ipython

　　NumPy是高性能科学计算和数据分析的基础包，它是pandas等其他各种工具的基础 　　NumPy的主要功能 ndarray，一个多维数组结构，高效且节省空间 无需循环对整组数据进行快速运算的数学函数 线性代数、随机数生成和傅里叶变换功能 　　安装：pip install numpy 　　引用：import numpy as np ndarray-多维数组对象 创建ndarray:np.array(array_like) 数组与列表的区别 数组对象内的元素类型必须相同 数组大小不可修改 应用实例1：已知若干家跨国公司的市值（美元），将其换算成人民币 In [8]: import numpy as np In [9]: import random In [10]: a = [random.uniform(100.0,200.0) for i in range(20)] In [11]: a Out[11]: [136.2570275865808, 151.38290478605188, 149.40015231576714, 179.46370837535062, 138.01630196014202, 115.81947317917567, 185.2180195622318, 193.57586013677022, 102.9291187837209, 156

Seaborn入门系列(四)——stripplot和swarmplot Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。但应强调的是，应该把Seaborn视为matplotlib的补充，而不是替代物。 注：所有代码均在IPython notebook中实现 stripplot(分布散点图) 先总览一下stripplot的API： seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=False, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs) 接下来就直接上代码演示，首先导入相应的包，这个大家应该都很熟悉了。 1import seaborn as sns 2%matplotlib inline 3sns.set(font_scale=1.5,style="white") 4sns.set

前言 上篇 文章 中介绍了如何对代码性能进行分析优化，这篇文章将介绍如何对代码运行时内存进行分析。 说到内存，就想起之前在搞数据挖掘竞赛的时候，往往要跑很大的数据集，经常就是炸内存。当时的解决办法就是对着任务管理器用 jupyter notebook 分 cell 的跑代码，将需要耗费大量内存的代码块找出来，然后考虑各种方式进行优化。 这篇文章将会介绍些更好的方法，来对代码运行时内存进行分析，通过这些方法了解了代码的内存使用情况之后，我们可以思考： 能不能重写这个函数让它使用更少的 RAM 来工作得更有效率 我们能不能使用更多的 RAM 缓存来节省 CPU 时间 开始分析 代码仍采用上篇文章中的 memory_profiler 通过 pip install memory_profiler 来安装这个库。在需要进行分析的函数前加上修饰器 @profile from memory_profiler import profile ... ... @profile def calculate_z_serial_purepython(maxiter, zs, cs): ... @profile def calc_pure_python(desired_width, max_itertions): ... ... 然后命令行输入 python -m memory_profiler code

来源：DataScience 本文 约24000字 ，建议阅读 10 分钟 通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。 导读 Matplotlib 是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。 以下内容来自Github，为《PythonDataScienceHandbook[1]》(Python 数据科学手册[2])第四章Matplotlib介绍部分。全部内容都在以下环境演示通过： numpy:1.18.5 pandas:1.0.5 matplotlib:3.2.1 1.简单的折线图 对于图表来说，最简单的莫过于作出一个单一函数 的图像。本节中我们首先来介绍创建这种类型图表。本节和后续小节中，我们都会使用下面的代码将我们需要的包载入到 notebook 中： %matplotlib inline import matplotlib.pyplot as plt plt.style.use('seaborn-whitegrid') import numpy as np 对于所有的 Matplotlib 图表来说，我们都需要从创建图形和维度开始

【纯干货！！！】花费了整整3天，整理出来的全网最实用Python面试大全，一共30道题目+答案的纯干货，希望大家多多支持，建议 点赞！！收藏！！长文警告，全文共12000+字，涵盖Python面试可能遇到的所有问题，希望对大家有帮助，不过大家最好不要硬背，实战大于理论。祝大家面试顺利！ 对于机器学习算法工程师而言，Python是不可或缺的语言，它的优美与简洁令人无法自拔。 那么你了解过Python编程面试题吗？从Python基础到网页爬虫你是否能全方位Hold住？ 本文主要从 Python 基础、高级语句、网页应用、数据库和测试等角度出发， 可只关注自己需要的领域。 1、谈谈对 Python 和其他语言的区别？ 答：Python 是一门语法简洁优美,功能强大无比,应用领域非常广泛,具有强大完备的第三方库，他是一门强类型的可移植、可扩展，可嵌入的解释型编程语言，属于动态语言。和Java相比:Python比Java要简单.Python是函数为一等公民的语言,而Java是类为一等公民的语言.Python是弱类型语言,而Java是强类型语言。和C相比：对于使用:Python的类库齐全并且使用简洁,很少代码实现的功能用C可能要很复杂。对于速度:Python的运行速度相较于C,绝对是很慢了.Python和CPython解释器都是C语言编写。 2、谈谈Python 的特点和优点是什么? 答