1、Python 的更多的方法Python 的列表数据类型包含更多的方法list.append(x) 把一个元素添加到列表的结尾。list.extend(L) 将一个给定列表中的所有元素都添加到另一个列表中。list.insert(i, x) 在指定位置插入一个元素。第一个参数是准备插入到其前面的那个元素的索引，例如 a.insert(0, x) 会插入到整个列表之前，而 a.insert(len(a), x) 相当于 a.append(x)。list.remove(x) 删除列表中值为 x 的第一个元素。如果没有这样的元素，就会返回一个错误。list.pop(i) 从列表的指定位置删除元素，并将
2、其返回。如果没有指定索引，a.pop() 返回最后一个元素。元素随即从链表中被删除。(方法中 i 两边的方括号表示这个参数是可选的，而不是要求你输入一对方括号，这个经常会在 Python 库参考手册中遇到这样的标记。)list.index(x) 返回列表中第一个值为 x 的元素的索引。如果没有匹配的元素就会返回一个错误。list.count(x) 返回 x 在链表中出现的次数。list.sort(cmp=None, key=None, reverse=False) 对列表中的元素进行排序（参数可以用来自定义排序方法，参考 sorted() 的更详细的解释）。list.reverse() 就地倒
3、排链表中的元素del listi 有个方法可以从列表中按给定的索引而不是值来删除一个子项：del 语句。它不同于有返回值的 pop() 方法。语句 del 还可以从列表中删除切片或清空整个列表(我们以前介绍过一个方法是将空列表赋值给列表的切片)。dict() 构造函数可以直接从 key-value 对中创建字典：dict(sape, 4139), (guido, 4127), (jack, 4098)dict.fromkeys(a,b,0)dict(zip(a,b,c,1,2,3)k:v for (k,v) in zip(a,b,c,1,2,3)x: x*2 for x in (2, 4, 6
4、)D = dict(a=1,b=2,c=3)c:c*4 for c in JoinQuantc.lower():c*4+! for c in JoinQuant元组任意无符号的对象，以逗号隔开，默认为元组（print abc, -4.24e93, 18+6.6j, xyzx, y = 1, 2;）元组数据类型包含更多的方法：tup.index(x, start, stop) 返回元组中start到stop索引中第一个值为 x 的元素在整个列表中的索引。如果没有匹配的元素就会返回一个错误。tup.count(x) 返回 x 在元组中出现的次数。cmp(tuple1, tuple2) 比较元组中两
5、个元素。len(tuple) 计算元组元素个数。max(tuple) 返回元组中元素最大值。min(tuple) 返回元组中元素最小值。tuple(seq) 将列表转换为元组。元组不提供字符串、列表和字典中的方法。如果相对元组排序，通常先得将它转换为列表并使其成为一个可变对象，才能获得使用排序方法，或使用sorted内置方法。集合集合（set）是一个无序不重复元素的集。基本功能包括关系运算和消除重复元素。比如支持 union(联合)，intersection(交)，difference(差)和 sysmmetric difference(对称差集)等数学关系运算。所有集合方法S.issubse
6、t(t) 如果 s 是 t 的子集，则返回True，否则返回FalseS.issuperset(t) 如果 s 是 t 的超集，则返回True，否则返回FalseS.unoin(t) 返回一个新集合，该集合是s和t的并集，也可用s1|s2，但不能用s1+s2S.intersection(t)返回一个新集合，该集合是s和t的交集,，也可用s1&s2S.difference(t) 返回一个新集合，该集合是s的成员，但不是t的成员,，也可用s1-s2S.symmetric_difference(t)对称差分是集合的异或，返回一个新集合，该集合是s或t的成员，但不是s和t共有的成员，也可用s1s2S.
7、copy()返回一个新集合，该集合是s的复制仅适合可变集合S.update(t) 用t中的元素修改s，即s现在包括s或t的成员S.intersection_update s中的成员是共同属于s和t的元素S.difference_update s中的成员是属于s但不包含在t中的元素S.symmetric_difference_update s中的成员更新为那些包含在s或t中，但不是s和t共有的元素S.add(obj) 在集合s中添加对象objS.remove(obj) 从集合s中删除对象obj，如果obj不是集合s中的元素将有错误S.discard(obj) 如果obj是集合s中的元素，从集合s
8、中删除对象objS.pop() 删除集合s中的任意一个对象，并返回它S.clear() 删除集合s中的所有元素集合推导式语法：a = x for x in abracadabra if x not in abc#abc默认是集合Python提供了for循环和while循环（在Python中没有do.while循环），for循环一般比while计数器循环运行得更快break语句，在语句块执行过程中终止循环，并且跳出整个循环continue语句，在语句块执行过程中终止当前循环，跳出该次循环，执行下一次循环。pass语句，是空语句，是为了保持程序结构的完整性。不做任何事情，一般用做占位语句。循环el
9、se块，只有当循环正常离开时才会执行（也就是没有碰到break语句）If/While/for定义可变参数和定义 list 或 tuple 参数相比，仅仅在参数前面加了一个 * 号。在函数内部，参数 numbers 接收到的是一个 tuple，因此，函数代码完全不变。但是，调用该函数时，可以传入任意个参数，包括 0 个参数。#必选参数，默认参数，*表可变参数，*表关键字参数def func(a, b, c=0, *args, *kw): print a =, a, b =, b, c =, c, args =, args, kw =, kw 调用函数时如何传入可变参数和关键字参数的语法：可变参数
10、既可以直接传入：func(1, 2, 3)，又可以先组装list或tuple，再通过*args传入：func(*(1, 2, 3)；关键字参数既可以直接传入：func(a=1, b=2)，又可以先组装dict，再通过*kw传入：func(*a: 1, b: 2)。使用*args和*kw是Python的习惯写法，当然也可以用其他参数名，但最好使用习惯用法。Python查找名字的规则是LGB规则：大多数名字引用在三个作用域中查找：先局部(Local)，次之全局(Global)，再次之内置(Build-in)。python 使用 lambda 来创建匿名函数：lambda只是一个表达式，函数体比de
11、f简单很多。lambda的主体是一个表达式，而不是一个代码块。仅仅能在lambda表达式中封装有限的逻辑进去。lambda函数拥有自己的名字空间，且不能访问自有参数列表之外或全局名字空间里的参数。虽然lambda函数看起来只能写一行，却不等同于C或C+的内联函数，后者的目的是调用小函数时不占用栈内存从而增加运行效率。import timestart = time.clock()fib=lambda n,x=0,y=1:x if not n else fib(n-1,y,x+y)print fib(20)end = time.clock()print read: %f s % (end - st
12、art)def fib(num): result=0,1 for i in range(num-2): result.append(result-2+result-1) return resultprint fib(15)斐波那契数列：斐波那契数列由十三世纪意大利数学家斐波那契发现。数列中的一系列数字常被人们称之为神奇数奇异数。具体数列为：0，1，1，2，3，5，8，13，21，34，55，89，144，233等，从该数列的第三项数字开始，每个数字等于前两个相邻数字之和。而斐波那契数列中相邻两项之商就接近黄金分割数0.618，与这一数字相关的0.191、0.382、0.5和0.809等数字就构
13、成了股市中关于市场时间和空间计算的重要数字。在金融市场的分析方法中，斐波那契数字频频出现。例如，在波浪理论中，一轮牛市行情可以用1个上升浪来表示，也可以用5个低一个层次的小浪来表示，还可继续细分为21个或89个小浪；在空间分析体系中，反弹行情的高度通常是前方下降趋势幅度的0.382、0.5、0.618；回调行情通常是前方上升趋势的0.382、0.5和0.618。一、常见的几种迭代器迭代器在python中是以C语言的速度运行的，而while循环版本则是通过Python虚拟机运行Python字节码的。rangezip 可以让我们使用for循环来并行使用多个序列，zip会取得一个或多个序列为参数，然
14、后返回元组的列表，将这些序列中的并排的元素配成对。enumerate 可以获得元素和元素的偏移值map map会对一个序列对象中的每一个元素应用被传入的函数，并且返回一个包含所有函数调用结果的一个列表。filter 基于某一测试函数过滤出一些元素reduce 对每对元素都应用函数并运行到最后结果Range: S = abcdefghijkfor i in range(0,len(S),2):print SiS = abcdefghijkfor c in S:2: print c Zip: L1 = 1,2,3,4L2 = 5,6,7,8for (x,y) in zip(L1,L2): prin
15、t (x,y,x+y)#构造字典keys = a,b,cvals = 1,3,5D2 = for (k,v) in zip(keys,vals): D2k=vEnumerate: seasons = Spring, Summer, Fall, Winterdict(enumerate(seasons, start=3)Out1: 3: Spring, 4: Summer, 5: Fall, 6: Winter Map: map(lambda x: x+3),1,2,3,4) Out2: 4, 5, 6, 7 Reduce: reduce(lambda x,y:x+y),1,2,3,4) Out
16、3: 10 import operator,functools functools.reduce(operator.add,2,4,6) Out4: 12列表推导式:列表推导式由包含一个表达式的括号组成，表达式后面跟随一个 for 子句，之后可以有零或多个 for 或 if 子句。结果是一个列表，由表达式依据其后面的 for 和 if 子句上下文计算而来的结果构成。Eg: (x, y) for x in 1,2,3 for y in 3,1,4 if x != y Out: (1, 3), (1, 4), (2, 3), (2, 1), (2, 4), (3, 1), (3, 4)matrix
17、 = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 list(zip(*matrix)Out: 1, 5, 9, 2, 6, 10, 3, 7, 11, 4, 8, 12Numpy库数组的一些属性：a.ndim # 查看行数 a.shape # 查看数组的维数，返回(n,m)， 其中 n 为行数，m 为列数。 a.dtype # 查看元素的类型，比如 numpy.int32、numpy.float64Numpy的特殊数组主要有以下几种：zeros数组：全零数组，元素全为0； np.zeros(2,3)ones数组：全1数组，元素全为1; np.ones(3,4)e
18、mpty数组：空数组，元素全近似为0； np.empty(3,2)序列数组:arange函数：他与 Python 的 range 函数相似，但他属于Numpy 库，其参数依次为：开始值、结束值、步长。Eg: In 22: np.arange(1,20,5)Out22: array( 1, 6, 11, 16)linspace 函数创建等差序列数组，其参数依次为：开始值、结束值、元素数量。Eg: In 23: np.linspace(0,2,9)Out23: array( 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. )#bi,j表示什么？b
19、= np.ones(2,3)b1,2 = 9矩阵;矩阵的常用数学运算有转置（A.T）、乘法（A * B）、求逆（A.I）、解线性方程（solve(A, B)）等。PandasSeries：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主
20、。Panel ：三维的数组，可以理解为DataFrame的容器。DataFrame: eg: dates = pd.date_range(20130101,periods=6)Out6:DatetimeIndex(2013-01-01, 2013-01-02, 2013-01-03, 2013-01-04, 2013-01-05,2013-01-06,dtype=datetime64ns, freq=D, tz=None) #df = pd.DataFrame(np.random.randn(6,4),index=dates,columns=list(ABCD)查看前几条数据：df.head(
21、);查看后几条数据：df.tail()查看 DataFrame 的值: df.values查看 DataFrame 的索引: df.index查看 DataFrame 的列名: df.columns使用 describe() 函数对于数据的快速统计汇总：df.describe()按列对 DataFrame 进行排序: df.sort(columns=open)选择数据：通过下标选取数据: dfopen df.open （返回一个Series） dfopen,close（选取多列） dfa:b（起始的索引名称到结束索引名称选取数据，含b列） df0:3（从0到2，不含3）df2016-07-05
22、:2016-07-08（返回一个df）使用标签选取数据：df.loc行标签,列标签df.loca:b #选取 ab 两行数据d f.loc:,open #选取 open 列的数据df.loc 的第一个参数是行标签，第二个参数为列标签（可选参数，默认为所有列标签）， 两个参数既可以是列表也可以是单个字符，如果两个参数都为列表则返回的是 DataFrame，否则，则为 Series。PS：loc为location的缩写。使用位置选取数据：df.iloc行位置,列位置df.iloc1,1 #选取第二行，第二列的值，返回的为单个值df.iloc0,2,: #选取第一行及第三行的数据df.iloc0:2
23、,: #选取第一行到第三行（不包含）的数据df.iloc:,1 #选取所有记录的第二列的值，返回的为一个Seriesdf.iloc1,: #选取第一行数据，返回的为一个SeriesPS：iloc 则为 integer & location 的缩写更广义的切片方式是使用.ix，它自动根据给到的索引类型判断是使用位置还是标签进行切片。通过逻辑指针进行数据切片：df逻辑条件dfdf.one = 2 #单个逻辑条件df(df.one =1 ) & (df.one 3) #多个逻辑条件组合过滤出指定条件的数据：dfdfhigh.isin(0.00,9.00)# 选取 high 列中数为 0 和 9 的数
24、。pandas库之数据处理与规整缺失数据处理：去掉包含缺失值的行：df.dropna()对缺失值进行填充：df.fillna(value=0)判断数据是否为nan，并进行布尔填充：pd.isnull(df)函数的应用和映射：df.mean() #列计算平均值df.mean(1) #行计算平均值df.sort_index() #行名字排序df.mean(axis = 1,skipna = False) # skipna参数默认是 True 表示排除缺失值df.sort_index() #行名字排序df.sort_index(axis=1) #列名字排序df.sort_index(axis=1,a
25、scending = False) # 数据默认是按升序排序的，也可以降序排序常用的方法如上所介绍们，还要其他许多，可自行学习，下面罗列了一些，可供参考：count 非na值的数量describe 针对Series或个DataFrame列计算汇总统计min、max 计算最小值和最大值argmin、argmax 计算能够获取到最大值和最小值得索引位置（整数）idxmin、idxmax 计算能够获取到最大值和最小值得索引值quantile 计算样本的分位数（0到1）sum 值的总和mean 值得平均数median 值得算术中位数（50%分位数）mad 根据平均值计算平均绝对离差var 样本值的方差
26、std 样本值的标准差skew 样本值得偏度（三阶矩）kurt 样本值得峰度（四阶矩）cumsum 样本值得累计和cummin，cummax 样本值得累计最大值和累计最小值cumprod 样本值得累计积diff 计算一阶差分（对时间序列很有用）pct_change 计算百分数变化数据规整：concat 可以沿一条轴将多个对象堆叠到一起。append 将一行连接到一个DataFrame上duplicated 移除重复数据Concat: pd.concat(df1,df2,axis=0) #将df1和df2纵向拼接pd.concat(df1,df2,axis=1) #将df1和df2横向拼接（in
27、dex对不上的会用 NaN 填充）Append： df1.append(s, ignore_index=False) # s为Series,ignore_index=False表示 索引不变,若为True，则索引变为rangeDuplicated: z.duplicated() #查看重复数据z.drop_duplicates() #删除重复数据全局变量第一种：是在一个单独的模块中定义好，然后在需要使用的全局模块中将定义的全局变量模块导入。SOLR_URL=http:/solr.orgdef tt(): global SOLR_URL SOLR_URL=SOLR_URL+#aaif _name_=_main_: tt() print SOLR_URL#输出：http:/solr.org#aa第二种：直接在当前的模块中定义好，然后直接在本模块中通过global声明，然后使用。global_list.pyGLOBAL_A=helloGLOBAL_B=worldtest.py复制代码import global_listdef tt(): print global_list.GLOBAL_Aif _name_=_main_: tt()#输出：hello
