python基礎150,Python基礎代碼

本文目錄一覽：

• 1、關於Python基礎編程！！
• 2、python新手？
• 3、最強大合集！150本PythonPDF書籍總有你想要的，限免
• 4、數據分析員用python做數據分析是怎麼回事，需要用到python中的那些內容，具體是怎麼操作的?
• 5、為什麼要學 Python
• 6、python的初級編程問題

關於Python基礎編程！！

import turtle

import math

def Circumscribed_Regular_polygon(x,y,z,n):

# 畫出外接圓的正多邊形

# x,y 為圓心坐標

# z 為圓的半徑

# n為正多邊形的邊數

turtle.pensize(3)

turtle.pencolor(“red”)

turtle.up()

turtle.goto(x,y)

turtle.down()

turtle.goto(x,y)

turtle.up()

turtle.goto(x,y-z)

turtle.down()

turtle.pensize(1)

turtle.circle(z)

theta = 360 / n

length = 2 * z * math.sin(math.pi * theta / 360)

print(length)

turtle.left(theta/2)

for i in range(n):

turtle.forward(length)

turtle.left(theta)

turtle.hideturtle()

turtle.done()

Circumscribed_Regular_polygon(0,0,100,7)

程序縮進如圖所示

運行結果如圖所示

python新手？

import sysfrom PyQt4 import QtGui, QtCore

class MainWindow(QtGui.QMainWindow):

def __init__(self):

QtGui.QMainWindow.__init__(self)

self.resize(250, 150) self.setWindowTitle(‘menubar’)

exit = QtGui.QAction(QtGui.QIcon(‘icons/web.png’), ‘Exit’, self)

exit.setShortcut(‘Ctrl+Q’)

exit.setStatusTip(‘Exit application’)

self.connect(exit, QtCore.SIGNAL(‘triggered()’), QtCore.SLOT(‘close()’))

self.statusBar()

menubar = self.menuBar()

file = menubar.addMenu(‘File’)

file.addAction(exit)

app = QtGui.QApplication(sys.argv)

main = MainWindow()

main.show()

sys.exit(app.exec_())

我想在這程序的窗口中再加入一些其他控制項如：QTextEidt、QPushButton等，如何處理？謝謝

最強大合集！150本PythonPDF書籍總有你想要的，限免

不管是學什麼編程語言，資料文檔是必不可少的，不管是web前端還是python等，無論你是零基礎還是大神肯定有你需要的書籍資源的150本PDF書籍從各種角度滿足你的需求嘿嘿嘿~~~

★

福利來襲丨149本Python PDF書籍總有一本是你想要的（免費領取）

★

領取方式： 如果想獲取這些學習資料點擊好看分享出去

數據分析員用python做數據分析是怎麼回事，需要用到python中的那些內容，具體是怎麼操作的?

最近，Analysis with Programming加入了Planet Python。我這裡來分享一下如何通過Python來開始數據分析。具體內容如下：

數據導入

導入本地的或者web端的CSV文件；

數據變換；

數據統計描述；

假設檢驗

單樣本t檢驗；

可視化；

創建自定義函數。

數據導入

1

這是很關鍵的一步，為了後續的分析我們首先需要導入數據。通常來說，數據是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：

import pandas as pd

# Reading data locally

df = pd.read_csv(‘/Users/al-ahmadgaidasaad/Documents/d.csv’)

# Reading data from web

data_url = “”

df = pd.read_csv(data_url)

為了讀取本地CSV文件，我們需要pandas這個數據分析庫中的相應模塊。其中的read_csv函數能夠讀取本地和web數據。

END

數據變換

1

既然在工作空間有了數據，接下來就是數據變換。統計學家和科學家們通常會在這一步移除分析中的非必要數據。我們先看看數據（下圖）

對R語言程序員來說，上述操作等價於通過print(head(df))來列印數據的前6行，以及通過print(tail(df))來列印數據的後6行。當然Python中，默認列印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印數據尾部也是同樣道理

請點擊輸入圖片描述

2

在R語言中，數據列和行的名字通過colnames和rownames來分別進行提取。在Python中，我們則使用columns和index屬性來提取，如下：

# Extracting column names

print df.columns

# OUTPUT

Index([u’Abra’, u’Apayao’, u’Benguet’, u’Ifugao’, u’Kalinga’], dtype=’object’)

# Extracting row names or the index

print df.index

# OUTPUT

Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype=’int64′)

3

數據轉置使用T方法，

# Transpose data

print df.T

# OUTPUT

0      1     2      3     4      5     6      7     8      9

Abra      1243   4158  1787  17152  1266   5576   927  21540  1039   5424

Apayao    2934   9235  1922  14501  2385   7452  1099  17038  1382  10588

Benguet    148   4287  1955   3536  2530    771  2796   2463  2592   1064

Ifugao    3300   8063  1074  19607  3315  13134  5134  14226  6842  13828

Kalinga  10553  35257  4544  31687  8520  28252  3106  36238  4973  40140

…       69     70     71     72     73     74     75     76     77

Abra     …    12763   2470  59094   6209  13316   2505  60303   6311  13345

Apayao   …    37625  19532  35126   6335  38613  20878  40065   6756  38902

Benguet  …     2354   4045   5987   3530   2585   3519   7062   3561   2583

Ifugao   …     9838  17125  18940  15560   7746  19737  19422  15910  11096

Kalinga  …    65782  15279  52437  24385  66148  16513  61808  23349  68663

78

Abra      2623

Apayao   18264

Benguet   3745

Ifugao   16787

Kalinga  16900

Other transformations such as sort can be done using codesort/code attribute. Now let’s extract a specific column. In Python, we do it using either codeiloc/code or codeix/code attributes, but codeix/code is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

4

其他變換，例如排序就是用sort屬性。現在我們提取特定的某列數據。Python中，可以使用iloc或者ix屬性。但是我更喜歡用ix，因為它更穩定一些。假設我們需數據第一列的前5行，我們有：

print df.ix[:, 0].head()

# OUTPUT 0     1243 1     4158 2     1787 3    17152 4     1266 Name: Abra, dtype: int64

5

順便提一下，Python的索引是從0開始而非1。為了取出從11到20行的前3列數據，我們有

print df.ix[10:20, 0:3]

# OUTPUT

Abra  Apayao  Benguet

10    981    1311     2560

11  27366   15093     3039

12   1100    1701     2382

13   7212   11001     1088

14   1048    1427     2847

15  25679   15661     2942

16   1055    2191     2119

17   5437    6461      734

18   1029    1183     2302

19  23710   12222     2598

20   1091    2343     2654

上述命令相當於df.ix[10:20, [‘Abra’, ‘Apayao’, ‘Benguet’]]。

6

為了捨棄數據中的列，這裡是列1(Apayao)和列2(Benguet)，我們使用drop屬性，如下：

print df.drop(df.columns[[1, 2]], axis = 1).head()

# OUTPUT

Abra  Ifugao  Kalinga

0   1243    3300    10553

1   4158    8063    35257

2   1787    1074     4544

3  17152   19607    31687

4   1266    3315     8520

axis 參數告訴函數到底捨棄列還是行。如果axis等於0，那麼就捨棄行。

END

統計描述

1

下一步就是通過describe屬性，對數據的統計特性進行描述：

print df.describe()

# OUTPUT

Abra        Apayao      Benguet        Ifugao       Kalinga

count     79.000000     79.000000    79.000000     79.000000     79.000000

mean   12874.379747  16860.645570  3237.392405  12414.620253  30446.417722

std    16746.466945  15448.153794  1588.536429   5034.282019  22245.707692

min      927.000000    401.000000   148.000000   1074.000000   2346.000000

25%     1524.000000   3435.500000  2328.000000   8205.000000   8601.500000

50%     5790.000000  10588.000000  3202.000000  13044.000000  24494.000000

75%    13330.500000  33289.000000  3918.500000  16099.500000  52510.500000

max    60303.000000  54625.000000  8813.000000  21031.000000  68663.000000

END

假設檢驗

1

Python有一個很好的統計推斷包。那就是scipy裡面的stats。ttest_1samp實現了單樣本t檢驗。因此，如果我們想檢驗數據Abra列的稻穀產量均值，通過零假設，這裡我們假定總體稻穀產量均值為15000，我們有：

from scipy import stats as ss

# Perform one sample t-test using 1500 as the true mean

print ss.ttest_1samp(a = df.ix[:, ‘Abra’], popmean = 15000)

# OUTPUT

(-1.1281738488299586, 0.26270472069109496)

返回下述值組成的元祖：

t : 浮點或數組類型t統計量

prob : 浮點或數組類型two-tailed p-value 雙側概率值

2

通過上面的輸出，看到p值是0.267遠大於α等於0.05，因此沒有充分的證據說平均稻穀產量不是150000。將這個檢驗應用到所有的變數，同樣假設均值為15000，我們有：

print ss.ttest_1samp(a = df, popmean = 15000)

# OUTPUT

(array([ -1.12817385,   1.07053437, -65.81425599,  -4.564575  ,   6.17156198]),

array([  2.62704721e-01,   2.87680340e-01,   4.15643528e-70,

1.83764399e-05,   2.82461897e-08]))

第一個數組是t統計量，第二個數組則是相應的p值

END

可視化

1

Python中有許多可視化模塊，最流行的當屬matpalotlib庫。稍加提及，我們也可選擇bokeh和seaborn模塊。之前的博文中，我已經說明了matplotlib庫中的盒須圖模塊功能。

請點擊輸入圖片描述

2

# Import the module for plotting

import matplotlib.pyplot as plt

plt.show(df.plot(kind = ‘box’))

現在，我們可以用pandas模塊中集成R的ggplot主題來美化圖表。要使用ggplot，我們只需要在上述代碼中多加一行，

import matplotlib.pyplot as plt

pd.options.display.mpl_style = ‘default’ # Sets the plotting display theme to ggplot2

df.plot(kind = ‘box’)

3

這樣我們就得到如下圖表：

請點擊輸入圖片描述

4

比matplotlib.pyplot主題簡潔太多。但是在本文中，我更願意引入seaborn模塊，該模塊是一個統計數據可視化庫。因此我們有：

# Import the seaborn library

import seaborn as sns

# Do the boxplot

plt.show(sns.boxplot(df, widths = 0.5, color = “pastel”))

請點擊輸入圖片描述

5

多性感的盒式圖，繼續往下看。

請點擊輸入圖片描述

6

plt.show(sns.violinplot(df, widths = 0.5, color = “pastel”))

請點擊輸入圖片描述

7

plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

請點擊輸入圖片描述

8

with sns.axes_style(“white”):

plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = “kde”))

請點擊輸入圖片描述

9

plt.show(sns.lmplot(“Benguet”, “Ifugao”, df))

END

創建自定義函數

在Python中，我們使用def函數來實現一個自定義函數。例如，如果我們要定義一個兩數相加的函數，如下即可：

def add_2int(x, y):

return x + y

print add_2int(2, 2)

# OUTPUT

4

順便說一下，Python中的縮進是很重要的。通過縮進來定義函數作用域，就像在R語言中使用大括弧{…}一樣。這有一個我們之前博文的例子：

產生10個正態分布樣本，其中和

基於95%的置信度，計算和 ;

重複100次; 然後

計算出置信區間包含真實均值的百分比

Python中，程序如下：

import numpy as np

import scipy.stats as ss

def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

m = np.zeros((rep, 4))

for i in range(rep):

norm = np.random.normal(loc = mu, scale = sigma, size = n)

xbar = np.mean(norm)

low = xbar – ss.norm.ppf(q = 1 – p) * (sigma / np.sqrt(n))

up = xbar + ss.norm.ppf(q = 1 – p) * (sigma / np.sqrt(n))

if (mu low) (mu up):

rem = 1

else:

rem = 0

m[i, :] = [xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = “There are ” + str(inside) + ” confidence intervals that contain “

“the true mean (” + str(mu) + “), that is ” + str(per) + ” percent of the total CIs”

return {“Matrix”: m, “Decision”: desc}

上述代碼讀起來很簡單，但是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了 Python專家

import numpy as np

import scipy.stats as ss

def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

scaled_crit = ss.norm.ppf(q = 1 – p) * (sigma / np.sqrt(n))

norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

xbar = norm.mean(1)

low = xbar – scaled_crit

up = xbar + scaled_crit

rem = (mu low) (mu up)

m = np.c_[xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = “There are ” + str(inside) + ” confidence intervals that contain “

“the true mean (” + str(mu) + “), that is ” + str(per) + ” percent of the total CIs”

return {“Matrix”: m, “Decision”: desc}

為什麼要學 Python

Python可謂是世界上最通用、最強大的編程語言之一。

Python可以編寫自己的應用程序，創建遊戲以及設計演算法，甚至還可以為機器人編程。

不僅如此，學習Python還可以讓你在軟體工程、web開發、移動開發或數據科學等領域謀一份好差事，在職業提升的道路上助你一臂之力。就目前而言，無論是創建一個網站，還是申請Google公司的崗位，掌握Python是必備條件。

python的初級編程問題

汗，前幾天問過類似的題目？

#1 直接賦值，python會自動創建對象

alphabet=[‘Alpha’,’Beta’,’Gamma’,’Delta’,’Epsilon’, ‘Zeta’,’Eta’, ‘Theta’,’Iota’, ‘Kappa’, ‘Lambda’,’Mu’,’Nu’, ‘Xi’,’Omicron’, ‘Pi’, ‘Rho’,’Sigma’,’Tau’,’Upsilon’,’Phi’,’Chi’,’Psi’,’Omega’]

#2 因為你沒有說明head()和tail()要做說明，我就按照字面意思做了

#2 head():如果參數非空，返回參數的首個元素，否則返回None

def head(alphabet):

….if alphabet:return alphabet[0]

….else:return

def tail(alphabet):

….if alphabet:return alphabet[-1]

….else:return

#3 遞歸函數

def rec(a_list):

….print head(a_list)

….while head(a_list)!=tail(a_list):

……..del a_list[0]

……..rec(a_list)

#4 調用很簡單，直接把alphabet作為rec的參數就可以:

if __name__==’__main__’:

….rec(alphabet)

因為百度知道縮進處理的原因，我只好把空格用.代替了