1.30每日总结

今天我计划学习一些基本函数的功能及它们的使用方法，由于网上大多没有汇总，碰巧又赶上最近学的数据处理，所以我根据需要自己整理了几个可能会用到的关于数据的函数。

1. Python内置函数：

   • len()：用于获取对象的长度或元素个数。

   string = "hello"
   length = len(string)
   print(length)  # 输出：5
   

   • print()：用于打印输出信息到控制台。

   print("Hello, world!")
   

   • range()：用于生成一个整数序列。

   numbers = range(1, 11)
   for num in numbers:
       print(num)
   

   • zip()：用于将多个序列压缩成一个元组。

   names = ["Alice", "Bob", "Charlie"]
   ages = [25, 30, 35]
   zipped = zip(names, ages)
   for name, age in zipped:
       print(f"{name} is {age} years old.")
   

   • sorted()：用于对可迭代对象进行排序。

   numbers = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
   sorted_numbers = sorted(numbers)
   print(sorted_numbers)  # 输出：[1, 1, 2, 3, 3, 4, 5, 5, 5, 6, 9]
   

   • map()：用于将函数应用于序列的每个元素，并返回结果列表。

   numbers = [1, 2, 3, 4, 5]
   squared_numbers = list(map(lambda x: x**2, numbers))
   print(squared_numbers)  # 输出：[1, 4, 9, 16, 25]
   

2. 第三方库常见函数：

   • NumPy库中的numpy.sum()函数：用于计算数组元素之和。

   import numpy as np
   
   numbers = np.array([1, 2, 3, 4, 5])
   sum_of_numbers = np.sum(numbers)
   print(sum_of_numbers)  # 输出：15
   

   • Pandas库中的pandas.DataFrame()函数：用于创建一个数据框。

   import pandas as pd
   
   data = {"name": ["Alice", "Bob", "Charlie"],
           "age": [25, 30, 35],
           "gender": ["F", "M", "M"]}
   df = pd.DataFrame(data)
   print(df)
   

   • Matplotlib库中的matplotlib.pyplot.plot()函数：用于绘制折线图。

   import matplotlib.pyplot as plt
   
   x = [1, 2, 3, 4, 5]
   y = [1, 4, 9, 16, 25]
   plt.plot(x, y)
   plt.show()
   

   • Scikit-learn库中的sklearn.linear_model.LinearRegression()函数：用于拟合线性回归模型。

   from sklearn.linear_model import LinearRegression
   
   X = [[1], [2], [3], [4], [5]]
   y = [1, 4, 9, 16, 25]
   model = LinearRegression()
   model.fit(X, y)
   print(model.coef_)  # 输出：[9.]
   

   • TensorFlow库中的tf.keras.layers.Dense()函数：用于创建一个全连接层。

   import tensorflow as tf
   
   inputs = tf.keras.Input(shape=(10,))
   dense_layer = tf.keras.layers.Dense(units=64, activation="relu")(inputs)
   outputs = tf.keras.layers.Dense(units=1, activation="sigmoid")(dense_layer)
   model = tf.keras.Model(inputs=inputs, outputs=outputs)
   model.summary()