一 导学

数据科学工作流（IOSEMN）：

1. Inquire（调查）
2. Obtain（获取，python）
3. Scrub（清洗，numpy、pandas）
4. Explore（探索，matplotlib）
5. Model（模型，TensorFlow、scikit-learn）
6. iNterpret（展示，boken）

使用工具，anaconda平台和jupyter-notebook编译器

数据科学领域5个高效python库：

1.numpy

• N维数组（矩阵），快速高效，矢量运算
• 高效Index，无需循环
• 开源免费跨平台，速度媲美C/MATLAB

2.scipy

• 依赖于numpy
• 专为科学与工程设计
• 实现了多种常用科学计算：线性代数，傅里叶变换，信号和图像处理

3.pandas

• 结构化数据分析利器（依赖于numpy）
• 提供多种高级数据结构（Datafram，Time-Series，Panel）
• 强大的数据索引和处理能力

4.matplotlib

• python 2D 绘图领域使用最广泛套件
• 基本可以取代matlib的绘图功能（散点、曲线、柱形）
• 通过mplot3d可以绘制精美的3D图

5.scikit-learn

• 机器学习的python模块
• 建立在scipy之上，提供了常用机器学习算法：聚类、回归
• 简单易学的API接口

二 numpy

1.矩阵运算回顾

矩阵概念回顾：

• 矩阵：二维数组，向量和标量都是矩阵的特例
• 向量：1xn或者nx1的矩阵
• 标量：1x1的矩阵
• 数组：N维数组，是矩阵的延伸

特殊矩阵：

• 全为0或者全为1的矩阵
• 单位矩阵（对角线为1的n阶方阵）

矩阵加减运算

• 要有相同的行列数
• 对应位置相加减

数组乘法（点乘）

• 对应元素相乘

矩阵乘法

• 行与列对应相乘并求和

2.Array的创建和访问

3.数组与矩阵运算

4.Array的input和output