第1页 / 共122页
第2页 / 共122页
第3页 / 共122页
第4页 / 共122页
第5页 / 共122页
第6页 / 共122页
第7页 / 共122页
第8页 / 共122页
对比execel轻松学python数据分析-笔记.docx
对比Excel轻松学Python数据分析
前言
入门篇
目标
第1章数据分析基础
1.1数据分析是什么：
1.2为什么要做数据分析:
1.3数据分析在经营中有三大作用
1.4数据分析在分析什么
(1)总体概览指标:(统计绝对数)
(2)对比性指标：是说明现象之间数量对比关系的指标
(3)集中趋势指标：
(4)离散程度指标：
(5)相关性指标：
(6)相关关系和因果关系
1.5数据分析的常规流程
(1)熟悉工具:
(2)明确目的:首先明确分析的目的，希望得到什么
(3)获取数据:这准备工作:
1)需要什么指标
2)什么时间段的数
3)数据存在哪里
4)怎么提取，是自己SQL还是系统中
(4)熟悉数据
1)检查数据多少类型.
2)所需指标是否满足.
(5)处理数据:
1)异常:给合具体业务处理
2)重复：删除重复
3)缺失：比例高于30％，放弃指标，低于30％，填充0，均值、众数等
(6)分析数据：围绕着指标展开.并且经常采用的一个方法一--下钻
(7)得结论
(8)验证结论
(9)展示结论
1.6数据分析工具
实践篇
第2章熟悉锅——Python基础知识
2.1流程
2.2工具Jupyter Notebook
2.3基础语法
2.3.1 输出与输出格式设置format()
2.3.2注释
2.3.3容器 str/list/dict/tup
2.3.4运算符
2.3.5循环语句for/while
2.3.6条件语句if/else/elif
2.3.7函数
2.3.7高级特性 列表生成器/map()
2.3.7模块module import
第3章Pandas数据结构
3.1Series数据结构
3.1.1 Series是什么--[数据标签，数据]一维数组
3.1.2 创建一个Series---pd.Series(list/dict)
(1)列表--pd.Series(list)
(2)指定索引--pd.Series(list,inedx=[])
(3)传入一个字典pd.Series(dict)
3.1.3 利用index方法获取Series的索引----S_list.index
3.1.4 利用values方法获取Series的值----S_list.values
3.2DataFrame表格型数据结构
3.2.1 DataFrame是什么---表格型数据结构
3.2.2 创建一个DataFrame--pd.dataFrame(list,index,colum
(1)不指定行/列索引创建DataFrame
(2)指定行/列索引创建DataFrame--index(行名称)/columns(列名)
3.2.3 获取DataFrame的行、列索引---df.index/df.columns
3.2.4 获取DataFrame的值
Series数据结构
DataFrame表格型数据结构
第4章准备食材——获取数据源--pandas
4.1导入外部数据--pandas.read_x()
4.2新建数据--DataFrame新建数据
4.3熟悉数据
4.3.1 利用head预览前几行--df.head(n)--n无时默认5行
4.3.2 利用shape获取数据表的大小--df.shape
4.3.3 利用info获取数据类型---df.info()
4.3.4 利用describe获取数值分布情况--df.describe()
第5章淘米洗菜——数据预处理
5.1 缺失值处理
5.1.1 缺失值查看---df.info()/df.isnull()
5.1.2 缺失值删除--df.dropna(how=”all”)
5.1.3 缺失值填充df.fillna(0/{key1:value1,key2:value2})
5.2 重复值处理-- drop_duplicates(subset=[],keep=)
5.3 异常值的检测与处理
5.3.1 异常值检测
5.3.2 异常值处理
5.4 数据类型转换
5.4.1 数据类型—int/float/object/string_/unicode/dateti
5.4.2 类型转换—df[].dtype---df[].astype(string)
5.5 索引设置
5.5.1 为无索引表添加索引—df.columns=[],df.index=[]
5.5.2 重新设置索引—df.set_index()
5.5.3 重命名索引---df.rename(columns={},index={})
5.5.4 重置索引—df.reset_index()
第6章菜品挑选——数据选择
6.1 列选择----df[]/df.iloc[]
6.1.1 选择某一/几列--普通/位置索引---df[“col1”,”col2”]/df.iloc
6.1.2 选择连续的某几列--切片索引--df.iloc[0:15,0:3]
6.2 行选择--df.loc[]/df.iloc[]/df[df[“”]<100]
6.2.1 选择某一行/某几行---df.loc[“row”]/df.iloc[[1,2,3]]
6.2.2 选择连续的某几行---df.iloc[1:3]
6.2.3 选择满足条件的行---布尔索引--df[df[“产品ID”]<100]
6.3 行列同时选择
6.3.1 普通索引+普通索引选择指定的行和列—df.loc[[0,1,2],[“col1”,”co
6.3.2 位置索引+位置索引选择指定的行和列—df.iloc[[0,1,2],[1,2,3]]
6.3.3 布尔索引+普通索引选择指定的行和列—df[df[“col1”]<100][[“col2”
6.3.4 切片索引+切片索引选择指定的行和列—df.iloc[1:2,1:4]
6.3.5 切片索引+普通索引选择指定的行和列—df.ix[]这个方法没有找到
第7章切配菜品——数值操作
7.1 数值替换
7.1.1 一对一替换—df[“col”].replace(A,B)/df.replace(A,B)
7.1.2 多对一替换—df.replace([A,B],C)
7.1.3 多对多替换—df.replace({“A”:”a”,”B”:”b”})
7.2 数值排序
7.2.1 按照一列数值进行排序-- df.sort_values(by=["年龄"],ascend
7.2.2 按照有缺失值的列进行排序—df.sort_values(by=,na_position=
7.2.3 按照多列数值进行排序—df.sort_values(by=[col1,col2],asc
7.3 数值排名—df[col].rank(method=)
7.4 数值删除
7.4.1 删除列—df.drop([col]/df.columns[[0,1]]/columns=
7.4.2 删除行—df.drop([r1,r2]/index=[r1,r2]/df.index[[
7.4.3 删除特定行—df[df[“年龄”]<40]—选出与删除条件相反的数据形成新的集合
7.5 数值计数—df.value_counts()
7.6 唯一值获取—df[“col”].unique()
7.7 数值查找——df.isin ([])
7.8 区间切分—pd.cut(df[],num/bins=[])--pd.qcut(df[“col
7.9 插入新的行或列—df.insert(index,newcol,[row_value])/df
7.10 行列互换—df.T/df.T.T(还原)
7.11 索引重塑—df.stack()/df.stack().unstack()
7.12 长宽表转换
7.12.1 宽表转换为长表
1.stack()方法-- df_turn.set_index(["Company","Name"]).
2.melt()方法—df.melt(id_vars=,var_name=,value_name=)
7.12.2 长表转换为宽表—df.pivot_table(index=[],columns=,va
7.13 apply()与applymap()函数—df[].apply(lamda)/df.app
第8章开始烹调——数据运算
8.1 算术运算—+-*/
8.2 比较运算—>< != ==
8.3 汇总运算—count/sum/mean/max/min/median/mode/std/qu
8.3.1 count非空值计数
8.3.2 sum求和--语法同count
8.3.3 mean求均值--语法同count
8.3.4 max求最大值--语法同count
8.3.5 min求最小值--语法同count
8.3.6 median求中位数--语法同count
8.3.7 mode求众数--语法同count
8.3.8 var求方差--语法同count
8.3.9 std求标准差--语法同count
8.3.10 quantile求分位数-- df.quantile(0.25,axis=1)
8.4 相关性运算—df[col1].corr(df[col2])
第9章炒菜计时器——时间序列--datetime
9.1 获取当前时刻的时间
9.1.1 返回当前时刻的日期和时间--datetime.datetime.now()/dateti
9.1.2 分别返回当前时刻的年、月、日—nowtime.year/month/day
9.1.3 返回当前时刻的周数—time.weekay()+1/ time.isocalendar(
9.2 指定日期和时间的格式date/time/strftime
9.3 字符串和时间格式相互转换---str(time)/parse(str_time)
9.3.1 将时间格式转换为字符串格式—str(time)
9.3.2 将字符串格式转换为时间格式—parse(str_time)
9.4 时间索引
9.5 时间运算
9.5.1 两个时间之差
9.5.2 时间偏移
第10章菜品分类——数据分组/数据透视表--groupby/pivot_table
10.1 数据分组--groupby
10.1.1 分组键是列名—直接按照给的列名统计
10.1.2 分组键是Series—先按照Series分组，在统计-- df.groupby([df
10.1.3 神奇的aggregate方法-- df.groupby("客户分类").aggrega
10.1.4 对分组后的结果重置索引—df_aggregate2.reset_index()
10.2 数据透视表—pd.pivot_table()
第11章水果拼盘——多表拼接--oracle中的关联和union
11.1 表的横向拼接--oracle中的表关联
11.1.1 连接表的类型--1-1/n-1/n-n
(1)一对一--只有一个公共列--pd.merge(df1,df2)
(2)多对一--on=”col_name”
(3)多对多
11.1.2 连接键的类型
(1)默认以公共列作为连接键
(2)用on来指定连接键--on=”col_name”
(3)分别指定左右连接键--left_on="编号",right_on="序号"--oracle左右两边列
(4)把索引列当作连接键--将公共列设置成索引再用索引拼接
11.1.3 连接方式--inner/left/right/outer--oracle中的左右关联（
(1)内连接（inner）
(2)左连接（left）
(3)右连接（right）
(4)外连接（outer）
11.1.4 重复列名处理--col_x,col_y
11.2 表的纵向拼接
11.2.1 普通合并
11.2.2 索引设置
11.2.3 重叠数据合并--df.drop_duplicates()
第12章盛菜装盘——结果导出
12.1 导出为.xlsx文件-- df.to_excel(excel_writer, sheet_
12.2 导出为.csv文件—df.to_csv(path_or_buf, index, colum
12.3 将文件导出到多个Sheet—writer= pd.ExcelWriter
第13章菜品摆放——数据可视化--matplotlib
13.1 数据可视化是什么
13.2 数据可视化的基本流程
13.2.1 整理数据---明确要把哪些数据图表化
13.2.2 明确目的---明确要表达什么
13.2.3 寻找合适的表现形式---合适的表现形式
13.3 图表的基本组成元素
13.4 Excel与Python可视化
13.5 建立画布和坐标系
13.5.1建立画布
（1）导入matplotlib库以及基本设置
（2）建立画布
13.5.2建立坐标系
（1）add_subplot函数建立坐标系-----利用add_subplot函数建立坐标系时需要先
（2）plt.subplot2grid函数建立坐标系--------不需要先建立画布，只需要导入pl
（3）plt.subplot函数建立坐标系---与plt.subplot2grid函数类似
（4）plt.subplots函数建立坐标系---同时返回多个坐标系，相当于操作多维数组
（5）几种创建坐标系方法的区别
13.6设置坐标轴
13.6.1设置坐标轴的标题---xlabel、ylabel--- labelpad（距离）
13.6.2设置坐标轴的刻度---xticks、yticks----自定义显示不同刻度处的值
13.6.3设置坐标轴的范围---xlim，ylim---设置坐标轴的最大值和最小值
13.6.4 坐标轴的轴显示设置---axis---设置坐标轴显示/隐藏
13.7其他图表格式的设置
13.7.1网格线设置--grid--axis
13.7.2设置图例---plt.legend(),绘图时必须有label，loc参数修改图例位置
13.7.3图表标题设置---plt.title---loc设置其他
13.7.4设置数据标签---text---zip迭代显示
13.7.5图表注释--annotate
13.7.6 数据表---plt.table
13.8绘制常用图表
13.8.1绘制折线图--plt.plot(x,y)
13.8.2绘制柱形图--plt.bar(x,y,height)
（1）普通柱形图
（2）簇状柱形图
（3）堆积柱形图实例
13.8.3绘制条形图--plt.barh(y(y轴内容),width(x轴内容),height(条
13.8.4绘制散点图--plt.scatter(x,y,s(面积),c(颜色),marcher,线
13.8.5绘制气泡图--plt.scatter()
13.8.6绘制面积图--plt.stacklot(x,y,labels,colors)
13.8.7绘制树地图--squarify.plot(数据列表,图例标签,各个图例颜色,数据标签)
13.8.8绘制雷达图--plt.polar(角度，半径r*pi,color,marker,line
13.8.9绘制箱形图--plt.boxplot(x(箱形的数据),labels:数据的标签,ver
13.8.10绘制饼图---plt.pie(x数据,labels数据标签)
13.8.11绘制圆环图--plt.pie()
13.8.12绘制热力图--plt.imshow(x(矩阵),cmap(配色方案))
13.8.13绘制水平线和垂直线—plt.axhline(y,xmin,xmax)水平/plt.ax
13.9绘制组合图表
13.10绘制双坐标轴图表
13.10.1绘制双y轴图表—plt.twinx()在两个图形之间调用
13.10.2绘制双x轴图表—plt.twinx()
13.11绘图样式设置---plt.style.use(样式明名)
第14章 典型数据分析案例
14.1 利用Python实现报表自动化
14.1.1 为什么要进行报表自动化
14.1.2 什么样的报表适合自动化
14.1.3 如何实现报表自动化
14.2 自动发送电子邮件--smtplib(连接服务器)--email(设置邮件)
14.3 假如你是某连锁超市的数据分析师
14.4 假如你是某银行的数据分析师
第15章 NumPy数组
15.1 NumPy简介
15.2 NumPy数组的生成-----(一般/特殊类型/随机数组)
15.2.1 生成一般数组--np.array(list/dict/嵌套list)
15.2.2 生成特殊类型数组
(1) 生成固定范围的随机数组—arange(start,stop,step)—[start,sto
(2)生成指定形状全为0的数组—zeros(n/(row_num,col_num))
(3) 生成指定形状全为1的数组—ones(n/(row_num,col_num))
(4) 生成一个正方形单位矩阵—eye(n)
15.2.3 生成随机数组
(1)生成0-1之间随机数--np.random.rand(n/row_num,col_num)
(2) 生成正态分布的指定形状数组-- np.random.randn(n/row_num,col_
(3) 生成一定范围内的随机整数数组-- np.random.randint(low,high,si
(4)从已知数组中随机选取相应大小的数组--np.random.choice(num/list,si
(5)将原数组顺序打乱(洗牌)--np.random.shuffle(arr)
生成数组函数总结
15.3 NumPy数组的基本属性---(形状、大小、类型、维数)
15.4 NumPy数组的数据选取
15.4.1 一维数据选取--arr[index]/arr[inedx1,index2]/arr[a
15.4.2 多维数据选取----arr[0:1,3:5]--逗号隔开行列
15.5 NumPy数组的数据预处理
15.5.1 NumPy数组的类型转换--arr.astype(np.type)
15.5.2 NumPy数组的缺失值处理--np.isnan(arr)--arr[np.isnan(
15.5.3 NumPy数组的重复值处理--np.unique(arr)
15.6 NumPy数组重塑--arr_old.size=arr_new.size
15.6.1 一维数组重塑--arr.reshape(row_num,col_num)
15.6.2 多维数组重塑--reshape同上
15.6.3 数组转置-----arr.T
15.7 NumPy数组合并
15.7.1 横向合并--concatenate、hstack、column_stack
(1)concatenate方法---np.concatenate([arr1,arr2],axis=1)
(2)hstack方法--元组np.hstack((arr1,arr2))
(3)column_stack方法---元组np.column_stack((arr1,arr2))
15.7.2 纵向合并--concatenate、vstack、row_stack
(1)concatenate方法--np.concatenate([arr1,arr2],axis=0)
(2)vstack方法--元组np.vstack((arr1,arr2))
(3)row_stack方法---元组np.row_stack((arr1,arr2))
15.8 常用数据分析函数
15.8.1 元素级函数--np.abs(arr)------ abs/square/sqrt/lo
15.8.2 描述统计函数---arr.sum/mean/max(axis=0/1)
15.8.3 条件函数--np.where(condition,x,y)--条件真为x，假为y类似于
15.8.4 集合关系--含(np.inld(arr1,arr2))、交集(intersectld)
对比 Excel 轻松学 Python 数据分析
前言
1、 数据分析的常规流程：1、熟悉工具---2、明确目的---3、获取数据---4、熟悉数据---5、
处理数据---6、分析数据---7、得出结论---8、验证结论---9、展示结论
2、 数据分析一定是先有想法，然后考虑如何用工具实现，而不是刚开始就陷入记忆工具的
使用方法
入门篇
目标
1．对数据分析有一个宏观的认识
2．知道数据分析到底分析什么
3．为什么要做数据分析
4．做数据分析有什么好处
第 1 章数据分析基础
1.1 数据分析是什么：
数据分析是指 利用工具和统计学原理，对数据进行一定的预处理，然后结合具体业务
帮助业务部门监控、定位、分析、解决问题，提高决策和经营效率
1.2 为什么要做数据分析:
可以把隐藏在大量数据背后的信息提炼出来，总结出数据的内在规律
1.3 数据分析在经营中有三大作用
(1) 现状分析:过去发生了什么；
(2) 原因分析:某一现状为什么会存在；
(3) 预测分析:将来可能发生什么
1.4 数据分析在分析什么
(1) 总体概览指标:(统计绝对数)
是反映某一数据指标的整体规模大小，总量多少的指标
一般会把总体概览指标称为关键性指标，这些将直接决定公词的盈利情况
(2) 对比性指标：是说明现象之间数量对比关系的指标
常用的有:同比，环此，差这几个指标
同比:相邻时间段内某一共同时间点上指标的对比
环比:相邻时间段内的指标的对比
差:两个时间段内的指标直接做差
(3) 集中趋势指标：
是用来反映某一现象在一定时间段内所达到的一般水平，通常用平均指标来表示
平均指标：
1) 数值平均:所有值的平均结果
1 普通平均数:直接权重为 1.总数量
2 加权平均数：权重不为 1，需要乘以权重
2) 位置平均:特殊位置数或出现最多的数，
如中位数（中间位置），众数（次数最多）
中位数:(从小怪大排序.中间的就是中位数.偶数个时是中间两个数的
平均值)
众数:出现最多的数值(只有在总体内单位足够多时才有意义)
(4) 离散程度指标：
是用来表示总体分布的离散（波动）情况的指标，如果指标较大，则波动较大，
指标小，此较稳定
常用指标:全距(极差)、方差、标准差
1) 全距(极差)：定义：max-min(上界一下界)
1 问题：1.容易受异常值影响，2 只表示了数据宽度，没有上下界之间
的分布
2 解决办法：
A. 四分位数:从小到大排席，一分为四，最大的上四分位数，最小
为下四分位数，中间的四分位数为中位数
B. 引入方差和标准差
2) 方差：每个值 n 与均值 k 距离 的平方的平均值
kn
2
(
/2)
n
3) 标准差：方差的开方。值与均值距离的平均值
(5) 相关性指标：
(
kn
/2)
n
是整体内的变量之间存在的关系，反映这种关系的指标叫做相关系数，一般用 r 表
示
r(X,Y)=Cov(X,Y)/
[var
X
][
]
YVar
Cov(X,Y):是 X,Y 的协方差，X,Y 的相互关系的数字特征
Cov(X,Y)=E(X-EX)(Y_EY)
相关系数 r 的范围[-1,1]，r 的绝对值越大，表示相关性越强，r 的正负代表相关性
方向，正代表正相关，负代表负相关
1) 正相关：
1 X 增加 Y 增加，X 减小 Y 减小
2 Cov(X,Y)>0
3 原因：大部分在（1）（3）象限，小部分在（2）（4）象限，所以
E(X-EX)(Y_EY)>0
2) 负相关：
1 X 增加 Y 减小，X 减小 Y 增加
2 Cov(X,Y)<0
3 原因：大部分在（2）（4）象限，小部分在（1）（3）象限，所以
E(X-EX)(Y_EY)<0
3) 不相关
1 既不是 X 增加 Y 增加，也不是 X 增加 Y 减小
2 Cov(X,Y)=0
3 原因：（1）（2）（3）（4）象限一样多，所以 E(X-EX)(Y_EY)=0
(6) 相关关系和因果关系
相关!=因果，相关代表有关联，因果代表因果存在
1.5 数据分析的常规流程
(1) 熟悉工具:
(2) 明确目的:首先明确分析的目的，希望得到什么
(3) 获取数据:这准备工作:
1) 需要什么指标
2) 什么时间段的数
3) 数据存在哪里
4) 怎么提取，是自己 SQL 还是系统中
(4) 熟悉数据
1) 检查数据多少类型.
2) 所需指标是否满足.
(5) 处理数据:
1) 异常:给合具体业务处理
2) 重复：删除重复
3) 缺失：比例高于 30％，放弃指标，低于 30％，填充 0，均值、众数
等
(6) 分析数据：围绕着指标展开.并且经常采用的一个方法一--下钻
(7) 得结论
(8) 验证结论
(9) 展示结论
1.6 数据分析工具
(1) 导入数据 【Excel】中；【数据】--【获取外部数据】
【Python】中；格式不同，代码不同
.csv 文件：data=pd.read_csv(filepath,encoding=”gbk”)
Pd.read_excel,pd.read_table(txt)
数据库：pd.read_sql(“select * from test”,con)
实践篇
第 2 章熟悉锅——Python 基础知识
2.1 流程
Python 基础--->获取数据源--->数据预处理---->数据筛选---->数值操作---->数据运算
---->时间序列----->数据分组----->多表拼接---->结果导出
2.2 工具 Jupyter Notebook
(1) 右上角[new]----[Python 3]----创建文件（txt 也行）
(2) 输入框中：print(“hello world”)--[Run]/Ctrl+Enter
左上角[+]增加新代码
(3) 保存：
1)
File---->Save and Checkpoint（默认路径）
2) Download as （另存为）
(4) 导入本地 Jupyter Notebook 文件
Ipynb 文件导入 [Upload]按钮
(5)
Jupyter Notebook 与 Markdown（可以用于分析）
1) 默认为 code 模式，用于编程
2) 切换为 Markdown 模式
1 代码框变成文本框，支持 Markdown 语法
2 做分析时，可以利用 Markdown 写下分析结果
(6) 为 Jupyter Notebook 添加目录
目录不自带，需要手动安装
1) Windows+R 输入 Anaconda Promp 打开
2) 输入 pip
install
jupyter_contrib_nbextensions-------------Enter
3)
y/n----y----Enter-----Successfully installed
4) 输入 jupyter contrib nbextension install -----user-----Enter 配置用户
5) 打开 Jupyter Notebook -----[Nbextensions]-----勾选[Table of Contens(2)]
6) 打开一个已经有的目录的 ipynb 文件：右上角方框按钮文件夹显示
(7) 创建带有目录的文件
1) 代码框格式----Heading
2) 直接输入不同级别标题 #代表级 个数代表第几级
# 一级
##二级
###三级
3) 运行上述代码块
2.3 基础语法
2.3.1 输出与输出格式设置 format()
类型
实例
备注
字符串 str
print(‘我正在学习:{}’.format(‘Python 基础’))
{}是通配符
print(‘我正在学习:{}中的{}’.format(‘Python’,’基础知识’))
str.format()
浮点.2f
print(“{}约{:.2f}亿”.format(“2018 年中国单身青年人数”,2))
.2f,.3f（两位三位小数）
百分比%
print(“中国男性占总人口比例：{:.2%}”.format(0.519))
.2f%百分比形式展 示，2
-------51.90%
位小数
2.3.2 注释
#单行注释
3 对单引号或者双引号
‘“”’ 多行注释 “““”””
2.3.3 容器 str/list/dict/tup
名称
表示方法
方法
备注
字符串 str
单引号/双引号
1、连接：’A’+’B’----’AB’
2、复制：’A’*3-----’AAA’
3、长度：len(‘A’)------1
4、查找：（1）’A’in（not in）‘ABC’----True/False
（2）’ABC’.find(‘D’)----
-1(找不到)
（3）‘ABC’.find(‘A’)-----
0（找到）
5、索引（从 0 开始）a=’ABCDEFG’
（1）a[0]--’A’---------直接用 0 位置索引
（2）a[1:3]--’BCD’--- 使用位置索引切片
（3）a[:3]----’ABCD’--省略首 代表从 0 起
（4）a[3:]-----’EFG’---省略尾是到结束
（5）a[-1]------’G’---可以使用负索引，从第一个
开始
6、分隔：str.split(‘,’)-------字符串列表
“ABCD,EF,G”.split(“,”)-----[‘ABCD’,’EF’,’G’]
7、移除：str.strip(‘,’)------字符串
（1）默认移除首尾空格或换行符
“
a
”.strip()----’a’
（2）指定字符串
“ABCDABCD”.strip(“A”)------’BCDBCD’
列表 list
list=[1,2,3]
1、概念：[]括号，元素中为逗号，可变数据类型，
可以使用的类型 int，str，int+str
2、新建 list：int_str_list=[1,2,”A”,”B”]
3、复制 list：同 str
int_list*2----[1,2,3,1,2,3]
4、合并 list
（1）直接用+，有前后顺序
（2）int_list.extend(str_list)-------int_list + str_list
5、增加元素：append()和 insert()
（1）int_list.append(4)-----[1,2,3,4]--------在队尾增加
（2）int_list.insert(2,4)-----[1,2,4,3]--------在索引 2 位
置增加 4
6、元素计数 count()
int_list.count(1)------- 1
7、元素位置（索引），获得某一个元素的位置（即
索引）
Int_list.index(2)------- 1 表示 2 在列表中的索引是
2，是第 2 个元素
8、根据位置（索引）获得值
（1）普通索引 int_list[0]------1
（2）切片索引 int_list[ :2]-----[1,2,3]
Int_list[1:2]----[2,3]
9、删除元素 pop()和 remove()
（1）str_list.pop(1) --[‘A’,’C’] pop()根据索引位置删
除
（2）str_list.remove(‘B’)--[‘A’,’C’] --remove()根据元
素删除指定元素
10、元素排序 sort() 默认升序
S=[1,3,2,5,4]
S.sort()------[1,2,3,4,5]
字典 dict（类似 map） dict={“ 张 三”:90,”
1、概念：key--value 结构，key 唯一；使用{}表示
李四”:91}
dict={key1:value1,key2:value2}
2、新建 dict：
（1）先创建空，在添加值
dict={} dict[“张三”]=90 dict[“李四”]=91
（2）直接使用 key-value 创建
dict={“张三”:90,”李四”:91}
（3）用列表(list)转成元组(tup)再转成字典(dict)
tup=([“张三”,90],[“李四”,91])
dict=dict(tup)
3、字典的 keys(),values(),items()
（1）keys()：获得所有的 key 返回到元组 tup 中
dict.keys()------key_tup([‘张三’,’李四’])
（2）values()：获得所有的 value 返回到元组 tup 中
dict.values()------value_tup([90,91])
（3）items()：获得所有的 key-value 对返回到元组
tup 中
dict.items()-------item_tup([(‘张三’,90),(‘李四’,91)] )
元组 tup
tup=(1,2,3)
1、概念：元素不可更改；使用小括号，元素之间用
逗号
相关推荐
2023年江西萍乡中考道德与法治真题及答案.doc
2012年重庆南川中考生物真题及答案.doc
2013年江西师范大学地理学综合及文艺理论基础考研真题.doc
2020年四川甘孜小升初语文真题及答案I卷.doc
2020年注册岩土工程师专业基础考试真题及答案.doc
2023-2024学年福建省厦门市九年级上学期数学月考试题及答案.doc
2021-2022学年辽宁省沈阳市大东区九年级上学期语文期末试题及答案.doc
2022-2023学年北京东城区初三第一学期物理期末试卷及答案.doc
2018上半年江西教师资格初中地理学科知识与教学能力真题及答案.doc
2012年河北国家公务员申论考试真题及答案-省级.doc
2020-2021学年江苏省扬州市江都区邵樊片九年级上学期数学第一次质量检测试题及答案.doc
2022下半年黑龙江教师资格证中学综合素质真题及答案.doc
