# 这里我们会用到ipython解释器,本文代码在ipython下运行

 Pip3 install ipython

 Pip3 install jupyter

 Jupyter notebook

 Pandas  是我们数据分析的核心包
 pandas相当于是表数据
 Series相当于表数据的一列

 Dropna()  : 过滤掉为nan的行

 iloc 是下标   df[0,1]  # 两个都是下标
 Loc 是标签   df.loc[df.index[0], 'close']        # 两个都是标签
             #例子中是知道一个索引,将索引变成标签

 多维:
     - Df.dropna(how='all')    删除单列全是nan的
     - Df.dropna(axis=1)          #x=1找行 ,  x=1找列

 import numpy as np

 # astype
 In [7]:
 arr = np.array([1.2,2.3,3.4])
 arr.astype('int')
 arr

 arr1 = arr.astype('int')
 arr1
 Out[7]:
 array([1, 2, 3])
 In [ ]:

 # eye 矩阵
 In [12]:
 np.eye(6)
 Out[12]:
 array([[ 1.,  0.,  0.,  0.,  0.,  0.],
        [ 0.,  1.,  0.,  0.,  0.,  0.],
        [ 0.,  0.,  1.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  1.,  0.,  0.],
        [ 0.,  0.,  0.,  0.,  1.,  0.],
        [ 0.,  0.,  0.,  0.,  0.,  1.]])

 In [14]:

 import random

 l = [random.randint(1,10) for i in range(0,20)]
 l
 Out[14]:
 [2, 6, 3, 5, 1, 5, 7, 5, 10, 7, 2, 7, 4, 8, 2, 2, 3, 1, 5, 2]
 In [17]:
 arr = np.array(l)
 arr

 Out[17]:
 array([ 2,  6,  3,  5,  1,  5,  7,  5, 10,  7,  2,  7,  4,  8,  2,  2,  3,
         1,  5,  2])

 In [18]:
 list(filter(lambda x:x>5,l))
 Out[18]:
 [6, 7, 10, 7, 7, 8]

 In [19]:
 arr.T
 Out[19]:
 array([ 2,  6,  3,  5,  1,  5,  7,  5, 10,  7,  2,  7,  4,  8,  2,  2,  3,
         1,  5,  2])

 In [20]:
 arr.size
 Out[20]:
 20

 In [21]:
 arr.ndim
 Out[21]:
 1

 In [30]:
 arr=np.array([1.2,2.3,3.8,5,6])
 arr
 Out[30]:
 array([ 1.2,  2.3,  3.8,  5. ,  6. ])

 In [31]:
 arr.astype('int')
 Out[31]:
 array([1, 2, 3, 5, 6])

 In [34]:
 # 花式索引
 arr = np.array(l)
 arr
 Out[34]:
 array([ 2,  6,  3,  5,  1,  5,  7,  5, 10,  7,  2,  7,  4,  8,  2,  2,  3,
         1,  5,  2])

 In [36]:
 # 花式索引
 arr[[1,3,5,7,9]]
 Out[36]:
 array([6, 5, 5, 5, 7])

 In [37]:
 # 花式索引
 arr[np.arange(0,arr.size,2)]
 Out[37]:
 array([ 2,  3,  1,  7, 10,  2,  4,  2,  3,  5])

 In [45]:
 '''
 ceil : 向上取整           3.1-->4    -3.1 --> -3
 floor : 向下取整   取小    3.1-->3    3.9-->3
 rint(round) : 四舍五入    3.6--> 4   3.1-->3   找最近的数
 trunc(int) : 向零取整(舍去小数点后)
 modf : 将整数和小数分开
 maximun  相同位置取最大
 minimum  相反
 '''

 arr = np.arange(10)
 arr.sum()
 arr.mean()    # 平均数
 arr.cumsum()  # 前缀和

 Out[45]:
 array([ 0,  1,  3,  6, 10, 15, 21, 28, 36, 45])

 In [43]:
 # var : 方差, 表示这组输的离散程度
 arr.var()         数越小越集中
 Out[43]:
 8.25

 In [44]:
 # std : 标准差
 arr.std()
 Out[44]:
 2.8722813232690143

 # uniform : 对应randint  小数
 # np.random.rand()  0到1 的随机小数

 In [47]:
 l = [1,2,3,4,5]
 random.shuffle(l)  # 洗牌
 l
 Out[47]:
 [5, 3, 4, 1, 2]

 np.random.randint(-10,10,5) # -10到10之间的随机整数 拿5个

 In [*]:
 np.random.randint(-10,10,(3,5)) # -10到10之间的随机整数 拿5个