1 ipython模块
2 jupyter模块
3 Anaconda软件
3.1 Anaconda主要功能
3.2 notebook详细功能
3.3 快捷键使用
4 数据分析三剑客
5 numpy模块
5.1 numpy下载
5.2 numpy实现BMI指数
1 ipython模块
传统的cmd窗口下进入python解释器编写代码的缺点1.代码不会自动缩进2.代码不会自动提示3.代码颜色过于单调并且也没有行数提示ipython模块下载pip install ipython使用调出cmd窗口之后不再通过输入python3进入解释器环境而是直接输入ipython进入ipython好处:1.代码会自动缩进2.代码会自动提示3.代码颜色不同并且有相应的行提示
2 jupyter模块
下载pip install jupyter
使用调出cmd窗口之后直接输入jupyter notebook会自动使用当前计算机默认的浏览器打开一个jupyter界面保持cmd窗口不要关闭(它是一个服务端) 退出服务按ctrl+c 回车"""
1.计算机名称千万不能有中文
"""
弹出的界面其实就是使用python做数据分析较为常用的功能界面# 我们在做数据分析的时候不会单单值使用这个模块，因为该模块在做数据分析的时候需要我们自己额外的下载很多数据分析相关的模块(270个左右)
3 Anaconda软件
是数据分析专用的功能非常强大的软件里面继承了很多数据分析相关的软件和模块并且还配套有很多的学习资料
网址:https://www.anaconda.com/
版本: 点击products下载第一个个人版本即可
下载与安装:一步步根据提示选择即可
# 注意当我们下载并安装好了该软件之后，桌面上并不会出现相应的图表第一次需要我们自己搜索并打开anaconda navigator点击打开在打开的过程中需要一点时间，不要捉急
3.1 Anaconda主要功能
首页继承了很多数据分析甚至是编程相关的应用软件launch直接点击使用install需要先下载再使用
环境自动下载好了270个与数据分析相关的模块
学习内部提供了很多官方的教程文档和视频
社区问题、思想、学术交流等
3.2 notebook详细功能
notebook文件的后缀名是ipynb，遇到该文件就需要使用jupyter环境打开记忆英语单词cell 单元格cut 剪切copy 拷贝paste 粘贴above 在...上面below 在...下面undo 撤销merge 合并up 向上down 向下单元格行数展示viewline number
3.3 快捷键使用
针对单元格的颜色蓝色命令行模式绿色编辑模式
两种模式的切换编辑模式切换到命令行模式 >>> esc键命令行模式切换到编辑模式 >>> 鼠标左键或者直接按enter键1.标题的书写方式1:1.esc进入命令行模式2.按m键3.写内容4.运行单元格即可方式2:1.编辑模式下直接写文本内容2.按esc键进入命令行模式3.再按数字键选择几级标题4.运行单元格即可
2.运行当前单元格任何模式下都一样 ctrl + enter
3.运行当前单元格并在下面新建一个新的单元格任何模式下都一样 shift + enter
4.在单元格的上方创建一个单元格命令行模式下按a键
5.在单元格的下方创建一个单元格命令行模式下按b键
6.删除单元格命令行模式下连续按两下d键
7.撤销删除操作命令行模式下按z键
4 数据分析三剑客
1.numpy数学运算模块，非常擅长数学运算
2.pandas主要是用来代码操作表格数据
3.matplotlib数据可视化(代码画图)
5 numpy模块
1.Numpy是高性能科学计算和数据分析的基础包
2.也是pandas等其他数据分析的工具的基础
3.NumPy具有多维数组功能，运算更加高效快速
5.1 numpy下载
如果你使用的是anaconda那么无需下载直接使用即可
如果你想在纯开发环境(不借助于anaconda)中使用，那么需要自己下载pip3 install numpy
5.2 numpy导入
import numpy as np # 都习惯给numpy模块起别名np
5.2 numpy实现BMI指数
# 身高
height = [170,173,178,180,183]
# 体重
weight = [76,65,70,77,75]
'''求BMI指数:身体质量指数=体重(KG)/身高(m)的平方'''
BMI = weight/(height/100)**2 # 理想完美 现实报错'''python解决方案'''
import numpy as np
import random
# 伪造数据
h = []
w = []
for i in range(10000000):h.append(random.randint(153,180))w.append(random.uniform(51,88))
# for循环计算
%%time # 统计当前cell执行时间
bmi = []
for i in range(10000000):bmi.append(w[i]/(h[i]/100) ** 2)'''numpy解决方案'''
H = np.array(h)
W = np.array(w)
# 数组运算
%%time # 统计当前cell执行时间
BMI = W/(H/100)**2"""
对比分析
numpy计算比python计算快出很多倍
"""
