hustlei的专栏

数据处理是科学计算、数据分析以及人工智能的基础，Python在数据表示、数据清理、数据统计、数据可视化拥有众多易用高效的库，广泛用于工程领域、大数据、机器学习、人工智能等领域。如：NumPy为科学计算和数据分析库基础库；Scipy是像matlab一样的科学计算库；Pandas是一个数据分析库；Matplotlib是一个二维可视化绘图库、Seaborn是一个基于Matplotlib的更加易用的二维可视化绘图库；Mayavi2是一个可交互3D可视化绘图库

Scipy系列目录文章目录一、 概述二、 Scipy线性代数1 Scipy基本功能2 解线性方程组3 矩阵分解4 特征值和特征向量5 矩阵函数6 矩阵方程求解器(控制理论方程)三、 Scipy积分1 对给定函数积分1.1 通用积分1.2 向量函数积分1.3 多重积分1.3.1 双重积分1.3.2 多重积分1.4 高斯积分法计算积分1.5 Romberg方法计算积分2 对给定样本进行离散积分2.1 梯形法离散积分2.2 梯形法累计计算离散积分2.3 辛普森法计算离散积分2.4 Romberg法计算离散积分

Scipy系列目录文章目录一、 概述二、 思维导图三、 Scipy常量、IO及特殊函数1 Scipy常量模块(scipy.constants)1.1 数学常数1.2 物理常数1.3 单位信息2. 特殊函数(scipy.special)3 输入输出(scipy.io)3.1 matlab数据文件3.2 wav声音文件一、 概述相比Numpy，Scipy提供了非常多的物理常量以及单位信息，提供了非常多的基础数学函数和特殊数学函数。比如光速、普朗克常量、电子质量以及各种物理量单位，贝塞尔基函数、伽玛函数

Python科学计算和数据分析库系列目录Scipy简介Scipy是基于Numpy的科学计算工具库，方便、易于使用、专为科学和工程设计，是一个用于数学、科学、工程领域的常用软件包。Scipy提供了许多用户友好和高效的高阶方法，如插值，积分，统计，优化，图像处理等等。Scipy包含Matlab的大多计算功能（Simulink和行业库除外），和数据处理的关系不大，数值计算或者工程研究应用更多一些。Scipy系列目录[Scipy系列（一）：常数、IO和特殊函数][Scipy系列（二）：线性代数及积

Seaborn系列目录文章目录1. Seaborn样式1.1 设绘seaborn主题1.2 style样式设置1.3 可用样式style1.4 颜色盘设置1.5 上下文设置1.6 恢复默认样式2. 组合图2.1 jointplot组合分布图2.2 pairplot配对关系图1. Seaborn样式1.1 设绘seaborn主题sns.set_theme() #切换到seaborn默认主题。#sns.set() #set是set_theme的别称，通常建议使用set函数在0.8

Seaborn系列目录文章目录1. 回归及矩阵绘图API概述2. 回归统计绘图2.1 lmplot、regplot绘图2.2 residplot绘图3. 矩阵图3.1 heatmap热力图3.2 clustermap分层聚合热力图Seaborn中的回归包括回归拟合曲线图以及回归误差图。Matrix图主要是热度图。1. 回归及矩阵绘图API概述seaborn中“回归”绘图函数共3个：lmplot（回归统计绘图）：figure级regplot函数，绘图同regplot完全相同。(lm指lin

Seaborn系列目录文章目录1. 类别统计绘图API概述2. catplot基本绘图2.1 catplot绘制分类散点图2.2 catplot绘制分类分布图2.3 catplot绘制分类估计图3. 分类散点图3.1 strip图3.2 swarm图4 分类分布图4.1 box图4.2 boxen图4.3 violin图5. 分类估计图5.1 barplot5.2 pointplot5.3 countplot在研究数值变量之间的关系时，如果其中一个主要变量是"类别"，那么使用更类别统计绘图方法可能

Seaborn系列目录文章目录1. 分布统计绘图API概述2. displot单变量分布图(直方图、核密度、累积分布)2.1 displot函数绘制单变量分布图2.2 displot直方图kde图同时叠加绘制2.3 displot绘图同时叠加rug图2.4 displot双变量分布图(直方图、核密度)2.5 displot分组统计绘图2.6 displot绘制多个子图3 displot、histplot直方图详解3.1 直方图基本参数设置3.1.1 横向直方图3.1.2 直方柱数量3.1.3 直方图样式

Seaborn系列目录文章目录1. 关系绘图API概述2. relplot散点图2.1 relplot简单的关系绘图2.2 relplot颜色(hue)分组绘图2.3 relplot样式(style)分组绘图2.4 relplot多子图绘图3. relplot折线图3.1 relplot折线图(是否自动排序绘图)3.2 示例数据集3.3 relplot折线图(x,y一对多，聚类绘制)3.4 relplot分组绘图(hue、style、size)3.5 relplot分组绘图样式4. scatterplo

Seaborn系列目录文章目录1. Seaborn特点2. 基本绘图方法2.1 numpy数组数据绘图2.2 pandas数组数据绘图3. Seaborn函数分类3.1 根据图形控制级别分类3.2 绘图函数功能分类4. 长格式、短格式数据Seaborn绘图4.1 长格式、短格式数据4.2 宽格式数据绘图4.3 长格式数据绘图4.4 凌乱数据5. Seaborn dataset数据集5.1 load_dataset及缓存5.2 数据集说明1. Seaborn特点Seaborn是一个基于matplot

Seaborn简介Seaborn是基于matplotlib的2D绘图库。它在统计绘图方面更加方便易用，并且有自己预定义的样式。Seaborn并非用于替代matplotlib，而是对于数据分析等工作更加方便。Seaborn系列目录Seaborn系列（一）：绘图基础、函数分类、长短数据类型支持及数据集[Seaborn系列（二）：关系绘图][Seaborn系列（三）：分布统计绘图][Seaborn系列（四）：分类统计绘图][Seaborn系列（五）：回归及矩阵绘图][Seaborn系列（六）：

Matplotlib系列目录文章目录一、 简介二、 思维导图三、 Matplotlib嵌入PyQt界面及Web界面1. Matplotlib嵌入GUI基本方法2. matplotlib界面渲染引擎2.1 可用的渲染引擎后端2.2.渲染引擎后端设置3. 可嵌入GUI的画布2.3.1 画布及backend模块2.3.2 qt创建画布的方法3. Matplotlib嵌入Qt3.1 Matplotlib嵌入Qt GUI示例3.2 Matplotlib画布工具栏4 Matplotlib与GUI互动操作5 Matp

Matplotlib系列目录文章目录一、 简介二、 思维导图三、 Matplotlib动画及图形修改操作1. 手写代码更新图形实现动画2. animation模块动画2.1 Animation类简介2.2 FuncAnimation动画2.3 ArtistAnimation动画2.4 保存动画3. 常用图形更新函数参考文章一、 简介‎matplotlib的animation模块可以实现高效的动画绘制，并能够保持到gif或者视频文件中。‎matplotlib中的图形，如线条、点、坐标系、柱形图等

Matplotlib系列目录文章目录一、 简介二、 思维导图三、 Matplotlib路径、块、集合1. 路径(Path)和块(Patch)1.1 预定义基本图形patch1.1.1 圆形1.1.2 矩形1.1.3 椭圆形1.1.4 圆弧1.1.5 多边形1.1.6 正多边形1.1.7 圆环1.1.8 楔形、扇形1.1.9 阴影1.2 自定义patch和path1.2.1 用预定义path创建patch1.2.3 文本path1.2.4 自定义path1.2.3 path特效1.2.4 path蒙版2.

Matplotlib系列目录文章目录一、 简介二、 思维导图三、 Matplotlib三维图形1. 绘制3d图形2. 基本三维图像2.1 3d折线图2.2 3d散点图2.3 3d柱形图2.4 3d火柴图2.5 3d误差图3. 三维曲面3.1 3d网格面3.2 3d曲面3.3 3d非结构化三角网格3.4 3d非结构化网格等值线4. 3d标量矢量场4.1 3d等高线4.2 3d矢量图5. 其他5.1 3d文本5.2 图形旋转5.3 三维体元素参考文章一、 简介‎matplotlib现在已经支持很多

Matplotlib系列目录文章目录一、 简介二、 思维导图三、 Matplotlib二维图形1. 基本图形1.1 折线图1.2 散点图1.3 柱状图1.4 饼图1.5 火柴图1.6 曲线填充图1.7 面积图2. 辅助直线2.1 直线2.2 一组直线2.3 填充线3. 二维标量场3.1 imshow3.2 pcolor3.3 contour、contourf等值线4. 二维矢量场4.1 quiver箭头(速度)图4.1 streamplot流线图5. 统计绘图5.1 直方图5.2 hist2d二维直方图

文章目录一、 简介二、 思维导图三、 坐标轴变换及注释1. 坐标轴变换1.1 极坐标系1.2 对数坐标系1.3 地图坐标系1.4 坐标轴双坐标2. 注释2.1 引线标注2.2 文本2.3 箭头2.4 表格2.5 公式一、 简介‎matplotlib有强大的变换功能，并提供了预定义的极坐标、对数坐标等坐标系。‎matplotlib还有丰富的文本和箭头注释功能，可以方便的在指定位置添加注释，并且注释文本支持latex公式。Matplotlib系列将Matplotlib的知识和重点API，编制成思维导

文章目录简介思维导图Matplotlib样式设置及注释文本1. rcParams配置1.1 配置字典rcParams和配置文件1.2 获取配置1.3 修改配置1.4 配置文件1.5 常用配置选项2. 样式表StyleSheet2.1 使用样式的方法2.2 预定义样式2.3 自定义样式3. ColorMap颜色风格3.1 ColorMap用法3.2 内置ColorMap简介参考资料简介Matplotlib提供了非常强大的自定义配置接口和文本标注功能。Matplotlib提供了三种方式自定义配置。统一

文章目录一、 简介二、 思维导图三、 Matplotlib快速绘图1. 两种绘图方式1.1 过程式绘图1.2 面向对象绘图2. matplotlib绘图对象层次组成3. Matplotlib面向对象绘图过程3.1 典型代码示例3.2 创建画布3.3 创建图表3.4 绘制图形（包含设置点、线样式、颜色）3.4.1 点、线样式，颜色参数3.4.2 颜色参数取值1) 基本颜色简写2) 颜色名称3) 灰度数值4）十六进制RGB字符串5）RGB，RGBA元组6）C0,C1,...CN字符串3.4.3 线样式参数取值3

Matplotlib简介Matplotlib是一个可视化绘图库。可以使用这个库轻松地完成线形图、直方图、条形图、误差图或散点图等操作，设置标签、图例、调整绘图大小等。是python中使用最广的绘图库。有很多库（如pandas，seaborn）的绘图功能都是基于matplotlib实现的。Numpy，Pandas，Matplotlib被称为Python数据分析三大支柱。Matplotlib系列目录Matplotlib系列（一）：快速绘图入门[Matplotlib系列（二）：图形操作、样式及设置

文章目录一、 简介二、 思维导图三、 Pandas可视化绘图1. Pandas绘图基本方法2. plot模块2.1 简单图表2.1.1 绘图函数2.1.2 进阶用法2.2 统计绘图3. plot函数4. Series和DataFrame两个特殊绘图函数5. 通用图形控制参数5.1 图形属性一、 简介Pandas数据提供了方便的绘图函数，可以直接调用绘图。不仅包括常用的点、线、柱形图、饼图，还包括直方图、核密度曲线图等统计图形。Pandas的绘图函数基于Matplotlib。Pandas系列将

文章目录一、 简介二、 思维导图三、 Pandas数据处理1. 排序2. 数据整理2.1 数据重塑2.1.1 改变形状2.1.2 合并拼接2.1.3 数据透视3. 分组、聚合及窗口函数3.1 分组3.2 聚合3.3 窗口函数3.4 上下限规整3. 函数应用3.1 transform（对每个元素执行函数）3.2 apply（沿行或列执行函数）3.3 map(只能对Series执行函数)3.4 applymap(只能对DataFrame执行函数)3.5 pipe（运算时可以指定参数）3.6 eval4. 统计4

文章目录一、 简介二、 思维导图三、 Pandas数据清洗1. 空值、缺失值处理1.1 空值、缺失值判断1.2 空值处理2. 异常数据替换2.1 条件替换2.2 replace函数替换3. 重复值处理4. 字符串处理5. 标签修改6. 数据标准化7. 数据转换操作一、 简介数据清洗主要是对空值、重复值、异常值进行处理；对数据标签进行整理；数据类型进行转换；以及数据标准化处理等。Pandas系列将Pandas的知识和重点API，编制成思维导图和重点笔记形式，方便记忆和回顾，也方便应用时参考，初学者也

文章目录一、 简介二、 思维导图三、 Pandas IO和常用操作1. IO1.1 csv读写1.2 excel读写1.3 json读写1.5 Pickling读写1.6 SQL读写1.7 html读写1.8 Latex读写2 查看数据2.1 数据检查2.2 时间过滤2.3 简单判断2.4 筛选过滤3 基本运算函数3.1 pandas广播原则3.2 数学运算3.3 布尔运算4 非数值数据处理4.1 字符串方法(Series)4.2 时间数据方法(Series)5 方法链一、 简介Pandas支持多种格

文章目录一、 简介二、 思维导图三、 Pandas数据结构1. Series1.1 简介1.2 创建Series1.3 Series属性1.4 索引切片1.4.1 索引1.4.2 切片1.4.3 列表索引1.4.4 条件表达式布尔列表索引1.5 循环访问2. DataFrame2.1 简介2.2 创建2.3 属性2.4 索引切片2.4.1 列2.4.2 行2.4.3 行列同时访问2.5 循环访问2.6 行列增删2.6.1 列2.6.2 行2.7 指定标签列3. 时间序列3.1 时间点3.2.1 创建Time

Pandas简介Pandas（Panel Data）是基于NumPy的数据分析库。它包含许多库和一些标准的数据模型，提供了高效地操作大型数据集所需的方法，并且提供了大量能使我们快速便捷地处理数据的内置函数。Pandas可以从各种文件格式比如 CSV、JSON、SQL导入数据。可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。被广泛应用在学术、金融、统计学等各个数据分析领域。Pandas的核心为两种数据结构和操作：Series：带索引的一维数组，与Numpy中的一维ar

文章目录一、 Numpy快速傅里叶变换二、 思维导图三、 函数简介1 基本概念1.1 傅里叶级数1.2 复数形式傅里叶级数1.3 傅里叶变换1.4 离散傅里叶变换2. 标准FFT2.1 一维离散FFT2.2 一维离散FFT反变换2.3 二维离散FFT2.4 二维离散FFT逆转换2.5 多维离散FFT3. 实数FFT4. 工具函数4.1 频谱频率坐标计算函数fftfreq4.2 实数频谱频率坐标计算函数rfftfreq4.3 移动频率顺序一、 Numpy快速傅里叶变换二、 思维导图三、 函数简介1

文章目录一、 Numpy线性代数二、 思维导图三、 函数简介1 矩阵和向量乘1.1 矩阵乘法1.2 内积外积1.3 点积1.4 向量叉乘1.5 张量积2 分解2.1 Cholesky分解2.2 QR(正交三角)分解2.3 SVD奇异值分解3 特征值3.1 方阵特征值和右特征向量3.2 Hermitian矩阵的特征值和特征向量3.3 方阵特征值（只求特征值）4. 范数等4.1 对角矩阵，矩阵的迹4.2 求方阵的行列式4.3 范数4.4 条件数4.5 矩阵的秩5 逆矩阵和解方程5.1 逆矩阵5.2 解方程6

文章目录一、 Numpy统计函数二、 思维导图三、 函数简介1 顺序统计2 均值和方差2.1 均值2.2 方差2.3 标准差3 相关关系3.1 协方差3.2 皮尔逊相关系数3.3 信号互相关4 直方图4.1 一维直方图4.2 二维直方图4.3 多维直方图4.4 计算元素所在区间一、 Numpy统计函数NumPy提供了很多统计函数，用于从数组中查找中位数，百分位数，标准差和方差，协方差，相关系数，以及直方图统计等等。二、 思维导图三、 函数简介1 顺序统计np.ptp(a,axis=None

文章目录一、 Numpy随机数及概率分布二、 思维导图三、 函数简介1. 随机数1.1 api版本说明1.2 简单随机数1.3 设置随机种子生成相同随机数1.4 排列组合2. 随机抽样2.1 离散概率分布2.1.1 常见离散分布简介2.1.2 伯努利分布2.1.3 二项分布2.1.4 几何分布2.1.5 泊松分布2.2 连续概率分布2.2.1 均匀分布2.2.2 指数分布2.2.3 正态分布2.2.4 对数正态分布2.2.5 伽玛分布2.2.6 瑞利分布2.2.7 韦伯分布2.2.8 贝塔分布2.2.9 狄

文章目录一、 Numpy基础数学函数二、 思维导图三、 函数简介1. 基本函数1.1 最大最小1.2 四舍五入1.3 排序查找计数1.4 公约数、公倍数1.5 其他简单函数2. 和差积(和简单 四则运算有差别)2.1 和2.2 差2.3 积2.4 叉乘2.5 梯度3 指数对数3.1 指数3.2 对数4 三角函数4.1 角度转换4.2 三角函数4.3 反三角函数4.4 三角形斜边长度5 双曲函数5.1 双曲函数5.2 反双曲函数6 复数运算6.1 获取实部虚部6.2 获取复数角度6.3 共轭一、 Numpy

1. Numpy常用函数库除了基本的数学、逻辑运算，Numpy数组内置了很多函数库，常用的主要有：基础数学函数随机数及概率函数统计函数线性代数函数傅里叶变换2. 思维导图个人总结，部分内容进行了简单的处理和归纳，如有谬误，希望大家指出，持续修订更新中。修订历史版本见：https://github.com/hustlei/AI_Learning_MindMap...

文章目录1. Numpy数组函数ufunc简介2. 思维导图3. 基本运算3.1 四则运算3.2 比较运算3.3 布尔运算3.4 位运算4. 自定义ufunc5. ufunc广播5.1 广播的步骤及条件5.2 创建可广播数组5.2.1 ogrid5.2.2 一维数组手工创建可广播数组5.2.3 创建广播后的数组6. ufunc的方法6.1 reduce6.2 accumulate6.2 outer7. ufunc广播特例行向量和列向量自动广播创建可广播数组根据范围创建广播后数组outer方法模拟向量广播1

Numpy中所有功能都是基于N维数组数据结构**ndarray**的。ndarray是**同类型数据**的集合，以 0 下标为开始进行元素的索引。不同于python的List，ndarray中的每个元素在内存中都有相同存储大小的区域。

Numpy(Numerical Python) 是python科学计算以及人工智能的基础。支持多维数组与矩阵运算，并提供了大量函数库，运行速度非常快。Numpy主要基于一个强大的N维数组对象ndarray数据结构，以及强大的通用广播函数。并提供了常用数学运算，线性代数，随机数生成傅里叶变换等函数库。Numpy的重点知识汇总，编制成思维导图和重点笔记形式方便记忆和回顾，也方便应用时参考，初学者也可以参考重点知识，逐步深入学习，内容目录如下：Numpy重点知识（一）：数组ndarrayNumpy