python中的tile函數

❶ python中eval()函數的作用是什麼

python中eval函數作用如下：

1、計算字元串中有效的表達式，並返回結果。

2、將字元串轉成相應的對象（如list、tuple、dict和string之間的轉換）。

3、將利用反引號轉換的字元串再反轉回對象。

函數作用域：eval()函數並不會創建一個新的作用域，並且它的作用域就是它所在的作用域，有時候需要將eval()函數的作用域設置為全局，當然可以將eval()在全局作用域中使用，這個時候可以用window.eval()的方式實現。

參數情況：

（1）如果參數是一個表達式，eval() 函數將執行表達式。

（2）如果參數是Javascript語句，eval()將執行 Javascript 語句。

注意：如果執行結果是一個值就返回，不是就返回undefined，如果參數不是一個字元串，則直接返回該參數。

❷ python 8個常用內置函數解說

8個超好用內置函數set（），eval（），sorted（），reversed（），map（），rece（），filter（），enumerate（）

python中有許多內置函數，不像print那麼廣為人知，但它們卻異常的強大，用好了可以大大提高代碼效率。

這次來梳理下8個好用的python內置函數

1、set()

當需要對一個列表進行去重操作的時候，set()函數就派上用場了。

用於創建一個集合，集合里的元素是無序且不重復的。集合對象創建後，還能使用並集、交集、差集功能。

2、eval()之前有人問如何用python寫一個四則運算器，輸入字元串公式，直接產生結果。用eval()來做就很簡單：eval(str_expression)作用是將字元串轉換成表達式，並且執行。

3、sorted()在處理數據過程中，我們經常會用到排序操作，比如將列表、字典、元組裡面的元素正/倒排序。這時候就需要用到sorted() ，它可以對任何可迭代對象進行排序，並返回列表。對列表升序操作：

對元組倒序操作：

使用參數：key，根據自定義規則，按字元串長度來排序：

根據自定義規則，對元組構成的列表進行排序：

4、reversed()如果需要對序列的元素進行反轉操作，reversed()函數能幫到你。reversed()接受一個序列，將序列里的元素反轉，並最終返回迭代器。

5、map()做文本處理的時候，假如要對序列里的每個單詞進行大寫轉化操作。這個時候就可以使用map()函數。

map()會根據提供的函數，對指定的序列做映射，最終返回迭代器。也就是說map()函數會把序列里的每一個元素用指定的方法加工一遍，最終返回給你加工好的序列。舉個例子，對列表裡的每個數字作平方處理：

6、rece()前面說到對列表裡的每個數字作平方處理，用map()函數。那我想將列表裡的每個元素相乘，該怎麼做呢？這時候用到rece()函數。

rece()會對參數序列中元素進行累積。第一、第二個元素先進行函數操作，生成的結果再和第三個元素進行函數操作，以此類推，最終生成所有元素累積運算的結果。再舉個例子，將字母連接成字元串。

你可能已經注意到，rece()函數在python3里已經不再是內置函數，而是遷移到了functools模塊中。這里把rece()函數拎出來講，是因為它太重要了。

7、filter()一些數字組成的列表，要把其中偶數去掉，該怎麼做呢？

filter()函數輕松完成了任務，它用於過濾序列，過濾掉不符合條件的元素，返回一個迭代器對象。filter()函數和map()、rece()函數類似，都是將序列里的每個元素映射到函數，最終返回結果。我們再試試，如何從許多單詞里挑出包含字母w的單詞。

8、enumerate()這樣一個場景，同時列印出序列里每一個元素和它對應的順序號，我們用enumerate()函數做做看。

enumerate翻譯過來是枚舉、列舉的意思，所以說enumerate()函數用於對序列里的元素進行順序標注，返回(元素、索引)組成的迭代器。再舉個例子說明，對字元串進行標注，返回每個字母和其索引。

❸ python內置函數有哪些

python常見的內置函數有：

1. abs()函數返回數字的絕對值。

2. all() 函數用於判斷給定的參數中的所有元素是否都為 TRUE，如果是返回 True，否則返回 False。元素除了是 0、空、None、False 外都算 True；空元組、空列表返回值為True。

3. any() 函數用於判斷給定的參數是否全部為False，是則返回False，如果有一個為True，則返回True。 元素除了是 0、空、False外都算 TRUE。

4. bin()函數返回一個整數int或者長整數long int的二進製表示。

5. bool() 函數用於將給定參數轉換為布爾類型，如果參數不為空或不為0，返回True；參數為0或沒有參數，返回False。

6. bytearray()方法返回一個新位元組數組。這個數組里的元素是可變的，並且每個元素的值范圍: 0 <= x < 256（即0-255）。即bytearray()是可修改的二進制位元組格式。

7. callable()函數用於檢查一個對象是否可調用的。對於函數、方法、lambda函式、類以及實現了 __call__ 方法的類實例, 它都返回 True。（可以加括弧的都可以調用）

8. chr()函數用一個范圍在range(256)內（即0～255）的整數作參數，返回一個對應的ASCII數值。

9. dict()函數用來將元組/列表轉換為字典格式。

10. dir()函數不帶參數時，返回當前范圍內的變數、方法和定義的類型列表；帶參數時，返回參數的屬性、方法列表。

(3)python中的tile函數擴展閱讀：

如何查看python3.6的內置函數？

1、首先先打開python自帶的集成開發環境IDLE；

2、然後我們直接輸入"dir(__builtins__)",需要注意的是builtins左右的下劃線都是兩個；

3、回車之後我們就可以看到python所有的內置函數；

4、接下來我們學習第二種查看python內置函數的方法，我們直接在IDLE中輸入"import builtins",然後輸入"dir(builtins)"；

5、然後回車，同樣的這個方法也可以得到所有的python內置的函數；

6、這里我們可以使用python內置函數len（）來查看python內置函數的個數，這里我們直接輸入"len(dir(builtins))"；

7、回車之後我們可以看到系統返回值153，說明我們現在這個版本中有153個內置函數；

8、最後我們介紹一個比較有用的內置函數"help"，python內置函數有一百多個，我們當然不能記住所有的函數，這里python提供了一個"help"函數，我們來看一個例子一起來體會一下help函數的用法，這里我們直接輸入"help(len)",然後回車，會看到系統給我們對於內置函數"len"的解釋，當然對於其他函數可能會有更加詳細的解釋以及用法提示。

❹ Python中的常用內置函數有哪些呢

abs() divmod() input() open() staticmethod()
all() enumerate() int() ord() str()
any() eval() isinstance() pow() sum()
basestring() execfile() issubclass() print() super()
bin() file() iter() property() tuple()
bool() filter() len() range() type()
bytearray() float() list() raw_input() unichr()
callable() format() locals() rece() unicode()
chr() frozenset() long() reload() vars()
classmethod() getattr() map() repr() xrange()
cmp() globals() max() reverse() zip()
compile() hasattr() memoryview() round() __import__()
complex() hash() min() set()
delattr() help() next() setattr()
dict() hex() object() slice()
dir() id() oct() sorted()

❺ python中稀疏矩陣的怎麼用numpy處理

NumPy是一個關於矩陣運算的庫，熟悉Matlab的都應該清楚，這個庫就是讓python能夠進行矩陣話的操作，而不用去寫循環操作。
下面對numpy中的操作進行總結。
numpy包含兩種基本的數據類型：數組和矩陣。
數組(Arrays)
>>> from numpy import *>>> a1=array([1,1,1]) #定義一個數組>>> a2=array([2,2,2])>>> a1+a2 #對於元素相加array([3, 3, 3])>>> a1*2 #乘一個數array([2, 2, 2])##>>> a1=array([1,2,3])>>> a1
array([1, 2, 3])>>> a1**3 #表示對數組中的每個數做平方array([ 1, 8, 27])##取值，注意的是它是以0為開始坐標，不matlab不同>>> a1[1]2##定義多維數組>>> a3=array([[1,2,3],[4,5,6]])>>> a3
array([[1, 2, 3],
[4, 5, 6]])>>> a3[0] #取出第一行的數據array([1, 2, 3])>>> a3[0,0] #第一行第一個數據1>>> a3[0][0] #也可用這種方式1##數組點乘，相當於matlab點乘操作>>> a1=array([1,2,3])>>> a2=array([4,5,6])>>> a1*a2
array([ 4, 10, 18])

Numpy有許多的創建數組的函數：
import numpy as np

a = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.]
# [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.]
# [ 7. 7.]]"d = np.eye(2) # Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.]
# [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]"

數組索引(Array indexing)
矩陣
矩陣的操作與Matlab語言有很多的相關性。
#創建矩陣
>>> m=mat([1,2,3])
>>> m
matrix([[1, 2, 3]])

#取值
>>> m[0] #取一行
matrix([[1, 2, 3]])
>>> m[0,1] #第一行，第2個數據2>>> m[0][1] #注意不能像數組那樣取值了
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__
out = N.ndarray.__getitem__(self, index)
IndexError: index 1 is out of bounds for axis 0 with size 1#將Python的列表轉換成NumPy的矩陣
>>> list=[1,2,3]
>>> mat(list)
matrix([[1, 2, 3]])

#矩陣相乘
>>> m1=mat([1,2,3]) #1行3列
>>> m2=mat([4,5,6])
>>> m1*m2.T #注意左列與右行相等 m2.T為轉置操作
matrix([[32]])
>>> multiply(m1,m2) #執行點乘操作，要使用函數，特別注意
matrix([[ 4, 10, 18]])

#排序
>>> m=mat([[2,5,1],[4,6,2]]) #創建2行3列矩陣
>>> m
matrix([[2, 5, 1],
[4, 6, 2]])
>>> m.sort() #對每一行進行排序
>>> m
matrix([[1, 2, 5],
[2, 4, 6]])

>>> m.shape #獲得矩陣的行列數
(2, 3)
>>> m.shape[0] #獲得矩陣的行數2>>> m.shape[1] #獲得矩陣的列數3#索引取值
>>> m[1,:] #取得第一行的所有元素
matrix([[2, 4, 6]])
>>> m[1,0:1] #第一行第0個元素，注意左閉右開
matrix([[2]])
>>> m[1,0:3]
matrix([[2, 4, 6]])
>>> m[1,0:2]
matrix([[2, 4]])35363738394

擴展矩陣函數tile()
例如，要計算[0,0,0]到一個多維矩陣中每個點的距離，則要將[0,0,0]進行擴展。
tile(inX, (i,j)) ;i是擴展個數，j是擴展長度
實例如下：
>>>x=mat([0,0,0])
>>> x
matrix([[0, 0, 0]])
>>> tile(x,(3,1)) #即將x擴展3個，j=1,表示其列數不變
matrix([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
>>> tile(x,(2,2)) #x擴展2次，j=2,橫向擴展
matrix([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])1234567891011121314

❻ 數據蛙-Python進階

這是漫長的一周，本周完成了Python的進階模塊，主要是pandas、numpy、matplotlib、seaborn、pyecharts這些模塊的學習以及一個實際的案例：商品銷售情況分析，之前一直覺得課程難度不夠，但到這一周難度就大大提高了。尤其是案例練習中的RFM模型和用戶生命周期建立，看懂不難但是自差首己寫一直出錯，在不斷出錯不斷嘗試中知識得到了積累，另外可視化部分沒有什麼練習題，希望後面可以加上一些這方面的練習，接下來分模塊來總結一下學習的內容。

重新設置索引：df.set_index()

Series格式轉換為DataFrame：df.to_frame()

文件讀取：pd.read_csv(filepath, header = 0,skiprows=[1,2]) 

使用位禪慶源置做索引：df.loc[0]        使用列表做索引：df.loc[[0,1,2]]

使用切片做索引：df.loc[0:4]        使用bool類型索引：df[df['年齡']>30]

loc 是基於索引值的，切片是左閉右閉的

iloc 是基於位置的，切片是左閉右開的

修改列索引：df.rename(columns={'姓名':'name', '年齡':'age'},inplace=True)

替換一個值：df.replace({'name':{'小明':'xiaoming'}},inplace=True)

對數據進行排序：df.sort_values('age')

累加求和：df.cumsum(0)

刪除列：del df['player']         刪除行：df.drop(labels=0) labels 是行列的名字

數據拼接：pd.concat([left,right],axis=1)

# 指定列進行關聯，默認是 inner join     result = pd.merge(left,right,on='key')

#多個關聯條件：result = pd.merge(left, right, on=['key1', 'key2'])

#左連接：result = pd.merge(left, right, how='left', on=['key1', 'key2'])

# 列名不一樣的關聯：pd.merge(left,right,left_on = ['key1','key2'],right_on = ['key3','key4'])

#單個分組：groups = df.groupby('district')

# 作用多個聚合函數：groups.agg([np.mean,np.sum,np.std])

# 針對具體列聚合 groups.age.agg([np.mean,np.sum,np.std])

# 不同列不同聚合函數 groups.agg({"age":np.mean,"novip_buy_times":np.sum})

分組後該列值求和顯示：groups['vip_buy_times'].transform('sum')

通常用於求佔比：transform(lambda x: x /sum(x))

# 填充指定值：np.full([3,4],1)

# 起始為10，5為步長，30為結賀態尾取不到：np.arange(10, 30, 5)

#隨機矩陣：np.random.random((2,3))

# 平均劃分：np.linspace( 0, 2*pi, 100 )

# 類型及轉換：vector.astype('float')

# 多維變一維：matrix.ravel()

# 矩陣的擴展：a = np.arange(0, 40, 10)    b = np.tile(a, (3, 5))    # 行變成3倍，列變成5倍

# 水平拼接：np.hstack((a,b))  豎直拼接：np.vstack((a,b))

# 豎直分割：np.hsplit(a,3)    #水平分割：np.vsplit(a,3)

8. Select the data in rows [3, 4, 8] and in columns ['animal', 'age'].

A：df.loc[df.index[[3,4,8]],['animal','age']]

行採用位置，列採用普通索引，這里利用index函數將位置變化為具體的普通索引，再利用loc函數

19. The 'priority' column contains the values 'yes' and 'no'. Replace this column with a column of boolean values: 'yes' should be True and 'no' should be False

A1：df['priority'].replace(['yes','no'],[True,False],inplace=True) 用replace函數替換

A2：df['priority'] = df['priority'].map({'yes': True, 'no': False}) 用map函數替換

最大最小值的索引：df.idxmax、df.idxmin

找出最大最小的前N個數：nlargest()和nsmallest() 

將原表分組 並設置分段區間 pd.cut(df['A'], np.arange(0, 101, 10))

resample函數 日期重采樣：s.resample('M').mean()

TimeGrouper 重組：s.groupby(pd.TimeGrouper('4M')).idxmax()

split 分割函數：temp = df['From_To'].str.split('_', expand=True) True為DataFrame

兩個DataFrame拼接用join：df = df.join(temp)

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽

plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號

%matplotlib inline 直接顯示

折線圖：plt.plot(x,y,color = 'r')

柱狀圖：plt.bar(x,y)  plt.barh(x,y) 多個bar x設置不同 堆積圖 bottom設置不同

散點圖：plt.scatter(x, y, c=colors, alpha=0.5, s = area)

直方圖：plt.hist(a,bins= 20) bin代表分隔的最小單位

plt.legend() 顯示圖例

for a,b in zip(X+W[i],data[i]):

    plt.text(a,b,"%.0f"% b,ha="center",va= "bottom") 添加數據標簽

plt.annotate('注釋文本',xy=(1, np.sin(1)),xytext=(2, 0.5), fontsize=16,arrowprops=dict(arrowstyle="->")) 添加註釋文本

plt.xlabel("Group") x軸標題

plt.ylabel("Num") y軸標題

fig, axes = plt.subplots(nrows=2, ncols=2,facecolor='darkslategray')  繪制多個圖形

axes[0,0] axes[0,1] axes[1,0] axes[1,1]

pylab.rcParams['figure.figsize'] = (10, 6) # 調整圖片大小

動態展示圖表

from pyecharts.charts import Bar

from pyecharts import options as opts

** pyecharts 繪圖的五個步驟：**

創建圖形對象：bar = Bar()

添加繪圖數據：bar.add_xaxis(["襯衫", "毛衣", "領帶", "褲子", "風衣", "高跟鞋", "襪子"])

                         bar.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

                         bar.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

配置系列參數：對標簽、線型等的一些設置

配置全局參數：bar.set_global_opts(title_opts=opts.TitleOpts(title="銷售情況"))

渲染圖片：生成本地 HTML 文件 bar.render("mycharts.html")  bar.render()

notebook 渲染：bar.render_notebook()

bar = (Bar()

    .add_xaxis(["襯衫", "毛衣", "領帶", "褲子", "風衣", "高跟鞋", "襪子"])

    .add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

    .add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

    .set_global_opts(title_opts=opts.TitleOpts(title="某商場銷售情況"))

)

bar.render_notebook()

柱狀圖：Bar()

條形圖：bar.reversal_axis() #翻轉XY軸，將柱狀圖轉換為條形圖

折線圖：from pyecharts.charts import Line  line=Line()

餅圖：from pyecharts.charts import Page, Pie    Pie() 

轉換日期類型：df['order_dt']=pd. to_datetime (df.order_dt,format="%Y%m%d")

將日期轉換為月為單位：df['month']=df.order_dt.values. astype('datetime64[M]') 所有日期顯示為當月第一天

去除日期單元值：order_diff/ np.timedelta64(1,'D')

過濾部分極值：grouped_user.sum() .query('order_procts<100') .order_amount

數據透視表：rfm=df.pivot_table( index ='user_id', values =['order_procts','order_amount'], aggfunc ={'order_amount':'sum','order_procts':'sum'})

map() 方法是pandas.series.map()方法, 對DF中的元素級別的操作, 可以對df的某列或某多列

applymap(func) 也是DF的屬性, 對整個DF所有元素應用func操作

purchase_r=pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)

apply(func) 是DF的屬性, 對DF中的行數據或列數據應用func操作,也可用於Series

apply(lambda x:x.cumsum()/x.sum())    累計佔比

apply(lambda x:x/x.sum(),axis=0)     每一列中每行數據佔比

下周開始進入數據分析思維的課程，很期待後面的課程以及項目，加油！