数据科学导论Python语言实现

Python文件处理 列表、元组、字典的使用 集合的妙用 函数基础 作业 S.find(substring, [start [,end]]) #可指范围查找子串，返回索引值，否则返回-1   S.rfind(substring,[start [,end]]) #反向查找   S.index(substring,[start [,end]]) #同find，只是找不到产生ValueError异常   S.rindex(substring,[start [,end]])#同上反向查找   S.count(substring,[start [,end]]) #返回找到子串的个数      S.lowercase()   S.capitalize()      #首字母大写   S.lower()           #转小写   S.upper()           #转大写   S.swapcase()        #大小写互换      S.split(str, ' ')   #将string转list，以空格切分   S.join(list, ' ')   #将list转string，以空格连接      处理字符串的内置函数   len(str)                #串长度   cmp("my friend", str)   #字符串比较。第一个大，返回1   max('abcxyz')           #寻找字符串中最大的字符   min('abcxyz')           #寻找字符串中最小的字符

python的特点与规范，以及数据类型的总结：（1）Python特点 python不需要提前声明变量的数据类型，可以直接赋值。 它和Java不一样，它是动态语言，解释型语言，弱数据类型《无需声明》，赋值的内容是什么类型，左边的变量就是什么类型 虽然他是不需要提前声明类型，但是它也有数据类型。 （2）Python中的赋值 简单赋值：例如： age = 18 序列赋值：a,b = 1,2 多目标赋值: a = b = c = 10 强赋值: a += 4 #a = a + 4 （3）Python注释 单行注释 ：用#号开头 多行注释：三个引号成对 （4）缩进 缩进是Python唯一的层次约束，一般而言，相同的代码层次缩进要一致，习惯上是一个TAB键（四个空格）。 编程规范： 1、缩进：同一层次代码，缩进量保持一致，建议tab缩进 2、注释：增强代码的可读性以及可维护性 3、代码清晰：运算符、等号等前后加空格 4、命名：符合语法要求、顾名思义、大驼峰、小驼峰等都可以 一般建议英文单词去命名，如果多个单词，全部小写，单词间用下划线连接 如：年龄 age = 23 小明的年龄 ming_age = 22

无论是做机器学习还是做数据分析，都离不开获取数据后的第一步-数据清洗工作。据统计，数据清洗工作占据整个工作时间百分之50左右，有的甚至能达到百分之70。下面我将介绍我进行数据清洗得思路流程。 数据清洗整体流程脑图（不断更新中…） 数据准备 本次数据清洗工作我们使用得数据是一个借贷机构开放的用户数据（仅用于个人练习），由于源数据量有将近30万，考虑到运行速度，这里例子从这30万中随机抽取1万条数据。 下载地址：LCIS.csv 提取码：ag8t 注：此数据仅仅作为方法演示使用，忽略真实数据分析时的业务逻辑考虑。 导入相应的python工具包和数据 import numpy as np impo

python数据挖掘数据集 python_friends.json

pandas基本使用教程,描述了基本的数据分析功能,使用pandas可以方便的载入数据库数据，csv数据等各种类型的数据，并整合在一起进行分析

python实现的量化交易策略， 用pandas实现

利用python进行数据分析实战-电商分析

这是一个使用python语言编写的爬虫脚本，提供各种存储方式（txt，csv，mysql数据库存储），有requests+xpath库的爬取与解析方式，也有selenium工具的简单使用，可实现动态网站的爬取。需要自己完善核心数据代码（有注释，很详细），即可完成一个爬虫的编写。十分适合于初学者。

这是集体智慧编程的书里面的所有源代码,加上还有所有的数据集，值得学习