【Python 學習筆記】系列文預計會有 10 篇文，會從最基礎的 Python 簡介開始，再到迴圈、if 判斷式等基礎程式語法，最後會利用 Python 豐富的套件，學習 pillow 圖片處理、matplotlib 繪製圖表、scrapy 爬蟲等功能。之後會再慢慢更新吧 XDD
標題訂為「學習筆記」是因為我也是 Python 的初學者，之前雖有寫 C 語言的經驗，但是上完課後就幾乎沒有再使用，想藉由寫學習筆記的系列文，要求自己複習上課學到的 Python 的語法，希望有朝一日能將 Python 變為自己的「第三外語」。
上一篇 Python 學習筆記：
【Python 學習筆記】系列文的內容大多參考《第一次學 Python 就上手》這本書，所以想要自學 Python 的人可以將這本書列為你的 Python 入門參考書！
模組 Module
模組（module），是一個名稱為 modulename.py 的檔案，檔案內定義了一些資料、函式或類別。
如果想要使用一個模組，會用 import modulename 匯入模組。平常我們使用、存取的檔案都在 python 的資料夾下。
import os print(os.__file__)
C:\Users\User Name\Anaconda3\lib\os.py
import modulename as alias alias.method()
之前也使用過這個語法，目的是為了將冗長的 modulename 換成比較簡短、自己也比較清楚的名字，例如說， import random as rd 就是一個例子。 alias 只是個別名而已。
from modulename import classname/methodname methodname()
這個語法只把模組內的某些方法或類別導入，除了那些有特別導入的內容外，其他方法不會導入。用這個方法就可以不用在 methodname 前面加 modulename. 了！
如果想要引用模組內的全部類別與方法，也可以用 * ，但是對 Python 的負擔比較大，所以盡量別用。
dir()
dir() 會傳會傳回目前存取範圍內的名稱，這些名稱前面不加 xxx. 也不會錯。Import 後，會出現 import 後的名稱，可以用來確認是不是已經 import 了。
套件 Package
套件中存放了多個模組，就像一個資料夾存放了很多檔案一樣。只要有 __init__.py 檔案的資料夾就會被視為 python 套件。
標準函式庫（standard library）／內建函式庫（built-in library）是安裝 python 時一併安裝的套件。如：math, random, time, calendar, datetime, turtle。
外部函式庫（external library）是需要另外安裝的模組與套件。
import importlib as imp
print(imp.util.find_spec('numpy'))
ModuleSpec(name=’numpy’, loader=<_frozen_importlib_external.SourceFileLoader object at 0x000001B5B2EC57B8>, origin=’C:\\Users\\User Name\\Anaconda3\\lib\\site-packages\\numpy\\__init__.py’, submodule_search_locations=[‘C:\\Users\\User Name\\Anaconda3\\lib\\site-packages\\numpy’])
利用上面的程式碼，可以尋找已經安裝的套件的儲存地點。
第三方套件 Third Party Package
▸Django, Web2py, Flask：web框架，快速架設網站 ▸Numpy：陣列與科學計算；矩陣運算、FFT、線性代數 ▸SciPy：科學計算 ▸Pandas：數據處理與資料分析 ▸Matplotlib：2D視覺化工具 ▸PyGtk, PyQt, WxPython, tkinter：GUI程式開發 ▸BeautifulSoup：HTML/XML解析器 ▸Pillow/PIL（舊）：圖形處理 ▸PyGame：多媒體與遊戲開發 ▸Requests：存取網際網路資料 ▸Scikit-learn：機器學習套件 ▸Scrapy：網路爬蟲工具
如何安裝上述這些第三方套件呢？
首先，要先確認 Python 已在 Windows 的環境變數中。
有兩種方法：
- 自行到環境變數中的 PATH 加上 Python 執行檔的路徑
- 下載 Python 安裝檔，執行，再勾選添加 Python 到環境變數（Add Python 3.7 to PATH）。
用 PIP 安裝第三方套件
PIP 是 Python 中的套件管理工具，可以用來查看、安裝、升級、解除安裝與管理套件。用 PIP 套件需要在環境變數內加上 Python，最簡單的方式是點開安裝檔，再打勾。
有關 PIP 的指令：
pip list ：可以用來列出目前安裝的套件與版本。
pip install 套件名稱 ：可以用來安裝套件。
pip show 套件名稱 ：可以用來查詢已安裝的套件。
pip uninstall 套件名稱 ：解除安裝套件。
用 PYPI 安裝第三方套件
首先先到 pypi.org 這個網址，利用指令搜尋想要的套件，再進行安裝。
如果是在 Jupyter Notebook 裡面安裝第三方套件，記得在指令前加上 ! ，例如 !pip install scrapy 。Jupyter Notebook 內建會額外安裝一些常用的套件例如 numpy, matplotlib 等。
NumPy
NumPy 是 Numeric Python 的簡寫，是一個陣列處理套件，支援多維陣列與矩陣運算。若讀者對這些子套件有興趣，可以到 NumPy 官方網站（http://www.numpy.org/）查詢。
NumPy 的陣列
陣列（array）是一種資料結構，與 list 非常類似，可以存放元素（element），裡⾯有各自的值（value），有索引去區分每個元素在哪。
同質陣列（homogeneous array）是指每個元素都是同樣型別的陣列，可以依據維度分為一維陣列（1-dimensional array）多維陣列列（multi-dimensional array）。
numpy 裡的 ndarray（n-dimensional array）是同質的⼀維或多維陣列，使用 numpy.array() 可以宣告這種陣列，宣告方式跟 list() 類似。
import numpy A = numpy.array([10, 20, 30])
ndarray.ndim ：陣列維度。
ndarray.shape ：陣列的形狀，整數 tuple 代表每個維度的元素個數。
ndarray.size ：陣列的元素個數。
ndarray.dtype ：陣列的元素類別，可以是 int, float, bool, str 或者 Numpy 的 numpy.int32, numpy.int16, numpy.float64 等。
ndarray.itemsize ：陣列內每個元素的大小，int32＝32 位元（bit）＝32/8 位元組＝4 位元組（byte）。
ndarray.data ：真正包含資料的緩衝區。
dtype 可以拿來指定資料型別（避免錯誤植入），或協助轉換（需要是broadcastable）。
import numpy as np int_array = np.array([1.0,2.0,True],dtype=float) int_array.dtype
dtype(‘float64’)
Arange
import numpy as np A = np.arange([start,] stop [, step, dtype = None])
與 range() 非常相似，只是是回傳一個 ndarray。
start ：起始值，可不填，預設為 0。
stop ：終止值，需要提供，且不包含 stop 的值。
step ：每個值中間間隔多少，預設為 1，有提供 step 就要有 start。
dtype ：資料的型別，不提供的話，numpy 會根據輸入⾃動辨別。
A = np.arange(50) print(A)
[ 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]
Linspace
import numpy as np A = np.linspace(start, stop [, num, endpoint = True, retstep = False, dtype = None)
回傳將 start-stop 的數字切成 num 個的 ndarray。
num ：將這段數字切成多少個，預設 50。
endpoint ：預設為 True，即包含 stop，如果為 False 則 start-stop 取 num+1 個。
restep ：回傳使用的 step，True 會回傳。
dtype ：資料的型別，不提供的話，numpy 會根據輸入⾃動辨別。
B = np.linspace(0, 100, 50, retstep = True, dtype=int) print(B)
(array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24,
26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48, 51,
53, 55, 57, 59, 61, 63, 65, 67, 69, 71, 73, 75, 77,
79, 81, 83, 85, 87, 89, 91, 93, 95, 97, 100]), 2.0408163265306123)
Concatenate
import numpy as np
A = np.array([10, 20]) B = np.concatenate((A, A)) #[10, 20, 10 ,20] C = np.concatenate((A, [30]) #[10, 20, 30]
concatenate((陣列1, 陣列2)) ，回傳兩個陣列接在一起後的結果，注意有兩層 (()) 。
NumPy 的運算
以下都回傳一個 numpy.ndarray / scalar（當兩個都不是陣列的時候）：
add(x1, x2) ：加法，x1+x2。
subtract(x1, x2) ：減法，x1-x2。
multiply(x1, x2) ：乘法，x1*x2。
divide(x1, x2) ：除法，x1/x2。
mod(x1, x2) ：餘數，x1%x2。
power(x1, x2) ：冪次，x1**x2。
isfinite(x) ：傳回參數 x 是否為有限。
isinf(x) ：傳回參數 x 是否為無限。
isnan(x) ：傳回參數 x 是否為 NaN（Not a Number）。
sign(x) ：負數回傳 -1，正數回傳 1，0 回傳 0。
negative(x) ：傳回 x 的負數。
absolute(x) ：傳回 x 的絕對值。
sum(x) ：回傳 x 的總和。
max(x) ：回傳 x 中的最大值。
argmax(x) ：回傳 x 中的最大值的索引。
min(x) ：回傳 x 中的最小值。
argmin(x) ：回傳 x 中的最小值的索引。
floor(x) ：回傳 x 的地板（⼩數點無條件捨棄）。
sqrt(x) ：回傳 x 的平方根。
square(x) ：回傳 x 的平方。
exp(x) ：回傳自然對數 e 的 x 次方。
exp2(x) ：回傳 2 的 x 次⽅。
log(x) ：回傳 x 取⾃然對數 e 的結果。
log2(x) ：回傳 x 取底數為 2 的對數的結果。
log10(x) ：回傳 x 取底數為 10 的對數的結果。
sin(x), cos(x), tan(x), acos(x), asin(x), atan(x) ：三角函數，注意 x 是弧度。
mean(x) ：回傳 x 的平均值。
median(x) ：回傳 x 的中位數。
std(x) ：回傳 x 的標準差。
二維陣列
二維陣列是一維陣列的延伸，如果說一維陣列是呈線性的一度空間，那麼二維陣列就是平面的二度空間。
初始化的時候就是二維的 list 或者 tuple。
np.array([[95, 100, 100], [86, 90, 75]]) #2*3的二維陣列
也可以使用 reshape() 回傳形狀為 newshape 的新陣列。
numpy.reshape(a, newshape, order)
a ：輸入的陣列。
newshape ：新的形狀，應該要是 int 或者 int tuple。新形狀咬與原本的形狀可以轉化，例如說 13 個無法轉成 4*3 的陣列。如果使用 ndarray.reshape 的話 tuples 可以沒有 () 。
A = np.array([1,2,3,4,5,6,7,8,9,10,11,12]).reshape(4,3)
numpy.append(x1, x2 [, axis])
axis ：要在第幾個維度將 x1, x2 併在一起，如果沒有提供的話，陣列會先被攤平再合在一起。
另外，值得注意的是，NumPy 中 a=b，如果更改任何一個其他也會跟著改變，記得用 a=b.copy()。
numpy.dot(x1, x2) ：可以處理矩陣乘法，也可以用 x1@x2 。
numpy.insert(array, index, value, axis)
index ：插入的索引位置。
value ：插入的值，多個的話可以插入 list。
axis ：插入的維度，不指定會把原本的 array 攤平。
broadcast numpy：會努力把插入的值，調整到可以盡可能符合維度形狀的長度。
import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print(a.T) #轉置矩陣的語法 print(‘Original array:\n’, a)
print(‘Axis parameter not passed. The input array is flattened before insertion.’) print(np.insert(a,3,[11,12]) )
print(‘Axis parameter passed. The values array is broadcast to match input array.’) print(‘Broadcast along axis 0:\n’,np.insert(a,1,[11],axis = 0) ) print(‘Broadcast along axis 1:\n’, np.insert(a,1,11,axis = 1) )
[[1 3 5]
[2 4 6]]
Original array:
[[1 2]
[3 4]
[5 6]]
Axis parameter not passed. The input array is flattened before insertion.
[ 1 2 3 11 12 4 5 6]
Axis parameter passed. The values array is broadcast to match input array.
Broadcast along axis 0:
[[ 1 2]
[11 11]
[ 3 4]
[ 5 6]]
Broadcast along axis 1:
[[ 1 11 2]
[ 3 11 4]
[ 5 11 6]]
np.clip(array, array_min, array_max)
np.clip(a, 0, 999)
array([[1, 2],
[3, 4],
[5, 6]])
np.reshape()
a = np.array(range(12)) a.reshape((12))
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
其他的初始化方式：
a = np.zeros((4,3)) b = np.ones((2,6)) c = np.full((3,3),-1)
print(a) print(b) print(c)
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]
[[-1 -1 -1]
[-1 -1 -1]
[-1 -1 -1]]
文章看到這裡的妳／你，如果覺得我的文章有幫助，可以幫我點下方的 Likecoin 五下！
謝謝妳／你支持創作者！
https://button.like.co/b04602009
可以點選【我的推薦連結】創辦一個 Likecoin 的帳號，你也可以因此獲得 8 個 Likecoin！
Pandas
Pandas 是基於 NumPy 建構的套件。那與 NumPy 的差別為何？
NumPy 主要資料結構是 Ndarray，類似 list；而 Pandas 主要資料結構是 Series 和 DataFrame，類似 dict。
Series：有索引的陣列，預設索引 0～N-1 DataFrame：表格型的數據結構，預設索引也是 0～N-1
Series
import pandas as pd A = pd.Series([1,3,5,12,5])
0 1
1 3
2 5
3 12
4 5
dtype: int64
A = pd.Series([1,2,3,None,3],['a','b','c','d','e']) print(A)
B = pd.Series(['a','b','c','d','e'],[1,2,3,None,3]) print(B)
C = pd.Series(['a','b','c','d','e']) print(C)
a 1.0
b 2.0
c 3.0
d NaN
e 3.0
dtype: float64
1 a
2 b
3 c
NaN d
3 e
dtype: object
0 a
1 b
2 c
3 d
4 e
dtype: object
DataFrame
import pandas as pd import numpy as np
dates = pd.date_range('20160101',periods=6, freq='w-MON')
print(dates)
col = ['a','b','c','d']
data = np.random.randn(6,4)
df = pd.DataFrame(data, index=dates, columns=col)
print(df)
#為求美觀，所以以等寬字型輸出結果
DatetimeIndex(['2016-01-04', '2016-01-11', '2016-01-18', '2016-01-25','2016-02-01', '2016-02-08'], dtype='datetime64[ns]', freq='W-MON') #freq表示以每周一為間隔
a b c d
2016-01-04 0.744791 -0.373153 0.982891 0.333078
2016-01-11 0.360187 -0.406994 0.515021 -0.206013
2016-01-18 0.415132 1.757737 -1.286703 0.978017
2016-01-25 1.050627 0.009218 -0.785219 -0.310091
2016-02-01 -0.734791 0.201462 1.467542 -0.709621
2016-02-08 -0.067650 2.280087 -1.578596 -0.619466
df.columns df.index df['b']
#為求美觀，所以以等寬字型輸出結果
2016-01-04 -0.373153 2016-01-11 -0.406994 2016-01-18 1.757737 2016-01-25 0.009218 2016-02-01 0.201462 2016-02-08 2.280087 Freq: W-MON, Name: b, dtype: float64
df2 = pd.DataFrame({‘A’ : [1,2.5,32,None],\
‘B’ : pd.Timestamp(‘20130102’),\
‘C’ : pd.Series(1,index=list(range(4)),dtype=’float32'),\
‘D’ : np.array([3] * 4,dtype=’int32'),\
‘E’ : pd.Categorical([“test”,”train”,”test”,”train”]),\
‘F’ : ‘foo’})
df2
df2.describe()
DataFrame 資料篩選
#loc是標籤 df.loc[:,['a','c']]
#iloc是標籤的索引 df.iloc[[1,3],[0,1,3]]
df[df.a>0.3] #[]內放bool判斷
pd.dropna() ：去掉所有 NA 或 NaN 的欄或列。
pd.fillna(value = 0) ：將所有 NA 或 NaN 的資料取代為 value 。
pd.isnull() ：去掉所有 NA 或 NaN 的資料取代為是不是 null。
DataFrame 資料合併
pd.concat([df1,...], axis = 0 [, ignore_index = False, join = 'outer'])ignore_index ：重置 index（重新給 index）。
join = 'outer' ：如果沒有的欄位就填 NaN。
join = 'inner' ：如果沒有的欄位就不顯⽰。
axis ：根據 0, 1 決定哪個維度會合併。
pd.append(...)只有縱向合併
pd.merge(left, right, on = [key, ...], how = 'inner')
根據 on 的 key 值，將 left 與 right 合併。
how = 'inner' ：沒有的欄位不顯⽰。
how = 'outer' ：沒有的欄位顯示 NaN。
how = 'left' ：left 的資料保留，right 沒有的欄位顯示 NaN。
how = 'right' ：right 的資料保留，left 沒有的欄位顯示 NaN。
謝謝看到最後的你
如果你覺得這篇文章不錯，請不吝給我 1～10 個掌聲（Claps）；
如果你喜歡這篇文章，也歡迎分享到社群媒體給更多的朋友與持續關注我的最新文章。
【Python 學習筆記】系列文連結：
1. 學習筆記 #001：輸出、輸入、型別介紹、運算子 2. 學習筆記 #002：數值處理、字串處理、選擇結構 3. 學習筆記 #003：選擇結構、迴圈結構 4. 學習筆記 #004：While 迴圈、Break and Continue、函式 Function 5. 學習筆記 #005：遞迴關係式、串列 List、List 函式、List 的處理方法 6. 學習筆記 #006：序對 Tuple、集合 Set 與字典 Dict 的介紹與使用方法 7. 學習筆記 #007：物件導向、檔案存取 8. 學習筆記 #008：模組、套件、NumPy 與 Pandas 9. 學習筆記 #009：Scrapy 網路爬蟲、CSV 模組、用 Pandas 讀取 CSV、Matplotlib 畫出各種圖形 10.學習筆記 #010：用 TK Inter 模組開始設計自己的程式介面吧！
Kungscious 