千里之行，始于足下

摘要： numpy的广播计算是指在多维数组上进行的一种高效计算方式。 它可以将计算任务分配到每个维度上，并且可以在计算过程中进行数据共享和同步，从而提高计算效率和精度。 广播计算在数值计算、科学计算、机器学习等领域都有广泛的应用。 例如，在数值计算中，广播计算可以用于求解大规模的非线性方程组；在科学计算中， 阅读全文

摘要： 上一篇介绍的通用计算是关于多个numpy数组的计算， 本篇介绍的聚合计算一般是针对单个数据集的各种统计结果，同样，使用聚合函数，也可以避免繁琐的循环语句的编写。 元素的和 数组中的元素求和也就是合计值。 调用方式 聚合计算有两种调用方式，一种是面向对象的方式，作为numpy数组对象的方法来调用： i 阅读全文

摘要： numpy提供了简单灵活的接口，用于优化数据数组的计算。 通用计算最大的优势在于通过向量化操作，将循环推送至numpy之下的编译层，从而取得更快的执行效率。 numpy的通用计算让我们计算数组时就像计算单独一个变量一样， 不用写循环去遍历数组中的各个元素。 比如，对于一般的python二维数组，我们 阅读全文

摘要： numpy作为一个强大的数值计算库，提供了对多维数组的很多便捷操作。 承接上一篇数组的创建，本篇主要介绍一些数组的基本操作。 1. 子数组 首先介绍获取子数组的方法，提取已有数据的一部分来参与计算是比较常用的功能。 对于一维数组，提取子数组：arr[start:stop:step] start：从哪 阅读全文

摘要： NumPy（Numerical Python）是一个Python库，主要用于高效地处理多维数组和矩阵计算。它是科学计算领域中使用最广泛的一个库。 在NumPy中，数组是最核心的概念，用于存储和操作数据。 NumPy数组是一种多维数组对象，可以存储相同类型的元素，它支持高效的数学运算和线性代数操作。 阅读全文

摘要： pandas 基础内容的目录： 概述 pandas 主要功能和应用场景的介绍。 数据读取 数据读取是第一步，只有成功加载数据之后，后续的操作才有可能。 pandas 可以读取和导入各种数据格式的数据，如 CSV，Excel，JSON，SQL，HTML 等，不需要手动编写复杂的读取代码。 核心数据结构 阅读全文

摘要： 在进行统计分析时，pandas提供了多种工具来帮助我们理解数据。 pandas提供了多个聚合函数，其中包括均值、标准差、最大值、最小值等等。 此外，pandas还可以进行基于列的统计分析，例如通过groupby()函数对数据进行聚合，并计算每组的统计分析结果。 除了基本的统计分析之外，pandas还 阅读全文

摘要： 在pandas中，索引（index）是用于访问数据的关键。 它为数据提供了基于标签的访问能力，类似于字典，可以根据标签查找和访问数据。 而pandas的轴（axis）是指数据表中的一个维度，可以理解为表格中的行和列。 通过指定轴，我们可以对数据进行切片、筛选、聚合等操作。 下面简要介绍pandas的 阅读全文

摘要： 时间序列数据是数据分析中一类常见且重要的数据。 它们按照时间顺序记录，通常是从某些现象的观察中收集的，比如经济指标、气象数据、股票价格、销售数据等等。 时间序列数据的特点是有规律地随着时间变化而变化，它们的变化趋势可以被分析和预测。时间序列分析是一种用于预测未来值或评估过去值的统计方法，常常被用于预 阅读全文

摘要： `ChatGPT`是近期最火的概念了，和之前的`AlphaGo`不同，`GPT`让`AI`和普通大众如此接近，让大家可以亲自接触到`AI`带来的全新体验。 不过，`AI`并不是魔法，`ChatGPT`也不是革命性的新技术。 目前我个人来看，`ChatGPT`要取代人类的工作还言之过早，不过，辅助人类 阅读全文