help(math.log)
dir(math)

切片
[start:end:step] 
只有一个 : 时,step=1
没有 : 时, 获取指定的元素
list[0]  第一个元素
list[-1] 最后一个元素

list[0:-2]

list  = ["a","b","c","d","e"]


# ['c', 'b', 'a']
print(list[2::-1])


# ['a', 'b']
print(list[:2]) 

# ['a', 'b', 'c', 'd']
# 左闭右开 ，不包含最后一个元素
list[0:-1]


# ['a', 'c', 'e']   
print(list[::2])

#   -1 逆序
print(list[::-1])

# 直接修改 list 
list.sort()
list.sort(reverse=True)

# 8
print(2**3)

import math
# 8
print(math.pow(2,3))

# 查看 math.pow 用法
help(math.pow)

# 查看 math包下的方法
dir(math)


计算方差和标准差

import statistics 
data = [1, 2, 3, 4, 5] 
# 除以 len(data) - 1
print(statistics.variance(data)) 
print(statistics.stdev(data)) 

# 使用 numpy 
# 默认 除以 len(data) 
print(np.var(data))
print(np.std(data))


# 无偏 分母n-1, 有偏 分母n
print(np.var(data,ddof=1))
print(np.std(data,ddof=1))





计算协方差和相关系数

x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

cov_xy = np.cov(x, y)
print(cov_xy)

[[ 2.5 -2.5]
 [-2.5  2.5]]

print(cov_xy[0,1])

-2.5 

协方差和相关系数都是用来衡量两个变量之间的关系
相关系数不会因为变量的量级不同而产生影响，因此相关系数比协方差更为常用。


corrcoef = np.corrcoef(x, y)[0, 1]
print("相关系数为：", corrcoef)

相关系数为： -0.9999999999999999


计算四分位
import pandas as pd
import numpy as np

arr = range(0,100)
result = np.percentile(arr, (25, 50, 75))
result = pd.DataFrame(arr).describe()

 python计算四分位   



计算中位数

import statistics as stat
import numpy
import pandas as pd 

arr = [4,6,1,5,2,3,7,5]
print(np.median(arr))
print(stat.median(arr))
df = pd.DataFrame(arr) 
print(df.median()[0])

arr.append(8)
print(np.median(arr))
print(stat.median(arr))

df = pd.DataFrame(arr) 
print(df.median()[0])



# 8
2**3

import math 
# 3.141592653589793
print(math.pi)
# 2.718281828459045
print(math.e)
# 5.0
print(math.sqrt(25))
# 1.0
print(math.sin(math.pi / 2))
# 0.5000000000000001
print(math.cos(math.pi / 3))
# 7.38905609893065
print(math.exp(2))
# 2.0
print(math.log(math.exp(2)))



使用 datetime模块处理日期和时间
import datetime

# 获取当前日期和时间
current_datetime = datetime.datetime.now()
print(f"Current datetime: {current_datetime}")

# 获取三天后的日期
three_days_later = current_datetime + datetime.timedelta(days=3)
print(f"Three days later: {three_days_later}")


使用列表解析和 endswith查找特定扩展名的文件
import os

# 获取当前目录下的所有文件和目录
items = os.listdir()

# 使用列表解析找出所有.txt文件
txt_files = [item for item in items if item.endswith('.txt')]
print(txt_files)


使用 else 子句与 try-except
try:
    x = 1 / 1
except ZeroDivisionError:
    print("You tried to divide by zero!")
else:
    print(f"Result is {x}")


使用 re模块进行正则表达式匹配
import re

# 定义一个字符串
string = "The rain in Spain"

# 使用re.search查找匹配的字符串
match = re.search(r"Spain", string)
if match:
    print("Match found!")
else:
    print("Match not found.")


# 定义一个字符串
string = "Email me at john.doe@example.com"

# 使用正则表达式匹配电子邮件地址
match = re.search(r'[\w.-]+@[\w.-]+', string)
if match:
    print(f"Found email: {match.group()}")




使用 argparse 解析命令行参数
import argparse

# 初始化解析器
parser = argparse.ArgumentParser(description="A simple argument parser")

# 添加参数
parser.add_argument("--name", type=str, help="Your name")

# 解析参数
args = parser.parse_args()

# 输出结果
print(f"Hello, {args.name}!") # 输出：Hello, None!




使用 filter 函数过滤列表
# 定义一个数字列表
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 使用filter函数过滤出偶数
evens = list(filter(lambda x: x % 2 == 0, numbers))
print(evens) # 输出：[2, 4, 6, 8, 10]


使用 namedtuple 创建简单的对象
namedtuple 提供了一种创建简单对象的方法，不需要定义一个完整的类。

from collections import namedtuple

# 使用namedtuple定义一个简单的对象
Person = namedtuple("Person", ["name", "age", "city"])

# 创建一个新的Person对象
john = Person(name="John", age=30, city="New York")
print(john.name, john.age, john.city) # 输出：John 30 New York



使用 math模块进行数学计算
import math

# 计算平方根
sqrt_value = math.sqrt(16)
print(f"Square root of 16: {sqrt_value}")

# 计算圆的面积
radius = 5
area = math.pi * radius**2
print(f"Area of circle with radius 5: {area:.2f}")
# 输出：Area of circle with radius 5: 78.54


使用 numpy计算数组的累计和
import numpy as np
array = np.array([1, 2, 3, 4, 5])

# 使用numpy计算数组的累计和
cumsum = np.cumsum(array)
print(cumsum) # 输出：[ 1 3 6 10 15]


使用 pandas 处理时间序列数据

import pandas as pd
# 创建一个时间序列数据框
date_rng = pd.date_range(start='2023-01-01', end='2023-01-10', freq='D')
df = pd.DataFrame(date_rng, columns=['date'])
df['data'] = np.random.randint(0, 100, size=(len(date_rng)))
# 设置日期为索引
df.set_index('date', inplace=True)
print(df)



使用 matplotlib 绘制饼状图
import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

# 使用matplotlib绘制饼状图
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()



使用 numpy 的 linspace 生成均匀间隔的值
import numpy as np

# 使用numpy的linspace生成从0到10的10个均匀间隔的值
values = np.linspace(0, 10, 10)
print(values)




使用 pandas 计算数据的描述性统计
import pandas as pd

data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 6, 7, 8, 9],
    'C': [9, 8, 7, 6, 5]
}

df = pd.DataFrame(data)
stats = df.describe()
print(stats)