Python入门进阶讲解-优快云博客

一.基础语法与核心概念

1.Lambda

匿名函数，语法简洁，用于创建简单的、一次性使用的函数，形式为 lambda 参数: 表达式，比如 lambda x: x * 2 可快速定义一个实现数值翻倍的函数，常配合 map、filter 等函数式编程工具使用。

2.迭代器

遍历可迭代对象（如列表、元组、字典等）元素的过程，可通过 for 循环实现，像 for item in list_data: ，也涉及迭代器（iterator ）和生成器（generator ）概念，生成器用 yield 关键字创建，能节省内存，按需生成数据。

在 Python 中，迭代器是实现迭代器协议的对象，它包含方法 __iter__() 和 __next__()。

for 循环实际上创建了一个迭代器对象，并为每个循环执行 next() 方法。

迭代器的创建方法
若要将某个类打造为迭代器，这个类必须实现 __iter__() 和 __next__() 这两个特殊方法，具体要求如下：(先熟练掌握面向对象编程）

__iter__() 方法：
其主要作用是对迭代器进行初始化。
该方法一定要返回迭代器对象自身。
__next__() 方法：
此方法的任务是返回序列里的下一个元素。
当序列中的元素全部返回完毕后，要抛出 StopIteration 异常。

所有类都有名为 __init__() 的函数，它允许您在创建对象时进行一些初始化。

__iter__() 方法的作用相似，您可以执行操作（初始化等），但必须始终返回迭代器对象本身。

__next__() 方法也允许您执行操作，并且必须返回序列中的下一个项目。

StopIteration 异常

next()语句过多，或者for循环太长，就写stoplteration停止异常处理。

在 __next__() 方法中，如果迭代完成指定的次数，我们可以添加一个终止条件来引发错误。

当 self.a 大于 20 时，抛出 StopIteration 异常，告知迭代已经结束，这是 Python 迭代器停止迭代的标准方式。

3.多态

属于面向对象编程特性，不同类的对象对同一方法调用呈现不同行为，比如子类重写父类方法，调用时根据对象实际类型执行对应实现，让程序更灵活、可扩展。

函数多态：一个可用于不同对象的 Python 函数的例子是 len() 函数。

类的多态

继承类多态

继承的类，即使是pass空的，也覆盖了pf（）方法

4.作用域

指变量能被访问的代码范围，分局部作用域（函数内定义的变量，函数外一般无法访问）、全局作用域（模块级定义的变量，模块内多数地方可访问）等，理解它可避免变量名冲突，合理管理变量生命周期。

局部作用域：在函数内部创建的变量属于该函数的局部作用域，并且只能在该函数内部使用。

全局作用域：在 Python 代码主体中创建的变量是全局变量，属于全局作用域。全局变量在任何范围（全局和局部）中可用。

命名变量:如果在函数内部和外部操作同名变量，Python 会将它们视为两个单独的变量，一个在全局范围内可用（在函数外部），而一个在局部范围内可用（在函数内部）。

Global 关键字:如果您需要创建一个全局变量，但被卡在本地作用域内，则可以使用 global 关键字。global 关键字使变量成为全局变量。

5.Try Except

用于异常处理，try 块放可能出错的代码，except 块捕获并处理异常（如 except ValueError: 处理值错误异常），还可搭配 else（try 块无异常时执行）、finally（无论有无异常都会执行，常用来做资源清理等），增强程序健壮性。

try 块允许您测试代码块以查找错误。

except 块允许您处理错误。

finally 块允许您执行代码，无论 try 和 except 块的结果如何。

多个异常：您可以根据需要定义任意数量的 exception 块，例如，假如您要为特殊类型的错误执行特殊代码块。

二.数据结构与数据处理类

1.数组

通常可理解为列表（list ，如 [1, 2, 3] ，能动态增删元素），也有 array 模块的数组（更接近 C 语言数组，存储同类型数据，节省空间），用于有序存储、操作一组数据。

2.JSON

json 模块用于处理 JSON 格式数据，json.dumps() 可将 Python 对象（如字典、列表）转成 JSON 字符串，json.loads() 能把 JSON 字符串解析回 Python 对象，方便与其他系统进行数据交互，比如网络请求传输数据。JSON 是用 JavaScript 对象表示法（JavaScript object notation）编写的文本。

Python 对象都可以转换为 JSON 字符串。

3.字符串格式化

多种方式实现，如 % 格式化（print("姓名：%s，年龄：%d" % ("张三", 20)) ）、format 方法（"姓名：{}，年龄：{}".format("张三", 20) ）、f - string（Python 3.6+ ，name = "张三"; age = 20; print(f"姓名：{name}，年龄：{age}") ），用于按需求拼接、展示字符串内容。

为了确保字符串按预期显示，我们可以使用 format() 方法对结果进行格式化。

三.面向对象编程类

1.类/对象

类是创建对象的蓝图，用 class 定义，包含属性（数据）和方法（函数），对象是类的实例，通过类名() 创建，如 class Person: def __init__(self, name): self.name = name; p = Person("张三") ，是面向对象编程的基础。

在 Python 中，__init__() 是一个特殊的方法（也称为构造函数），用于在创建类的实例时初始化对象的属性。它是类定义中的核心组成部分，负责设置对象的初始状态。
核心作用
当你使用 ClassName() 创建一个对象时，Python 会自动调用 __init__() 方法，并将新创建的对象作为第一个参数（通常命名为 self）传入。通过 self，你可以为对象绑定属性（如姓名、年龄等），这些属性将在对象的整个生命周期内存在。

对象方法，对象也可以包含方法。对象中的方法是属于该对象的函数。

self 参数是对类的当前实例的引用，用于访问属于该类的变量。

2.继承

子类可继承父类的属性和方法，使用 class 子类名(父类名): 定义，子类能重写父类方法，也可扩展新功能，实现代码复用，比如 class Student(Person): ，让 Student 类复用 Person 类已有逻辑并定制自身特性。

继承允许我们定义继承另一个类的所有方法和属性的类。

父类是继承的类，也称为基类。

子类是从另一个类继承的类，也称为派生类。

我们已经创建了一个子类，它继承了父类的属性和方法。当然子类也可以增加__init__函数。

每次使用类创建新对象时，都会自动调用 __init__() 函数。

在子类中添加一个与父类中的函数同名的方法，则将覆盖父方法的继承。

四.模块与工具类

1.模块

是包含 Python 定义和语句的文件（.py ），可通过 import 导入，如 import math 导入数学模块使用其函数（math.sqrt(4) 计算平方根），也可自定义模块并在其他脚本中导入，便于代码组织和复用。

由于模块只能用.py文件后缀，所以我们使用pycharm来熟悉。

修改模块文件名，让其符合 Python 命名规范。Python 模块命名规范：

由字母、数字、下划线组成；
不能以数字开头；
一般采用小写字母，多个单词可用下划线连接（如 my_module.py ）。

先创建模块文件，名字随意，我以abcd.py为例，然后写一个加法内置函数。

再新建一个文件，调用模块。

注释：如果使用模块中的函数时，请使用以下语法：

module_name.function_name

变量也可以调用，以下面的字典为例，as创建别名，方便调用

直接用别名方便调用

from导入模块部件和dir（）函数列出模块所有函数

2.PIP

Python 的包管理工具，用于安装、升级、卸载第三方库，比如 pip install requests 安装 requests 库，pip list 查看已安装库列表，方便扩展 Python 功能，利用丰富的第三方资源。

如果尚未安装 PIP，可以从此页面下载并安装：https://pypi.org/project/pip/

查找包：在 https://pypi.org/，您可以找到更多的包。

删除包：请使用 uninstall 命令来删除包。回复y同意删除

列出包：请使用 list 命令列出系统上安装的所有软件包。

3.命令输入

可通过 input() 函数实现，如 user_input = input("请输入内容：") ，获取用户在控制台的输入，用于交互性程序，让程序根据用户输入执行不同逻辑。

Python 3.6 使用 input() 方法。Python 2.7 使用 raw_input() 方法。

五.特定功能类

1.日期

datetime 模块处理日期和时间，可创建日期对象（datetime.datetime(2025, 7, 2) ）、格式化输出（dt.strftime("%Y-%m-%d %H:%M:%S") ）、进行时间运算（如两个日期相减得到时间差），满足程序中对时间处理的需求。

以下是整理后的日期时间格式化代码表格：

格式代码	含义描述	示例（英文/中文）
日期相关
`%Y`	4 位年份	2023
`%y`	2 位年份（00-99）	23
`%m`	2 位月份（01-12）	05
`%B`	完整月份名称（本地化）	May / 五月
`%b`	缩写月份名称（本地化）	May / 五
`%d`	2 位日期（01-31）	08
`%j`	年内天数（001-366）	128
`%U`	年内周数（周日为一周起点，00-53）	18
`%W`	年内周数（周一为一周起点，00-53）	18
`%w`	周内天数（0=周日，6=周六）	1（表示周一）
时间相关
`%H`	24 小时制小时（00-23）	14
`%I`	12 小时制小时（01-12）	02
`%M`	2 位分钟（00-59）	35
`%S`	2 位秒数（00-59）	42
`%f`	微秒（000000-999999）	123456
`%p`	上/下午标识（本地化）	AM、PM / 上午、下午
日期时间组合
`%c`	本地化日期时间	Wed May 08 14:35:42 2023（英文）
`%x`	本地化日期	05/08/23（英文）、2023-05-08（中文）
`%X`	本地化时间	14:35:42
时区与其他
`%Z`	时区名称（若存在）	UTC、CST
`%z`	时区偏移（±HHMM）	+0800（东八区）
`%%`	转义%符号	%

表格已按类别分组，并标注中英文示例差异。适用于Python的strftime、strptime等场景。

2.数学

math 模块提供众多数学相关函数，像三角函数（math.sin() ）、对数函数（math.log() ）、常数（math.pi ）等，cmath 模块用于复数数学运算，助力进行数值计算相关任务。

min() 和 max() 函数可用于查找可迭代对象中的最低或最高值。abs()绝对值。pow(x, y) 函数返回 x 的 y 次幂（xy）的值。

Python 的 math 模块提供了丰富的数学函数，用于执行基本和高级数学运算。这些函数涵盖三角函数、对数函数、幂运算、取整操作等。以下表格列出了 math 模块的所有方法（基于 Python 3.10 标准库），包括方法名称、描述、参数和返回值。每个描述中涉及的数学表达式已使用 $...$ 格式包裹以确保清晰。

注意：

参数类型：x, y 等通常为浮点数（float），但某些函数支持整数（int）。
返回值类型：大多数方法返回 float，但部分返回整数（int）或元组。
对于可选参数，使用方括号 [] 表示，例如 [base]。
本表格按函数类别分组，便于查阅。

方法名称	描述	参数	返回值
基本运算函数
`math.sqrt(x)`	计算 $x$ 的平方根（$x \geq 0$）	`x: float`	`float`
`math.pow(x, y)`	计算 $x$ 的 $y$ 次幂（$x^y$）	`x: float`, `y: float`	`float`
`math.exp(x)`	计算 $e$ 的 $x$ 次幂（$e^x$）	`x: float`	`float`
`math.expm1(x)`	计算 $e^x - 1$（用于小 $x$ 的高精度）	`x: float`	`float`
`math.log(x[, base])`	计算对数（默认自然对数 $\ln(x)$；可选底数 $\log_{\text{base}}(x)$）	`x: float`, `[base]: float`	`float`
`math.log10(x)`	计算以 10 为底的对数（$\log_{10}(x)$）	`x: float`	`float`
`math.log2(x)`	计算以 2 为底的对数（$\log_{2}(x)$）	`x: float`	`float`
`math.log1p(x)`	计算 $\ln(1 + x)$（用于小 $x$ 的高精度）	`x: float`	`float`
`math.fabs(x)`	计算 $x$ 的绝对值（$	x	$）
`math.fmod(x, y)`	计算浮点数余数（$x \mod y$）	`x: float`, `y: float`	`float`
`math.fsum(iterable)`	精确求和浮点数序列（减少累积误差）	`iterable: iterable[float]`	`float`
`math.prod(iterable, *, start=1)`	计算序列的乘积（$\prod \text{iterable} \times \text{start}$，Python 3.8+）	`iterable: iterable[float]`, `start: float = 1`	`float`
`math.hypot(*coordinates)`	计算欧几里得范数（$\sqrt{\sum coordinates_i^2}$）	`*coordinates: float`	`float`
`math.dist(p, q)`	计算点 $p$ 和 $q$ 的欧几里得距离（Python 3.8+）	`p: tuple[float, ...]`, `q: tuple[float, ...]`	`float`
三角函数（输入为弧度）
`math.sin(x)`	计算 $x$ 的正弦值（$\sin(x)$）	`x: float`	`float`
`math.cos(x)`	计算 $x$ 的余弦值（$\cos(x)$）	`x: float`	`float`
`math.tan(x)`	计算 $x$ 的正切值（$\tan(x)$）	`x: float`	`float`
`math.asin(x)`	计算 $x$ 的反正弦值（$\arcsin(x)$，$-1 \leq x \leq 1$）	`x: float`	`float`
`math.acos(x)`	计算 $x$ 的反余弦值（$\arccos(x)$，$-1 \leq x \leq 1$）	`x: float`	`float`
`math.atan(x)`	计算 $x$ 的反正切值（$\arctan(x)$）	`x: float`	`float`
`math.atan2(y, x)`	计算 $\arctan(y/x)$（考虑象限）	`y: float`, `x: float`	`float`
双曲函数
`math.sinh(x)`	计算 $x$ 的双曲正弦值（$\sinh(x)$）	`x: float`	`float`
`math.cosh(x)`	计算 $x$ 的双曲余弦值（$\cosh(x)$）	`x: float`	`float`
`math.tanh(x)`	计算 $x$ 的双曲正切值（$\tanh(x)$）	`x: float`	`float`
`math.asinh(x)`	计算 $x$ 的反双曲正弦值（$\text{arsinh}(x)$）	`x: float`	`float`
`math.acosh(x)`	计算 $x$ 的反双曲余弦值（$\text{arcosh}(x)$，$x \geq 1$）	`x: float`	`float`
`math.atanh(x)`	计算 $x$ 的反双曲正切值（$\text{artanh}(x)$，$-1 < x < 1$）	`x: float`	`float`
角度和弧度转换
`math.degrees(x)`	将弧度 $x$ 转换为角度	`x: float`	`float`
`math.radians(x)`	将角度 $x$ 转换为弧度	`x: float`	`float`
取整和离散函数
`math.ceil(x)`	向上取整（最小整数 $\geq x$）	`x: float`	`int`
`math.floor(x)`	向下取整（最大整数 $\leq x$）	`x: float`	`int`
`math.trunc(x)`	截断取整（向零取整）	`x: float`	`int`
`math.modf(x)`	返回 $x$ 的小数部分和整数部分（作为元组）	`x: float`	`tuple[float, float]`
`math.factorial(x)`	计算 $x$ 的阶乘（$x!$，$x$ 为非负整数）	`x: int`	`int`
`math.gcd(a, b)`	计算 $a$ 和 $b$ 的最大公约数	`a: int`, `b: int`	`int`
`math.isqrt(n)`	计算 $n$ 的整数平方根（$\lfloor \sqrt{n} \rfloor$，Python 3.8+）	`n: int`	`int`
`math.comb(n, k)`	计算组合数 $\binom{n}{k}$（Python 3.8+）	`n: int`, `k: int`	`int`
`math.perm(n, k=None)`	计算排列数 $P(n, k)$（$k$ 可选，默认 $k=n$，Python 3.8+）	`n: int`, `[k]: int`	`int`
特殊函数
`math.erf(x)`	计算误差函数 $\text{erf}(x)$	`x: float`	`float`
`math.erfc(x)`	计算互补误差函数 $\text{erfc}(x) = 1 - \text{erf}(x)$	`x: float`	`float`
`math.gamma(x)`	计算 Gamma 函数 $\Gamma(x)$	`x: float`	`float`
`math.lgamma(x)`	计算 Gamma 函数绝对值的自然对数 $\ln(	\Gamma(x)	)$
浮点数操作和检查
`math.frexp(x)`	将 $x$ 分解为尾数 $m$ 和指数 $e$（$x = m \times 2^e$）	`x: float`	`tuple[float, int]`
`math.ldexp(x, i)`	计算 $x \times 2^i$	`x: float`, `i: int`	`float`
`math.nextafter(x, y)`	返回 $x$ 向 $y$ 方向的下一个浮点数	`x: float`, `y: float`	`float`
`math.remainder(x, y)`	计算 IEEE 754 余数（$x - n \times y$，$n$ 为最接近整数，Python 3.7+）	`x: float`, `y: float`	`float`
`math.copysign(x, y)`	返回 $x$ 的绝对值，但符号与 $y$ 相同	`x: float`, `y: float`	`float`
`math.isclose(a, b, *, rel_tol=1e-09, abs_tol=0.0)`	检查 $a$ 和 $b$ 是否接近（基于相对和绝对容差）	`a: float`, `b: float`, `rel_tol: float`, `abs_tol: float`	`bool`
`math.isfinite(x)`	检查 $x$ 是否为有限数（非无穷或 NaN）	`x: float`	`bool`
`math.isinf(x)`	检查 $x$ 是否为无穷大	`x: float`	`bool`
`math.isnan(x)`	检查 $x$ 是否为 NaN（非数字）	`x: float`	`bool`

3.RegEx

正则表达式借助 re 模块实现，用于字符串的模式匹配、查找、替换等操作，比如 re.search(r'\d+', "abc123def") 查找字符串中的数字，可高效处理复杂的文本筛选、校验场景，像验证邮箱格式、提取特定格式内容等。

常见正则表达式元字符表格

元字符	描述	示例
`.`	匹配任意单个字符	`a.c` 匹配 "abc", "a1c"
`^`	匹配行首	`^a` 匹配 "a"开头的行
`$`	匹配行尾	`a$` 匹配 "a"结尾的行
`*`	匹配0次或多次	`ab*` 匹配 "a", "abbbb"
`+`	匹配1次或多次	`ab+` 匹配 "ab", "abbb"
`?`	匹配0次或1次	`ab?` 匹配 "a", "ab"
`\d`	匹配数字	`\d` 匹配 "0"-"9"
`\w`	匹配字母数字下划线	`\w` 匹配 "a-z","0-9","_"
`\s`	匹配空白字符	`\s` 匹配空格,tab等
`[]`	匹配括号内任一字符	`[abc]` 匹配 "a","b","c"
`[^]`	不匹配括号内任一字符	`[^abc]` 匹配非"a","b","c"
`	`	或操作
`()`	分组	`(ab)+` 匹配 "ab","abab"
`{n}`	匹配n次	`a{2}` 匹配 "aa"
`{n,}`	匹配至少n次	`a{2,}` 匹配 "aa","aaa"
`{n,m}`	匹配n到m次	`a{2,4}` 匹配 "aa","aaa","aaaa"

六.文件处理

1.文件打开

一、核心工具：open () 函数
open() 函数得给它两个关键信息：

文件名：就是你要操作的那个文件叫啥，比如 test.txt ，得确保 Python 能找到它（知道在哪个文件夹里，或者用正确路径）。
模式：决定以啥方式打开文件，不同方式能干不同事儿，就像你用不同工具打开盒子，有的只能看，有的能往里面加东西，有的会把原来东西清掉重新放。
二、四种主要 “打开方式”（模式）
“r”（读取 - 默认）
就像你想打开一本书看内容，用这模式。文件得存在，不然 Python 就报错，说找不到文件。打开后，你能读里面的文字（内容），但不能直接改。比如你打开小说文本，看看主角干了啥。
“a”（追加）
好比你有个日记本，想接着写点新事儿，用这模式。文件不存在的话，Python 会自动创建一个新的。打开后，新写的内容会加在文件原来内容的末尾，不会把之前写的覆盖掉。像记每日心情，每天接着在后面写。
“w”（写入）
这就像你要重新写一篇作文，用新内容替换原来的。文件不存在会创建，要是文件本来有内容，打开后原来的内容会被清空，然后写入新东西。比如你要整理新的旅行攻略，把旧的攻略内容全换成新的。
“x”（创建）
专门用来新建文件的，而且保证是全新的。如果要创建的文件已经存在了，Python 就报错，不让你创建，避免不小心把已有的文件覆盖掉。就像你要新建一个独一无二的 “秘密笔记” 文件，确保之前没有重名的。
三、文本还是二进制？额外可选模式
“t”（文本 - 默认）：平常处理文字内容，像小说、日记、代码文件这些，用这模式，Python 会把内容当作文本处理，能看懂文字啥意思。
“b”（二进制）：处理图片、音乐、视频这些文件时用。因为这些文件不是普通文字，是一堆二进制数据（电脑能懂的 0 和 1 组合），用这模式才能正确读写，不然就会乱套，读不出正常内容。比如你想复制一张图片，就得用二进制模式打开它，再用二进制模式写入新文件。

2.文件读取

先随便写一个文本文件。

读取文件。

3.文件写入\创建

写入已有文件：如需写入已有的文件，必须向 open() 函数添加参数：

"a" - 追加 - 会追加到文件的末尾，"w" - 写入 - 会覆盖任何已有的内容。

覆盖文件写文本。

创建新文件

如需在 Python 中创建新文件，请使用 open() 方法，并使用以下参数之一：

"x" - 创建 - 将创建一个文件，如果文件存在则返回错误
"a" - 追加 - 如果指定的文件不存在，将创建一个文件
"w" - 写入 - 如果指定的文件不存在，将创建一个文件

4.文件删除

删除文件：如需删除文件，必须导入 OS 模块，并运行其 os.remove() 函数：

七.四大标准库

1.NumPy

简介：NumPy（Numerical Python）是 Python 科学计算的基础库，提供了高性能的多维数组对象 ndarray ，以及大量用于对数组进行操作的函数。
核心功能：
强大的数组对象：ndarray 支持高效的存储和快速的数值计算，相比 Python 内置的列表，占用空间更小，计算速度更快。例如，在进行向量或矩阵运算时，ndarray 可以大幅提升计算效率。
丰富的数学函数：涵盖了三角函数、指数函数、对数函数等各种数学运算函数，能直接对数组进行操作，无需编写复杂的循环。
广播机制：使得不同形状的数组之间也能进行运算，大大简化了代码的编写。比如，一个标量可以和一个数组进行运算，数组中的每个元素都会与该标量进行相应的操作。
应用场景：广泛应用于机器学习、深度学习、数据分析、物理模拟等领域，是众多科学计算库的基础，像 SciPy、Pandas 等库都依赖于 NumPy 进行高效的数值计算。

以下是NumPy常用算法的分类表格整理：

数学运算

算法类别	具体函数示例	功能描述
基础算术	`add()`, `subtract()`, `multiply()`, `divide()`	四则运算
指数对数	`exp()`, `log()`, `log10()`	指数与对数计算
三角函数	`sin()`, `cos()`, `tan()`	三角函数运算

统计计算

算法类别	具体函数示例	功能描述
基础统计	`mean()`, `median()`, `std()`	均值/中位数/标准差
极值统计	`amin()`, `amax()`, `ptp()`	最小值/最大值/极差
百分位	`percentile()`	计算分位数

线性代数

算法类别	具体函数示例	功能描述
矩阵操作	`dot()`, `matmul()`	矩阵乘法
分解运算	`linalg.svd()`, `linalg.qr()`	奇异值分解/QR分解
特征值	`linalg.eig()`	计算特征值与特征向量

数组操作

算法类别	具体函数示例	功能描述
形状操作	`reshape()`, `transpose()`	改变数组形状
排序筛选	`sort()`, `argsort()`	排序与索引排序
集合操作	`unique()`, `intersect1d()`	唯一化/交集运算

表格内容基于NumPy官方文档功能分类整理，实际使用时需结合具体参数配置。

2.Pandas

简介：Pandas 是一个用于数据处理和分析的强大库，提供了数据结构 Series（一维数组）和 DataFrame（二维表格型数据结构），方便用户进行数据的清洗、转换、分析和可视化。
核心功能：
数据结构：Series 可以看作是带有标签的一维数组，常用于存储和处理一列数据；DataFrame 类似于 Excel 表格，能够方便地处理结构化数据，每一列可以是不同的数据类型。
数据读取与写入：支持读取多种格式的数据，如 CSV、Excel、SQL 数据库等，也能将处理后的数据写回这些格式。
数据清洗与处理：提供了丰富的函数用于处理缺失值、重复值，以及数据的分组、聚合、透视等操作。例如，使用 dropna() 方法可以快速删除包含缺失值的行或列。
时间序列分析：对于时间序列数据有很好的支持，能够方便地进行时间序列的重采样、频率转换等操作。
应用场景：在数据分析、数据挖掘、商业智能等领域被广泛使用，是处理结构化数据的首选工具，能够帮助用户快速地从大量数据中提取有价值的信息。

Pandas常用算法表格

算法类型	方法名	功能描述	示例代码片段
数据清洗	`dropna()`	删除包含缺失值的行/列	`df.dropna(axis=0)`
	`fillna()`	填充缺失值	`df.fillna(value=0)`
数据筛选	`loc[]`	标签索引选择	`df.loc[df['col'] > 10]`
	`iloc[]`	位置索引选择	`df.iloc[0:5, 1:3]`
统计计算	`mean()`	计算平均值	`df['col'].mean()`
	`groupby()`	分组聚合	`df.groupby('key').sum()`
排序	`sort_values()`	按值排序	`df.sort_values(by='col')`
合并	`merge()`	数据库风格的合并	`pd.merge(df1, df2, on='key')`
时间处理	`to_datetime()`	转换为时间格式	`pd.to_datetime(df['date'])`

机器学习相关算法

算法类型	方法名	应用场景	示例代码片段
预处理	`StandardScaler()`	数据标准化	`from sklearn.preprocessing import StandardScaler`
分类	`train_test_split()`	数据集分割	`from sklearn.model_selection import train_test_split`
评估	`accuracy_score()`	分类准确率计算	`from sklearn.metrics import accuracy_score`

表格内容可直接复制使用，所有方法均为Pandas或与其紧密集成的sklearn方法。

3.SciPy

简介：SciPy 是基于 NumPy 构建的用于科学和工程计算的库，它在 NumPy 的基础上，提供了更高级的算法和工具，涵盖了优化、线性代数、积分、插值、特殊函数、信号处理等多个领域。
核心功能：
优化算法：包含了各种优化算法，如最小化、最大化问题的求解，可用于求解数学规划、机器学习中的参数优化等问题。
线性代数：扩展了 NumPy 的线性代数功能，提供了更丰富的矩阵分解、特征值计算等函数，适用于求解线性方程组、主成分分析等。
积分与插值：能够进行数值积分和插值计算，在科学研究和工程计算中，用于处理实验数据的拟合、函数的数值积分等。
信号处理：提供了滤波、频谱分析等信号处理工具，常用于音频、图像等信号的处理。
应用场景：在科学研究、工程设计、机器学习算法实现等场景中发挥着重要作用，帮助科研人员和工程师解决各种复杂的计算问题。

以下是Scipy中常用算法的分类表格（基于模块和功能整理）：

优化算法（scipy.optimize）

算法名称	功能描述	典型函数
BFGS	拟牛顿法优化	`fmin_bfgs`
L-BFGS-B	内存受限的BFGS	`fmin_l_bfgs_b`
Nelder-Mead	单纯形法	`fmin`
COBYLA	约束优化	`fmin_cobyla`
Dual Annealing	全局优化（模拟退火）	`dual_annealing`

线性代数（scipy.linalg）

算法名称	功能描述	典型函数
LU分解	矩阵分解	`lu`
QR分解	正交分解	`qr`
SVD	奇异值分解	`svd`
特征值分解	对称矩阵分解	`eigh`

插值（scipy.interpolate）

算法名称	功能描述	典型函数
线性插值	分段线性拟合	`interp1d`
样条插值	平滑曲线拟合	`UnivariateSpline`
RBF	径向基函数插值	`Rbf`

信号处理（scipy.signal）

算法名称	功能描述	典型函数
FIR滤波	有限脉冲响应滤波	`firwin`
IIR滤波	无限脉冲响应滤波	`iirfilter`
频谱分析	快速傅里叶变换	`spectrogram`

表格内容基于Scipy 1.11版本的核心功能整理，实际使用时需结合具体参数配置。

4.Matplotlib

简介：Matplotlib 是 Python 最常用的数据可视化库，它提供了一套和 MATLAB 类似的绘图 API ，能够创建各种高质量的静态、动态、交互式图表，如折线图、柱状图、散点图、饼图等。
核心功能：
基本绘图：通过简单的函数调用，就可以绘制各种常见的图表，并且可以对图表的颜色、线条样式、字体等进行详细的定制。例如，使用 plot() 函数绘制折线图，scatter() 函数绘制散点图。
多子图布局：支持在一个图形中创建多个子图，方便进行数据的对比和分析。
3D 绘图：除了 2D 绘图，还提供了一定的 3D 绘图功能，可以绘制三维曲面图、散点图等。
动画制作：可以创建动态的图表，用于展示数据的变化过程。
应用场景：在数据分析、数据报告、学术论文、商业展示等领域都有着广泛的应用，能够将数据以直观、美观的方式呈现出来，帮助用户更好地理解和传达数据中的信息。

Matplotlib 常用算法及功能表格

算法/功能	描述	相关函数/类
折线图	绘制连续数据点之间的连线，用于趋势分析。	`plt.plot()`
散点图	显示数据点的分布，适用于相关性分析。	`plt.scatter()`
柱状图	比较不同类别的数值大小，支持垂直或水平方向。	`plt.bar()`, `plt.barh()`
直方图	统计数据的频率分布，展示数据分布规律。	`plt.hist()`
饼图	展示各部分占整体的比例，适用于占比分析。	`plt.pie()`
箱线图	显示数据分散情况（四分位数、离群点等）。	`plt.boxplot()`
等高线图	用等高线表示三维数据的二维投影，常用于科学计算。	`plt.contour()`, `plt.contourf()`
3D绘图	绘制三维曲面、散点或线框图，需导入 `mpl_toolkits.mplot3d`。	`Axes3D.plot_surface()`, `Axes3D.scatter()`
图像显示	加载和显示数组形式的图像数据（如 NumPy 数组）。	`plt.imshow()`
颜色映射	通过色条（colorbar）关联数据值与颜色。	`plt.colorbar()`
文本标注	在图形中添加文字说明或箭头标注。	`plt.text()`, `plt.annotate()`
子图布局	创建多子图网格，灵活排列图形。	`plt.subplots()`, `GridSpec`
坐标轴调整	设置坐标轴范围、刻度、标签或对数缩放。	`plt.xlim()`, `plt.xticks()`, `plt.xscale()`
图例与标题	添加图例区分数据系列，设置标题和坐标轴标签。	`plt.legend()`, `plt.title()`, `plt.xlabel()`
动画	生成动态变化的效果，需使用 `FuncAnimation` 类。	`animation.FuncAnimation()`