python for data science学习记录

可以在线获取python for data science, 章节打开的速度比较慢，可以看一小节的时候，loading另外一个小节。

Chapter 2 Understanding numpy

1. 动态创建更耗费内存
   在第一小节中介绍到python这种动态编程语言因为允许不用声明而创建变量，所以每一个创建的变量都带有变量的类型、存储地址及大小信息，相比较其他静态语言例如C就会需要更大的计算资源。所以在python中创建的一个变量其实是一个指针，指向了一个数据结构。
2. 在生产或者线上代码中使用固定类型的数据结构会减少存储代价。因为在实现层面上，list是一个指向了多个指针的结构，而固定类型的数据结构例如numpy类型的array却是一个指针，指向一个连续的数据块。
3. 在创建多维array的时候，可以使用下面的代码：

np.array([range(i , i+3) for i in [1,2,3]])

4. 同时如果需要可以通过np.zeros, ones, linspace, random,eye, arrange创建具有固定填充规则的数据结构。
   numpy.array has several useful attributes such as dtype, ndim, shape, size.
5. array的indexing和slicing并不相同，前者是获取其中的一个element，后者是获得array的一些截片。语法上，都是通过[]实现。在indexing中通过逗号分隔每个维度，例如三维的array x1, x1[1,2,3]是获取一个元素；x1[::, ::， ::]是slicing的语法。在slicing的语法中，x[start:stop:step, start:stop:step]意思指by default start = 0， stop = size of dimension, step =1, 当step = negative number的时候表示acessing是从后往前。start，stop，step是可以不赋值，使用默认值替代。有多少个dimension，就通过ndim-1个逗号分隔想要获取的维度中的index。有一种特殊的情况是需要一行或者一列，这个时候可以使用[:, 0] # 选择第一列，[0, :]选择第一行，同时为了语法上的间接，可以通过[0]来表示[0, :]. 需要注意的是slice操作获取的仅仅是之前array的view，而非copy，这个特性不同于list。

b = a[::]
print(b)
b[0] = 4
print(a, b)

在上面的代码中，b就修改了，而a却保留了原始的值。

x11 = x1[0, 0, ::]
print(x11)
x11 = np.array([0,0,0])
print(x11)
print(x1)

这里x1的值就被x11的value reset所修改了。
6.