系列文章

Python数据分析之理论知识
也是比较理论类的知识点，可以看看

一、判断题

副本与视图是使用原数组数据的两种方式。副本产生的数据在内存单独开辟新空间，视图指向的数据与原数组对象属于一个内存空间。（√）
sdecimal()方法仅用于判断字符串中的单个字符是否是十进制数，isdigit()判断十进制、二进制、全角数字是否是数字，（√）
isnumeric(）判断十进制、全角数字、汉字数字是否是数字。（√）
Matplotlib绘制的图都是由二维坐标、三维坐标点构成。（√）
Rectangle()、 Circle()、Ellipse()等函数提供了plot()相似的绘图参数设置功能，如颜色、线形、图标等。（√）
因Jupyter Notebook本身的缺陷，用代码演示三维动画，建议用GUI界面的代码调试工具。（√）
插值要求曲线通过所有样本点，拟合是逼近样本点（√）
优化（Optimize），在计算机算法领域，优化往往是指通过算法得到要求问题的更优解。拟合是优化的方法之一。（√）
Series是一维带标签（Label）的类似数组对象，能够保存Python所支持类型的值，如整数、字符串、浮点数、布尔及Python对象等。（√）
对于加法、减法、乘法、除法、取整、取余、对数、幂等运算，可以把DataFrame看作一个运算数据对象。（√）
利用to_clipboard()实现指定数据复制后，粘贴时有可能会发生数据丢失的问题，需要第一时间处理数据。（√）
对DataFrame对象进行合并或连接，仅用于数据的横向合并或连接。（√）
concat()通过axis参数的设置可以实现两DataFrame对象的横向或竖向的合并。（√）
Timedelta是datetime的一个子类用于提供时间增量计算功能，其提供增量时间值时，必须在参数里指定增量时间单位。（√）
SVC全称C-Support Vector Classification（C-支持向量分类），通过样本数据间的间隔（距离）计算对数据进行分类。（√）
错的判断题就不弄了，容易记住错的，然后做错

二、填空题

人自然智能、人工智能、机器学习、深度学习之间的关系，它们是（包含）关系，同时是（部分继承）关系。
人自然智能、人工智能、机器学习、深度学习的英文缩写分别是（NI）、（AI）、（ML）、（DL）。
本书将要学习的Python六大第三方库是（Jupyter）、（Numpy）、（Scipy）、（Pandas）、（Scikit-learn）、（Matplotlib）。
基于Python语言的第三方库支持（Windows）、（Linux）、（Mac）操作系统下的使用。
数据处理流程从项目角度，它涉及（产生）、（获取）、（规整）、（分析）、（应用）、（反馈**）**六大环节。
Jupyter Notebook是广受科学家、数据工程师、人工智能工程师喜欢的一款（探索）式的代码调试及数据处理工具。
新建最新版本的Python代码文件，需要先选择（Python3）内核。
在Jupyter Notebook上运行代码可以通过点（运行）快捷按钮或直接在单元格里输入（Shift+Enter）快命令来执行。
若想知道代码开发文件存放的具体位置，可以用（%pwd）魔法命令。
（lower()）方法实现字符串里英文字母的小写化，（upper()）方法实现字符串里英文字母的大写化。
（figure）是绘图框架——画板，（axes）是绘图区域——画纸，（plot()）是画笔。
.Matplotlib支持（直角）坐标系、（极）坐标系。
Matplotlib提供了（text()）、（arrow()）、（annotate()）三种常见的标注方法。
（Figure()）可以指定多绘图框架，（subplot()）可以指定多绘图区域。
在三维空间可以用（scatter()）绘制散点，用（plot3D）绘制线，用（plot_surface）绘制三维上的一个平面。
Matplotlib库工程化主体通过（Web）项目、（GUI）项目两种方式的结合来实现。
带索引的一维数据对象用（Series()）创建，带索引的二维数据对象用（DataFrame()）创建。
对DataFrame的数据修改可以通过（iloc）属性、用（Series）值修改指定列值、用（where()）方法修改符合条件的数据。
在Pandas里缺失数据用（NaT）、（NaN）、（nan）等来表示。
Pandas为不同DataFrame对象的合并，提供了merge()函数，其合并方法为（left）、（right）、（outer）、（inner）
Scikit-learn库所提供的模型采用的统一的使用方法，（fit()）方法用于训练模型，（predict()）方法用于预测模型、（score()）方法用于预测准确度的评分。