Python 数据类型在 Python 中有许多数据类型最常见的是float（浮点型），int（整型），str（字符串），bool（布尔），list 和 dict（字典）float - 用于表示实数int - 用于表示整数。
str - 表示文本可以使用单引号 value 、双引号 “value” 或三引号 """value""" 来定义字符串三引号字符串可以用在多行文本上，还可以用于注释bool - 用于布尔值list - 用于存储值的集合。
dict - 用于存储键值对可以用 type(variable_name) 函数来检查特定变量的类型 Python 中的运算符根据变量的类型而表现不同，每个运算符都有不同的内置方法对Python感兴趣的小伙伴，记得私信小编“007”领取全套Python资料哦。
下面是在 Python 中创建浮点数、整数、字符串和布尔值变量的例子year_of_birth = 1994 height_cm = 170.50 subject = "Data Science" is_success = True print(type(year_of_birth), type(height_cm), type(subject), type(is_success)) # 输出: 。
Python 列表Python 列表是一种基本的序列类型我们可以使用此类型来存储值的集合一个列表可以包含任何类型 的值，同时一个列表也可以包含另一个列表进行嵌套你也可以创建一个混合使用 Python 类型的列表，不过这并不常用。
可以使用如下方法创建一个列表：fruits = ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"] 列表子集可以用索引从列表中获取单个或多个元素。
在Python中，索引从 0 开始因此，列表中的第一个元素对应索引 0 我们还可以使用负索引来访问元素，列表中的最后一个元素的索引为 -1，倒数第二个元素的索引是 -2 ，依此类推我们在Python中也有一个名为 。
切片 的东西，可用于从列表中获取多个元素可以这样使用： sliceable[start_index:end_index:step] start_index 是切片的起始索引，此索引所在的元素包含在结果中，默认值为 0 。
end_index 是切片的结束索引，此索引处的元素 不会被包含 到结果当中，默认值将是 列表的长度 此外，如果 step 为负值，则默认值可以是 负的列表的长度 - 1 如果跳过此步骤，你会得到从开始索引到结尾的所有元素。
step 是索引增加的数量，默认值为 1 如果把 step 设为负值，会从后向前移动fruits = ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"] fruits[1] # apple fruits[0] # "pineapple" fruits[-1] # "kiwi" fruits[5] # "kiwi" fruits[-3] # "strawberry" # List slicing fruits[::] # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"] fruits[0:2] # ["pineapple", "apple"] fruits[-2:-1] # ["orange"] fruits[3:] # ["strawberry", "orange", "kiwi"] fruits[:4] # ["pineapple", "apple", "lemon", "strawberry"] fruits[:] # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"] fruits[::-1] # ["kiwi", "orange", "strawberry", "lemon", "apple", "pineapple"] fruits[::-2] # ["kiwi", "strawberry", "apple"] fruits[::2] # ["pineapple", "lemon", "orange"] # Understanding some default values fruits[0:6:1] # 与fruits[::]的结果相同 fruits[-1:-7:-1] # 与fruits[::-1]的结果相同 。
操作列表可以用 append 方法或 + （加法运算符）将单个或多个元素添加到列表当中如果你对两个列表使用加法运算符，Python 将给出两个列表合并后的新列表remove(value) # 添加一个元素 fruits.append("peach") fruits #输出 ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach"] fruits = fruits + ["fig", "melon"] fruits #输出 ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"] # 修改 fruits[0:2] = ["grape", "mango"] fruits #输出 ["grape", "mango", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"] # 从列表中删除 fruits.remove("mango") fruits #输出 ["grape", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"] 。
了解列表背后的工作机制非常重要当创建新列表 my_list 时，列表会存储在计算机内存中，该列表的地址被存储在 my_list 变量中变量 my_list 不包含列表中的元素，它只包含对列表的引用如果我们用等号去复制一个列表时，比如 my_list_copy = my_list ，你复制的只是列表的引用而不是列表的值。
所以如果要复制列表实际的值，可以用 list(my_list) 函数或切片 [ : ] numbers = [10, 42, 28, 420] numbers_copy = numbers numbers_copy[2] = 100 numbers # [10, 42, 100, 420] numbers_copy # [10, 42, 100, 420] ratings = [4.5, 5.0, 3.5, 4.75, 4.00] ratings_copy = ratings[:] ratings_copy[0] = 2.0 ratings # [4.5, 5.0, 3.5, 4.75, 4.0] ratings_copy # [2.0, 5.0, 3.5, 4.75, 4.0] characters = ["A", "B", "C"] characters_copy = list(characters) characters_copy[-1] = "D" characters # ["A", "B", "C"] characters_copy # ["A", "B", "D"]
Python字典字典用于存储 键值对 形式的数据当你希望通过 唯一键 对值进行索引时很有用在 Python 中，可以使用 花括号 创建字典，键和值由 冒号 分隔如果想获得给定键的值，可以这样做： our_dict[key] 。
字典与列表让我们看一个例子，比较一下列表和词典假如有一些电影，我们想存储它们的评级，另外还希望通过电影名称来非常快速地访问电影的评级这时可以用两个列表或一个字典来完成这类操作在例子中， movies.index(“Ex Machina”) 代码返回电影 “Ex Machina” 的索引。
使用列表movies = ["Ex Machina", "Mad Max: Fury Road", "1408"] ratings = [7.7, 8.1, 6.8] movie_choice_index = movies.index("Ex Machina") print(ratings[movie_choice_index]) # 7.7
使用字典ratings = { "Ex Machina": 7.7, "Mad Max: Fury Road": 8.1, "1408" : 6.8 } print(ratings["Ex Machina"]) # 7.7
可以看出，使用字典更加直观和方便操作字典可以对词典中的数据进行 添加 ， 更新 和 删除 操作当添加或更新数据时，可以简单地使用 our_dict[key] = value ，想要删除一个键值对时，可以用 del(our_dict[key]) 操作。
ratings["Deadpool"] = 8.0 print(ratings) # {Ex Machina: 7.7, Mad Max: Fury Road: 8.1, 1408: 6.8, Deadpool: 8.0} ratings["Ex Machina"] = 7.8 print(ratings) # {Ex Machina: 7.8, Mad Max: Fury Road: 8.1, 1408: 6.8, Deadpool: 8.0} del(ratings["1408"]) print(ratings) # {Ex Machina: 7.8, Mad Max: Fury Road: 8.1, Deadpool: 8.0}
还可以检查给定的键是否在字典中： key in our_dict print("Ex Machina" in ratings) # True 函数函数是解决特定问题的可重用代码可以用 def 关键字编写函数：。
def is_prime(n): if n <= 1: return False elif n <= 3: return True elif n % 2 == 0 or n % 3 == 0: return False current_number = 5 while current_number * current_number <= n: if n % current_number == 0 or n % (current_number + 2) == 0: return False current_number = current_number + 6 return True
不过 Python 中有许多内置函数，例如 max( iterable[，key] ) ， min( iterable [，key] )， type( object ) ， round( number[，ndigits] ) 等。
所以当我们需要一个解决某个问题的函数时，可以先研究一下是否存在相关的内置函数或 Python 包没有必要去“重新发明轮子”方法我们已经知道 Python 中有字符串，浮点数，整数，布尔值等类型这些数据结构都是一个对象。
方法是一种可用于给定对象的函数，具体取决于对象的类型所以每个对象都有一个特定的类型和一组方法，具体形式取决于给出的类型# 字符串方法 text = "Data Science" text.upper() # "DATA SCIENCE" text.lower() # "data science" text.capitalize() # "Data science" # 列表方法 numbers = [1, 4, 0, 2, 9, 9, 10] numbers.reverse() print(numbers) # [10, 9, 9, 2, 0, 4, 1] numbers.sort() print(numbers) # [0, 1, 2, 4, 9, 9, 10] # 字典方法 ratings = { "Ex Machina": 7.7, "Mad Max: Fury Road": 8.1, "1408" : 6.8 } print(ratings.keys()) # dict_keys([Ex Machina, Mad Max: Fury Road, 1408]) print(ratings.values()) # dict_values([7.7, 8.1, 6.8]) print(ratings.items()) # dict_items([(Ex Machina, 7.7), (Mad Max: Fury Road, 8.1), (1408, 6.8)])
不同类型的对象可以有相同名称的方法根据对象的类型，方法有各自不同的行为numbers = [10, 30, 55, 40, 8, 30] text = "Data Science" numbers.index(8) # 4 text.index("a") # 1 numbers.count(30) # 2 text.count("i") # 1 。
务必要小心！某些方法可以更改调用它们的对象例如在列表类型上调用 append() 方法时包模块是包含 Python 定义和声明的文件用于定义解决特定问题的函数、方法和新的 Python 类型包是模块的集合。
有许多 Python 包涵盖了不同领域的解决方案例如，NumPy、matplotlib、seaborn 和 scikit-learn 是非常着名的数据科学支持包NumPy 用于有效地处理数组matplotlib 和 seaborn 是流行的数据可视化库
scikit-learn 是一个功能强大的机器学习库默认情况下，Python 中有一些内置包，但是我们还需要更多的包，这些默认是不安装的如果想要使用某个软件包，它就必须是已经安装好的，或者先用 pip 安装（ Python的包管理系统 ）。
另外，还有一种叫做Anaconda 的东西Anaconda Distribution 是一个免费，易于安装的包管理器、环境管理器和 Python 发行版，其中包含1,000多个开源软件包，并提供免费的社区支持。
所以如果你不想安装太多的包，我建议你用 Anaconda这个发行版中有很多有用的包导入声明安装所需的包后，可以把它们导入 Python 代码文件可以从中导入整个包、子模块或特定函数另外还可以为包设置别名。
可以从下面的例子中看到 import 语句的不同方式简单的导入import numpy numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) 导入的同时设置别名
import numpy as np # np 是 numpy 包的别名 numbers = np.array([3, 4, 20, 15, 7, 19, 0]) # 工作正常 numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # 出错，NameError: name numpy is not defined
从包导入子模块并设置别名# 从 matplotlib 包中导入 pyplot 子模块并设置别名 "plt" import matplotlib.pyplot as plt 仅从包中导入一个函数from numpy import array numbers = array([3, 4, 20, 15, 7, 19, 0]) # 工作正常 numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # 出错，NameError: name numpy is not defined type(numbers) # 输出：numpy.ndarray
我们也可以这样导入： from numpy import * 星号表示从该模块导入所有内容这条 import 语句会在当前命名空间中为 numpy 模块定义的所有公共对象创建引用换句话说，我们可以使用numpy 中的所有可用函数，在函数名称可以不带前缀。
例如，现在我们可以这样使用 NumPy 的绝对值函数： absolute() ，而不是 numpy.absolute() 但是，我不建议你使用它，因为：如果从某些模块中导入所有函数，那么当前的命名空间将填充过多的函数，如果有人查看我们的代码的话，他可能会对某个函数到底属于哪个包而感到困惑。
如果两个模块具有相同名称的函数，则第二个导入的将会覆盖第一个模块的函数NumPyNumPy 是用 Python 进行科学计算的基础包它非常快速且易于使用这个包能够帮助我们按元素进行计算（逐个元素）常规的 Python 列表不知道如何以元素方式进行操作。
当然我们也可以用 Python 列表去做科学计算，但是它非常慢，而且还需要编写更多的代码来得到想要的结果更多时候使用 NumPy 才是一个聪明的主意与常规 Python 列表不同，NumPy 数组中的元素总是只有一种类型。
如果我们将一个不同类型的数组传递给 np.array() ，可以用参数 dtype 设定想要的类型如果没有给出此参数，则会将类型确定为保存对象所需的最小类型NumPy 数组 —— 类型转换np.array([False, 42, "Data Science"]) # array(["False", "42", "Data Science"], dtype="
NumPy 数组有自己的属性和方法你是不是还记得前面说过 Python 运算符在不同的数据类型上表现也不一样？在NumPy 中运算符在这方面表现得很好NumPy 数组上的运算符np.array([37, 48, 50]) + 1 # array([38, 49, 51]) np.array([20, 30, 40]) * 2 # array([40, 60, 80]) np.array([42, 10, 60]) / 2 # array([ 21., 5., 30.]) np.array([1, 2, 3]) * np.array([10, 20, 30]) # array([10, 40, 90]) np.array([1, 2, 3]) - np.array([10, 20, 30]) # array([ -9, -18, -27]) 。
如果检查 NumPy 数组的类型，结果会是 numpy.ndarray ndarray 意味着是 n 维数组在前面的例子中用了一维数组，但是也可以使用 2, 3, 4 甚至更多维数组我们可以在数组上进行子集化，而这与该数组的维数无关。
下面是一些二维数组的例子二维数组的子集numbers = np.array([ [1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12] ]) numbers[2, 1] # 8 numbers[-1, 0] # 10 numbers[0] # array([1, 2, 3]) numbers[:, 0] # array([ 1, 4, 7, 10]) numbers[0:3, 2] # array([3, 6, 9]) numbers[1:3, 1:3] # array([[5, 6],[8, 9]])
如果想要知道一个 numpy 数组有多少个维度，以及每个维度有多少个元素，可以用 shape 属性下面的代码得到二维数组的shape，返回的元组中的第一个元素是行数，第二个元素是列数NumPy 的 shape 属性。
numbers = np.array([ [1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15] ]) numbers.shape # (5, 3)
基本统计分析数据的第一步是熟悉数据 NumPy 有一些基本方法来帮助我们做到这一点np.mean() np.median() np.corrcoef() np.std() learning_hours = [1, 2, 6, 4, 10] grades = [3, 4, 6, 5, 6] np.mean(learning_hours) # 4.6 np.median(learning_hours) # 4.0 np.std(learning_hours) # 3.2 np.corrcoef(learning_hours, grades) # 输出：[[ 1. 0.88964891][ 0.88964891 1. ]] 。
使用 NumPy 生成基本统计信息从上面的例子中，我们可以看到学习时间和成绩之间存在高度相关性此外还可以看到：学习时间的平均值是 4.6学习时间的中位数为 4.0学习时间的标准差为 3.2NumPy 还有一些基本函数，如 np.sort() 和 np.sum() ，在基本的 Python 列表中也有同样的函数。
不过需要注意的是 NumPy 在数组中会强制统一类型，这加快了计算速度对Python感兴趣的小伙伴，记得私信小编“007”领取全套Python资料哦。
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。