numpy參考：https://scipy.github.io/old-wiki/pages/Tentative_NumPy_Tutorial

1. 直接賦值是引用，改變 新變量值會改變原變量值。
   使用c = a.view()是建立了一個a的觀測值變量，改變c也會改變a。
   要完全賦值使用深拷貝d = a.copy()
2. numpy中可以直接用多維索引來建立一個多維array。但注意，不能將多個array作為索引，此時可以用tuple（多個array）將多個array轉(zhuǎn)換成一個tuple

scipy參考：https://docs.scipy.org/doc/scipy/reference/tutorial/

1. r_連接二維行 c_連接二維列。
   a = np.r_[3,[0]5,-1:1:10j]*
   其中10j的意思是鑄造10個分割點
2. mgrid鑄造標準網(wǎng)格，類似matlab的meshgrid；ogrid返回的是多個一維的網(wǎng)格向量。
3. vectorize（函子）傳入函子，返回一個向量化的函數(shù)
4. select函數(shù)的 意思通過下面這個例子說明：

 x = np.r_[-2:3]
 x
array([-2, -1,  0,  1,  2])
np.select([x > 3, x >= 0], [0, x+2]，999) 
array([999, 999, 2, 3, 4])

也就是說x來進行判斷，滿足第一個條件就被0替換，滿足第二個條件被x+2替換，如果都不滿足就被999替換。
而where函數(shù)有兩種用法：
np.where([[True, False], [True, True]],
... [[1, 2], [3, 4]],
... [[9, 8], [7, 6]])
array([[1, 8],
[3, 4]])
滿足條件取第一個，不滿足取第二個
第二種用法：只有一個輸入?yún)?shù)，那么就返回True

matlabplotlib參考：https://nbviewer.jupyter.org/github/jrjohansson/scientific-python-lectures/blob/master/Lecture-4-Matplotlib.ipynb

1. 注意Matplotlib所用的都是()而不是[].
2. 可以使用latex格式，但要在

label=r""
注意要加r來區(qū)分和python變量str區(qū)別。

注意plot和subplot的屬性名：

a.

ax.plot(x, x2, label="curve1")
ax.plot(x, x3, label="curve2")
label="curve1"線標簽
ax.legend(loc=0) # let matplotlib decide the optimal location
ax.legend(loc=1) # upper right corner
ax.legend(loc=2) # upper left corner
ax.legend(loc=3) # lower left corner
ax.legend(loc=4) # lower right corner

b.

ax.plot(x, x+13, color="purple", lw=1, ls='-', marker='o', markersize=2)
ax.plot(x, x+14, color="purple", lw=1, ls='-', marker='o', markersize=4)
ax.plot(x, x+15, color="purple", lw=1, ls='-', marker='o', markersize=8, markerfacecolor="red")
ax.plot(x, x+16, color="purple", lw=1, ls='-', marker='s', markersize=8,
markerfacecolor="yellow", markeredgewidth=2, markeredgecolor="blue");
lw是linewidth，ls是linestyle線形狀，marker是點型

c. 決定坐標范圍

fig, axes = plt.subplots(1, 3, figsize=(12, 4))

axes[0].plot(x, x2, x, x3)
axes[0].set_title("default axes ranges")

axes[1].plot(x, x2, x, x3)
axes[1].axis('tight') #（自決定）
axes[1].set_title("tight axes")

axes[2].plot(x, x2, x, x3)
axes[2].set_ylim([0, 60])
axes[2].set_xlim([2, 5])
axes[2].set_title("custom axes range");

d. 坐標指數(shù)

fig, axes = plt.subplots(1, 2, figsize=(10,4))

axes[0].plot(x, x**2, x, np.exp(x))
axes[0].set_title("Normal scale")

axes[1].plot(x, x**2, x, np.exp(x))
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)");

4. 改變圖像風格：
   plt.style.use('ggplot')
   可以先使用
   print(plt.style.available)
   查看圖像風格

sns.lmplot(x='total_bill', y='tip', data=tips, col='sex')
col,row將不同的分類點畫在不同畫布上；hue='sex'將分類點畫在同一畫布上，但標出不同顏色。
6.二變量畫圖法：
sns.jointplot(x='hp',y='mpg',data=auto,kind='resid')

kind='scatter' uses a scatter plot of the data points
kind='reg' uses a regression plot (default order 1)
kind='resid' uses a residual plot
kind='kde' uses a kernel density estimate of the joint distribution
kind='hex' uses a hexbin plot of the joint distribution

7. 多變量畫圖：
   注意，傳入的都要是dataframe
   sns.pairplot(data)非常簡單
   sns.heatmap(cov_matrix)相關性的圖

pandas參考：http://pandas.pydata.org/pandas-docs/stable/tutorials.html

1. 注意深拷貝berri_bikes = bikes[['Berri 1']].copy()一定要用copy，注意bikes后有兩個中括號
2. rows_with_dashes = requests['Incident Zip'].str.contains('-').fillna(False)
   fillna的含義是充填缺失值
3. daily_temp_2011 = daily_mean_2011['dry_bulb_faren'].values
   .values讓一個series（pandas）轉(zhuǎn)換成了array（numpy）
   pandas內(nèi)容太多了，建議還是直接看官方cookbook
4. 一列寫入的時候，要用雙[],否則會當做series沒有列名。列選擇都要加雙[]，即
   data[['rnd_1', 'rnd_3']]
   也就是說從dataframe里面選出列名的那些列作為dataframe要加雙括號

sklearn

1. transform() 和fit_transform()區(qū)別：https://blog.csdn.net/quiet_girl/article/details/72517053

tranform()的作用是通過找中心和縮放等實現(xiàn)標準化
fit_transform()的作用就是先將數(shù)據(jù)擬合模型，然后轉(zhuǎn)化它將其轉(zhuǎn)化為標準形式