8910[121314際是亂碼，而不是txt格式的數(shù)字）[01234567891011121314[[012[456[8910[121314行保存的文件，在使用其他編程語言進(jìn)行讀取時增加了難度(#printc[[012[456[8910[121314a=np.arange(0,12,0.5).reshape(4,-[9.9.510.10.511.[[[[[[[[[[[[[([9.9.10.10.11.xyB不一樣，對于多維數(shù)組的運算，缺省情況下并不使用矩陣運算，如果希望對數(shù)組進(jìn)行矩陣運算的話，可以調(diào)用相應(yīng)的函數(shù)。之所以在nx運算xxma=printmama+ma矩陣加法[10,10,[14,18,#[72,89,,,[0.66666667,0.33333333,-dot內(nèi)積（可以基于一維數(shù)組，也可以基于兩個矩陣）#矩陣（多維數(shù)組cnp.dot(a,b)求a和bprintaprintbprintc[[012[456[8910[1516[1819[2122[378400[642680每個元素都是數(shù)組a和b的最后一維的內(nèi)積，因此數(shù)組a和b的a=b=printaprintbprintc[[012[456[8910[[121314[161718[202122[[86110[302390[518670[642680a=d=np.outer(a,b)printd[[00000000000[1213141516171819202122[2426283032343638404244[3639424548515457606366[4852566064687276808488[6065707580859095100105110[96104112120128136144152160168176[108117126135144153162171180189198[120130140150160170180190200210220[132143154165176187198209220231242冊（numpy部分#統(tǒng)計數(shù)組print'a矩陣：\n',a[[012[456[8910a行說明：以上各個模塊的代碼均在Python2.7中進(jìn)行過測試運行，同時附有“#output( 第6章在進(jìn)行Pandas相關(guān)介紹時我們首先需要知道的是Pandas的s是一種類似于一維數(shù)據(jù)的對象，它由兩部分組成，第一部分是一維數(shù)據(jù)，另外一部分是與此一維數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)##--coding:utf-8--66##pd,centerSeriespd.Series(中國科學(xué)院文獻(xiàn)情報中心','北四環(huán)西路',])dtype:Python默認(rèn)是通過數(shù)centerSeriespd.Series(中國科學(xué)院文獻(xiàn)情報中心大樓',',],index=['a','b','c','d'])dtype:對比之前的默認(rèn)標(biāo)識，我們可以看出它由1,2,3,4變成了centerSeriespd.Series(中國科學(xué)院文獻(xiàn)情報中心','北四環(huán)西路',],index=['a','b','c','d'])#另外，我們可以看到通過一維數(shù)組格式獲取數(shù)據(jù)和通過indexindex就像曾經(jīng)學(xué)過的數(shù)據(jù)庫id列的作用，相當(dāng)于建立了每個數(shù)據(jù)的索引。當(dāng)然，針對DataFrameDataFrame是一個表格型的數(shù)據(jù)結(jié)構(gòu)，它包含有列和行索的是，DataFrame的每一列中不需要數(shù)據(jù)類型相同，且它的數(shù)據(jù)的例子：它類似于常見的excel#centerDF=pd.DataFrame(data)##indexcenterDF=pd.DataFrame(data,columns=['year','name','local','student'],通過列來獲取數(shù)據(jù)centerDF=pd.DataFrame(data,columns=['year','name','local','student'],printcenterDF['year']abcdName:year,dtype:另外，可以看出按列進(jìn)行獲取時它們的index標(biāo)識是相同Series對象。通過行來獲取數(shù)據(jù)centerDF=pd.DataFrame(data,columns=['year','name','local','student'], Name:a,dtype:objectindex其實就是DataFramePandascsvtext.csv,,15級,李四,,15級,張三#另外，綜上，通過對csv格式的文件進(jìn)行讀取，我們可以指定讀入data_csv.to_csv'save.csvsave ,15,15,15,150123#data_excel.to_excel('save.xlsx',sheet_name='Sheet1'nameobj_json=json.dumps(obj)printdata_json#jsonPandas這里的基本計算指的是sum、mean等操作，主要是基于index=['a','b','c','d']) bcd dtype:df_data.sum()#NaN值忽略禁止dtype:aabbccdddtype:aabbccdddtype:printdf.cumsum()aabbcca012b468c121518d242832#output進(jìn)行演示：##printobj0123456dtype:acb301dtype:缺失值（missingdata）是在數(shù)據(jù)處理中在所難免的問題，Numberimportnumpyasnpimportpandasaspd012dtype:01dtype:014dtype:##dropnaNaN值，這樣往往不index=['a','b','c','d'])NaNprintdf aNaNNaNNaN 9.010.0d12.013.014.0#outputNaN aNaNNaNNaN 9.010.0d12.013.014.0##index=['a','b','c','d'])#NaNprintdf aNaNNaNNaN 9.010.0d12.013.014.0aabb a0.00.00.0b4.05.06.0c8.09.010.0d12.013.014.0dropna操作一樣進(jìn)行必要的限定而不是所有的值都進(jìn)行當(dāng)需要在舊的對象上進(jìn)行更改，而不是經(jīng)過過濾返回一個新的對df.fillna(0.5,inplace=')#NOSQL，但目#sql#sql#創(chuàng)建數(shù)據(jù)庫表con=sql.connect(':memory:')test#insertcon.executemany(stmt,data)con.##selectdatarows=cursor.fetchall()[(u'UCAS',u'NSLCAS',0.5,(u'UCAS',u'NSLCAS',0.5,(u'UCAS',u'NSLCAS',0.5,(u'UCAS',u'NSLCAS',0.5,4)]PandasPandasDataFrame之間關(guān)系的關(guān)鍵）read_sql_query查詢語句，連接返回的就DataFrame，僅用此句代碼搞定。當(dāng)然這 第7章Python繪與可視Python有許多可視化工具，但本書只介紹Matplotlib?；ィ梢栽赑ython腳本、IPython的交互環(huán)境下、Web應(yīng)用程序中使用。該項目是由JohnHunter2002年啟動的，其目的是為PythonMATLAB式的繪圖接口。如果結(jié)合使用一種b互功能。它不僅支持各種操作系統(tǒng)上許多不同的GUI后端，而PDF、SVG、JPG、PNG、BMP、GIF等。Matplotlib所謂“一圖勝千言”，我們很多時候需要通過可視化的方Pandas相比較而言，Matplotlib在繪圖顯示效果方面更加絢麗。PyplotMatplotlibPyplot對77Python#首先定義兩個函數(shù)（正弦&余弦）上面的例子我們可以看出，幾乎所有的屬性和繪圖的框架t么，用過pe##--coding:utf-8--y1 #Yy2 #Y#:plt.xlabel("Time(s)")plt.ylabel("Volt")以316進(jìn)制數(shù)，如'#ff00000~1式的參數(shù)名lw。##--coding:utf-8--#然后在區(qū)域1(上區(qū)域)中創(chuàng)建一個軸對象。#我們還可通過命令再次拆分這些塊（相當(dāng)于Word中的拆分單元#subplots_adjust的操作是類似于網(wǎng)頁css格式化中的邊距處理，左##右邊距離多少？這個取決于你需要繪制的大小和各個模塊之間的##--coding:utf-8--##現(xiàn)在我們需要通過命令來操作每個plot（subplot）,axes[0,0].set(title='UpperLeft')axes[0,1].set(title='UpperRight')axes[1,0].set(title='LowerLeft')axes[1,1].set(title='LowerRight')另外，實際來說，plotAxes對象的操Axesplot操作時，它默認(rèn)的是最后一項操作就是保存，我們繪圖的目的是用在其他研##--coding:utf-8--##\hSeabornMatplotlib庫的繪圖功能和屬性設(shè)置，Seabornseaborn介紹importnumpyasnpimportmatplotlib.pyplotasplt#defdefforiinrange(1,7):Seaborn##--coding:utf-8--importnumpyasnpimportmatplotlib.pyplotaspltdefforiinrange(1,7):#Seaborn的優(yōu)點有：Seaborn默認(rèn)淺灰色背景與白色MatplotlibMatplotlib的顏色更加柔()()()函數(shù)返回參數(shù)字典，set_style函數(shù)和set_context(函數(shù)設(shè)置##--coding:utf-8--darkgrid（白網(wǎng)格）white（僅白色背景)set_context()函數(shù)##--coding:utf-8--notebook上下文。Seaborn不僅能夠用來更改背景顏色，或者改變畫布大另外，以下的數(shù)據(jù)顯示都是在Seaborn庫的作用下體現(xiàn)的defgetData():books=[]N=10000whileif0<height:breakwhile#if0<weight:breakwhileif0<=numberandnumber<=book='E'ifnumber<10else('D'ifnumber<15else('C'ifnumber<20else('B'ifnumber<25else'A')))returnarray(heights),array(weights),#defbookGroup=創(chuàng)建柱狀圖#第二個參數(shù)為文字說明的內(nèi)容設(shè)置橫坐標(biāo)的文字說明設(shè)置縱坐標(biāo)的文字說明pyplot.ylabelFrequency#NumbersofBooksStudentsTypesof#defbookGroup={}創(chuàng)建餅形圖pyplot.pie([bookGroup.get(label,0)forlabelinlabels],labels=labels,autopct='%1.1f%%')NumbertofBooktStudeutt 直方圖類似于柱狀圖，是用柱的高度來指代頻數(shù)，不同的Matplotlib對身高這一定量變量繪制直方圖#創(chuàng)建直方圖#pyplot.hist(heights100)pyplot.xlabel'Heightspyplot.ylabelFrequencypyplot.title'HeightsofStudentsMatplotlib對身高這一定量變量繪制累積#創(chuàng)建累積曲線#cumulative參數(shù)為是否累積pyplot.xlabel('Heights')pyplot.ylabel('Frequency')pyplot.xlabel('Heights')pyplot.ylabel('Frequency')散點圖。在散點圖中，分別以自變量和因變量作為橫縱坐b###創(chuàng)建散點圖#第二個參數(shù)為點的縱坐標(biāo)pyplot.xlabel('Heights')pyplot.ylabel('Weights')箱形圖。在不明確數(shù)據(jù)分析的目標(biāo)時，我們對數(shù)據(jù)進(jìn)行一b#創(chuàng)建箱形圖第二個參數(shù)為數(shù)據(jù)的文字說明注：上四分位數(shù)與下四分位數(shù)的差叫四分位差，它是衡量數(shù)據(jù)發(fā)注：上四分位數(shù)與下四分位數(shù)的差叫四分位差，它是衡量數(shù)據(jù)發(fā)1.5倍四分位差的線，高于上界線結(jié)合情報學(xué)、圖書館學(xué)的數(shù)據(jù)對以上學(xué)習(xí)的繪圖知識進(jìn)行圖書情報例子的數(shù)據(jù)來源：\h/(中國科學(xué)院文20)：importpandasaspd導(dǎo)入本地數(shù)據(jù)names=[namefornameindata['name']]frommatplotlib.font_managerimportFontProperties繪制柱狀圖printsize##設(shè)置縱坐標(biāo)的文字說明設(shè)置標(biāo)題繪圖第第8 Python數(shù)據(jù)挖 第8Python回歸分析中，只包括一個自變量和一個因變量，且二者的88PythonXYXY#regressiondataimportmatplotlib.pyplotasplt#x=yzip(data['Y'])x,y=getData('D:\\Tovi\\python_application\\PracticeCodes\\_kuliping\\regressiondata.xlsx')查看數(shù)據(jù)長什么樣##線性擬合\h#Createlinearregressionobjectregr.fit(X_parameters,Y_parameters)#擬合數(shù)據(jù) （8–1）例如，商品的銷售額可能與電視廣告投入、收音機廣告投入、報紙廣告投入有關(guān)系可以有Salesβ0+β1*TV+β2*\hpandas##ad_data=pd.read_csv('D:\\Tovi\\python_application\\PracticeCodes\\_TV：對于一個給定市場中的單一產(chǎn)品，用于電視上的廣#sns.pairplot(ad_data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7,aspect=0.8)()##-50050100150200250300350-100102030405060-20020406080100 sns.pairplot(ad_data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7aspect=0.8kind='reg')#kind='reg線性擬合-50050100150200250300350-100102030405060-20 20406080100NumPy之上。因此，XpandasDataFrame，y可以是pandasSeries，scikit-learn可以理解這種結(jié)構(gòu)。#Y=linear_reg=LinearRegression()printmodel#模型##LinearRegression(copy_X=True,fit_intercept=True,n_jobs=1,[('TV',('Radio',TV1000美元（因，銷量將增加NewspaperNewspaperprinty_pred0thenumberofvalueof

（8– （8– （8–i式（8–4）中,x0=1，而求線性方程則演變成了求方程的參θT。θT效果好壞，通常情況下，我們使用一h(x)函數(shù)的好壞，該錯誤函數(shù)如式（85）所示：J(θ)=1mh(xi)（

（8–(minsquare和梯度下降法。θT)的極小值問題，)θ的偏導(dǎo)數(shù)確定，由于求的是極小值，因此梯度方向是偏導(dǎo)數(shù)的反 （8– ，所以式（86）就演變成： （8–當(dāng)樣本數(shù)量m不為1時，將式（8–6）中由式（8–5）（8–7 （8–θT可設(shè)為0，然后迭代使用式（88）θT中的每個θT時，都使用了整個樣本集，因此我們稱該梯度下降算法為批量梯度下降法(batchgradientdescent)。J(θ)=1

(i)

)y)（OLSθθJ(θ)descent)(normalequations)。θj=θjα其中，j=0，1，…，n；α為學(xué)習(xí)速率；為J的偏導(dǎo)數(shù)，不θj直到收斂。fromnumpyimportdot#擬合線性模型：Sepal.Length~Sepal.WidthPetal.Lengththeta(X'X)^(-1)X'Ytemp=iris.ilo