Numpy 函数

---

np.clip(a, a_min, a_max, out=None)
作用：裁剪一个数组的值。给定一个区间，在区间外的值会被裁剪掉。例如，给定一个区间[0,1]，小于0的值会变成0，大于1的值会变成1。

1. 参数解释：
   a - 要被裁剪的数组。
   a_min - 裁剪范围的最小值。
   a_max - 裁剪范围的最大值。
   out - 数组，存放被裁后的数据。
2. 例子

a = [0,1,2,3,4,5]
b = np.clip(a, 2, 4)
print(b)

运行结果：
[2, 2, 2, 3, 4, 4]

---

np.zeros_like(a, dtype=None, order='K', subok=True, shape=None)
作用：构造一个和给定数组形状和类型相同的零数组。

1. 返回：
   out - 返回一个零数组out，该数组和给定的数组a有一样的形状和类型。

2. 参数解释：
   a - 类数组。a和形状和数据类型定义了返回数组的相同属性
   dtype - 数据类型，可选参数
   order - 覆盖结果的内存布局。取值范围为{'C', 'F', 'K'} 可选参数
   subok - 类型为bool值，可选参数，默认为True。True表示新建的数组将使用a的子类类型，False表示是一个基类数组。
   shape - 覆盖结果的形状。类型为int 或int序列，可选参数

3. 例子

# 构造一个零数组，形状和a矩阵相同、数据类型为bool，默认为False
a = [0,1,2,3,4,5]
mask = np.zeros_like(a, dtype=np.bool) 
print(mask)

运行结果：
[False False False False False False]

---

numpy.triu_indices_from(arr, k=0)
作用：求一个方阵(类型为数组)的上三角矩阵的索引

1. 返回：返回方阵的上三角矩阵的索引。
   triu_indices_from - 元组，数据类型是两个N阶的数组，

2. 参数解释：
   arr - 数组。形状是 NxN 的方阵
   k - 对角线偏移。数据类型是int, 可选参数。

3. 例子

a = [[1,2,3],[4,5,6],[7,8,9]]     # a是一个3x3的方阵
mask = np.zeros_like(a, dtype=np.bool)     # 构造一个形状和a矩阵相同的零矩阵
mask[np.triu_indices_from(mask)] = True     # 把零矩阵的上三角矩阵置为True
print(mask)

运行结果：
[[ True True True]
[False True True]
[False False True]]

pandas 函数

---

pandas.cut(x, bins, rigth=True, labels=None, retbins=False,
precision=3, include_lowest=False, duplicates='raise')
作用：把一组数据分割成离散的区间，并打上标签

1. 返回：
   out - 一个pandas.Categorical, Series或者ndarray类型的值，代表分区后的每个值在哪个bin（区间）中，如果指定了labels,则返回对应的label。
   bins - 分割后的区间，当指定retbins=True时返回。
2. 参数解释：
   x - 被切分的类数组(array-like)数据，必须是1维的（不能用DataFrame）
   bins - 被切分后的区间
   right - 是否包含区间右部，默认为True
   labels - 给分割后的bins打标签
   retbins - 是否将分割后的bins返回，默认为False
   precision - 保留区间小数点的位数，默认为3
   include_lowest - 表示区间的左边是开还是闭得，默认为False
   duplicates - 是否允许重复区间。有两种选择：raise(不允许),drop(允许)
3. 例子

a = [1,2,4,5,8,15,20]
# bins将区间(0,45]分成3个小区间。总区间不包括左端点0，包括右端点45。
# 然后将[0,4]标记为'dry',将(4,12]标记为'medium dry,将(12,45]标记为'semi-sweet'。
b = pd.cut(a, bins=[0, 4, 12, 45], labels=['dry', 'medium dry', 'semi-sweet'])
print(b)

运行结果：
[dry, dry, dry, medium dry, medium dry, semi-sweet, semi-sweet]

---

pandas.DataFrame.corr(method='pearson', min_period=1)
作用： 计算列的协相关性，不包括空值

1. 返回：返回一个相关矩阵，类型为 DataFrame

2. 参数解释：
   method: 参数可选{'pearson', 'kendall', 'spearman'} 或者 callable。

   • 'pearson' - 标准相关系数
   • 'kendall' - Kendall Tau相关系数
   • 'spearman' - 斯皮尔曼等级相关
   • callable - 可通过输入两个一维数组调用

   min_period:类型为 int, 可选参数
   列的每对具有最小观察结果数。目前仅适用于pearson和spearman相关

3. 例子

df = pd.DataFrame([(.2, .3), (.0, .6), (.6, .0), (.2, .1)], 
                  columns=['dogs', 'cats'])
mcorr = df.corr()
print(mcorr)

运行结果：

          dogs      cats
dogs  1.000000 -0.851064
cats -0.851064  1.000000

---

pd.set_option(pat, value)
作用：设置数据输出精度

1. 无返回
2. 参数解释：
   pat - 当 pat='precision' 时，设置数据输出的精度。
   value - 数据显示几位小数。
3. 例子

# 数据print输出s精度
pd.set_option('precision', 3)

matplotlib 函数

---

plt.legend(labels, loc, fontsize)
作用：为图添加图例。

参数解释：
labels - 设置图例的标签。
loc - 设置图例的位置。
类型为int（0-10）或者{‘best', 'upper right', 'upper left', 'lower left', 'lower right', 'right', 'center left', 'center right', lower center', 'upper center', 'center'}
fontsize - 设置图例大小。类型为int或者{'xx-small', 'x-small', 'small', 'medium', 'large', 'x-large', 'xx-large'}

---

plt.colorbar(mappable=None, cax=None, ax=None, **kw))
作用：为图添加颜色条

参数解释：
mappable - 以图作为对象。要显示哪个图中的颜色，传入哪个图的对象。

---

画直方图Histogram
plt.hist(x, bins=10, range=None, normed=False, weights=None,
cumulative=False, bottom=None, histtype='bar', align='mid',
orientation='vertical', rwidth=None, log=False, color=None,

label=None, stacked=False)

1. 参数解释：
   x - 绘制直方图x轴的数据
   bins - 直方图条形的个数
   range - 直方图数据的上下界，默认包含数据的最大值和最小值
   normed - 是否将直方图的频数转换成频率
   weights - 为每个数据点设置权重
   cumulative - 是否需要计算累计频数或频率
   bottom - 可为直方图的每个条形添加基准线，默认为10
   histtype - 直方图的类型，默认为bar，还有barstacked、step、stepfilled
   align - 设置条形边界值的对齐方式，默认为mid，还有left和right
   orientation - 合作直方图的摆放方式，默认为垂直方向
   rwidth - 设置直方图条形的宽度
   log - 是否需要对数据进行log变换
   color - 设置直方图的填充色
   edgecolor - 设置直方图边框色
   label - 设置直方图的标签，可通过legend展示其图例
   stacked - 当有多个数据时，是否需要将直方图堆叠摆放，默认水平摆放
2. 例子

plt.figure(figsize=(6,3))   # 设置图表大小

bins = 10**(np.linspace(0,2))   # 直方图条形个数
plt.hist(data['fixed acidity'], bins=bins, 
         edgecolor='k',     # 设置边缘线条颜色为黑色
         label='Fixed Acidity')    # 设置图表图例标签

plt.title('Histogram of Acid Concentration')    # 设置图表标题
plt.xscale('log')     # 设置x轴的数量级
plt.xlabel('Acid Concentrain (g/dm^3)')    # 设置x轴的标签
plt.ylabel('Frequency')    ## 设置y轴的标签
plt.legend()     # 显示图例
plt.tight_layout()    # 图表的布局紧凑

运行结果：

histogram.png