本資源由我翻譯陷寝，原文位于https://ipgp.github.io/scientific_python_cheat_sheet/夺蛇，可以點擊此處下載原文高清圖打印學(xué)習(xí)和備查使用妒御。
本人英文和術(shù)語理解有限讯榕，有些地方翻譯未必準(zhǔn)確，歡迎大家于下方留言家淤，進(jìn)行解讀和更正。
目錄
純python
類型
a = 2 # 整數(shù)
b = 5.0 # 浮點數(shù)
c = 8.3e5 # 指數(shù)
d = 1.5 + 0.5j # 浮點數(shù)
e = 4 > 5 # 布爾值
f = 'word' # 字符串
列表
a = ['red', 'blue', 'green'] # 手動初始化
b = list(range(5)) # 通過迭代初始化
c = [nu**2 for nu in b] # 列表推導(dǎo)式
d = [nu**2 for nu in b if nu < 3] # 條件列表推導(dǎo)式
e = c[0] # 訪問元素
f = c[1:2] # 切片
g = c[-1] # 訪問最后一個元素
h = ['re', 'bl'] + ['gr'] # 列表粘連
i = ['re'] * 5 # 重復(fù)列表
['re', 'bl'].index('re') # 返回're'索引
a.append('yellow') # 添加新元素到列表尾部
a.extend(b) # 添加列表b的元素到a的尾部
a.insert(1, 'yellow') # 插入元素到特定位置
're' in ['re', 'bl'] # 如果're'在列表中歹苦，返回true
'fi' not in ['re', 'bl'] # 如果'fi'不在列表中青伤，返回true
sorted([3, 2, 1]) # 返回排好序的列表
a.pop(2) # 移除和返回索引處的元素（默認(rèn)最后一個）
字典
a = {'red': 'rouge', 'blue': 'bleu'} # 字典
b = a['red'] # 翻譯（索引）條目
'red' in a # 如果字典包含'red'鍵，返回true
c = [value for key, value in a.items()] # 字典條目循環(huán)
d = a.get('yellow', 'no translation found') # 返回默認(rèn)值
a.setdefault('extra', []).append('cyan') # 使用默認(rèn)值初始化鍵
a.update({'green': 'vert', 'brown': 'brun'}) # 通過其他數(shù)據(jù)更新字典
a.keys() # 獲取鍵的列表
a.values() # 獲取值的列表
a.items() # 獲取鍵值對列表
del a['red'] # 刪除鍵和相關(guān)聯(lián)的值
a.pop('blue') # 移除指定的鍵并返回對應(yīng)的值
集合
a = {1, 2, 3} # 手動初始化
b = set(range(5)) # 通過迭代初始化
a.add(13) # 添加新元素到集合
a.discard(13) # 從集合中丟棄元素
a.update([21, 22, 23]) # 從迭代變量中更新集合
a.pop() # 移除和返回任意的集合元素
2 in {1, 2, 3} # 如果2在集合中殴瘦，返回true
5 not in {1, 2, 3} # 如果5不在集合中狠角，返回true
a.issubset(b) # 檢測是否a中每一個元素都在b里
a <= b # issubset的操作符形式
a.issuperset(b) # 檢測是否b中的每個元素都在a里
a >= b # issuperset的操作符形式
a.intersection(b) # 返回兩個集合的交集
a.difference(b) # 返回兩個或多個集合的差集
a - b # difference的操作符形式
a.symmetric_difference(b) # 返回對稱差集
a.union(b) # 返回并集
c = frozenset() # 不可變集合
字符串
a = 'red' # 賦值
char = a[2] # 獲取單個字符
'red ' + 'blue' # 字符聯(lián)接
'1, 2, three'.split(',') # 將字符分割為列表
'.'.join(['1', '2', 'three']) # 將列表聯(lián)接為字符
操作符
a = 2 # 賦值
a += 1 (*=, /=) # 改變和賦值
3 + 2 # 加法
3 / 2 # 整數(shù)(python2) 或者 浮點數(shù)(python3)除法
3 // 2 # 整除
3 * 2 # 乘法
3 ** 2 # 指數(shù)
3 % 2 # 求余
abs(a) # 絕對值
1 == 1 # 相等
2 > 1 # 大于
2 < 1 # 小于
1 != 2 # 不等
1 != 2 and 2 < 3 # 邏輯與
1 != 2 or 2 < 3 # 邏輯或
not 1 == 2 # 邏輯非
'a' in b # 檢測是否'a'在b中
a is b # 檢測是否對象映射到相同的內(nèi)存(id)
控制流
# if/elif/else
a, b = 1, 2
if a + b == 3:
print('True')
elif a + b == 1:
print('False')
else:
print('?')
# for
a = ['red', 'blue', 'green']
for color in a:
print(color)
# while
number = 1
while number < 10:
print(number)
number += 1
# break
number = 1
while True:
print(number)
number += 1
if number > 10:
break
# continue
for i in range(20):
if i % 2 == 0:
continue
print(i)
函數(shù)、類蚪腋、生成器和修飾器
# 函數(shù)將代碼語句分類并返回一個派生值
def myfunc(a1, a2):
return a1 + a2
x = myfunc(a1, a2)
# 類將屬性（數(shù)據(jù)）和關(guān)聯(lián)的方法（函數(shù)）進(jìn)行分類
class Point(object):
def __init__(self, x):
self.x = x
def __call__(self):
print(self.x)
x = Point(3)
# 生成器不用一次性創(chuàng)建所有值來進(jìn)行迭代
def firstn(n):
num = 0
while num < n:
yield num
num += 1
x = [i for i in firstn(10)]
# 修飾器可以用來修飾函數(shù)的行為
class myDecorator(object):
def __init__(self, f):
self.f = f
def __call__(self):
print("call")
self.f()
@myDecorator
def my_funct():
print('func')
my_funct()
IPython
控制臺
<object>? # 關(guān)于變量的信息
<object>.<TAB> # tab補(bǔ)全
# 運行腳本 / profile / debug
%run myscript.py
%timeit range(1000) # 測量語句運行時間
%run -t myscript.py # 測量腳本執(zhí)行時間
%prun <statement> # 使用profiler執(zhí)行語句
%prun -s <key> <statement> # 通過鍵排序丰歌，例如 "cumulative" or "calls"
%run -p myfile.py # profile腳本
%run -d myscript.py # 以調(diào)試模式運行腳本
%debug # 遇到意外后跳轉(zhuǎn)到調(diào)試器
%pdb # 遇到意外自動運行調(diào)試器
# 檢查歷史
%history
%history ~1/1-5 # 最后線程1-5行
# 運行shell命令
!make # 使用"!"前綴
# 清除命名空間
%reset
# 運行剪貼板代碼
%paste
調(diào)試器
n # 執(zhí)行下一行
b 42 # 在主文件42行設(shè)定斷點
b myfile.py:42 # 在'myfile.py'第42行設(shè)定斷點
c # 繼續(xù)執(zhí)行
l # 顯示代碼中當(dāng)前位置
p data # 打印'data'變量
pp data # 以美觀的方式打印'data'變量
s # 步入子程序
a # 打印函數(shù)收到的參數(shù)
pp locals() # 顯示所有的局部變量
pp globals() # 顯示所有的全局變量
命令行
ipython --pdb -- myscript.py argument1 --option1 # 遇到意外后進(jìn)入調(diào)試
ipython -i -- myscript.py argument1 --option1 # 完成后進(jìn)入控制臺
NumPy (import numpy as np)
數(shù)組初始化
np.array([2, 3, 4]) # 直接初始化
np.empty(20, dtype=np.float32) # 大小為20的單精度數(shù)組
np.zeros(200) # 初始化200個0
np.ones((3,3), dtype=np.int32) # 3 x 3的全1整數(shù)矩陣
np.eye(200) # 對角矩陣
np.zeros_like(a) # 與a大小一樣的全0矩陣
np.linspace(0., 10., 100) # 0到10,100個等分點
np.arange(0, 100, 2) # 步長為2，從0到<100
np.logspace(-5, 2, 100) # 從1e-5 -> 1e2的100個對數(shù)間隔值
np.copy(a) # 拷貝數(shù)組到新的內(nèi)存
索引
a = np.arange(100) # 用0 - 99初始化
a[:3] = 0 # 設(shè)置第一個到第3個為0
a[2:5] = 1 # 設(shè)置索引2-4為0
a[:-3] = 2 # 設(shè)置除了最后三個的其他所有值為2
a[start:stop:step] # 索引/切片的通用形式
a[None, :] # 轉(zhuǎn)換為列向量
a[[1, 1, 3, 8]] # 使用索引值返回數(shù)組
a = a.reshape(10, 10) # 轉(zhuǎn)換為10 x 10 矩陣
a.T # 返回矩陣的倒置
b = np.transpose(a, (1, 0)) # 調(diào)換矩陣到新的軸序
a[a < 2] # 返回元素對（向量）滿足條件的值
數(shù)組屬性和操作
a.shape # 一個包含每個軸長度的元組
len(a) # 0軸的長度
a.ndim # 維度(axes)數(shù)目
a.sort(axis=1) # 按軸對數(shù)組排序
a.flatten() # 塌縮數(shù)組到1維
a.conj() # 返回共軛復(fù)數(shù)
a.astype(np.int16) # 投射為整數(shù)
a.tolist() # 轉(zhuǎn)換（可能多維矩陣）為列表
np.argmax(a, axis=1) # 返回給定軸次最大值的索引
np.cumsum(a) # 返回累積和
np.any(a) # 如果任意值為True屉凯，返回True
np.all(a) # 如果所有值為True立帖，返回True
np.argsort(a, axis=1) # 返回按軸排序的索引數(shù)組
np.where(cond) # 返回cond（條件）為True處的索引
np.where(cond, x, y) # 返回滿足條件的元素
布爾數(shù)組
a < 2 # 返回布爾值數(shù)組
(a < 2) & (b > 10) # 元素對邏輯與
(a < 2) | (b > 10) # 元素對邏輯或
~a # 邏輯矩陣的反（非）
元素對操作與數(shù)學(xué)函數(shù)
a * 5 # 用標(biāo)度乘
a + 5 # 用標(biāo)度加
a + b # 與數(shù)組b相加
a / b # 與數(shù)組b相除 (如果除以0，返回np.NaN)
np.exp(a) # 指數(shù) (復(fù)數(shù)與實數(shù))
np.power(a, b) # a的b次冪
np.sin(a) # sine函數(shù)
np.cos(a) # cosine函數(shù)
np.arctan2(a, b) # arctan(a/b)函數(shù)
np.arcsin(a) # arcsin函數(shù)
np.radians(a) # 度到弧度
np.degrees(a) # 弧度到度
np.var(a) # 數(shù)組的方差
np.std(a, axis=1) # 數(shù)組的標(biāo)準(zhǔn)差
內(nèi) 外積
np.dot(a, b) # 內(nèi)積: a_mi b_in
np.einsum('ij,kj->ik', a, b) # 愛因斯坦求和約定
np.sum(a, axis=1) # 軸1求和
np.abs(a) # 返回絕對值
a[None, :] + b[:, None] # 外部和
a[None, :] * b[:, None] # 外積
np.outer(a, b) # 外積
np.sum(a * a.T) # 矩陣標(biāo)準(zhǔn)化
線性代數(shù) 矩陣數(shù)學(xué)
evals, evecs = np.linalg.eig(a) # 尋找特征值與特征向量
evals, evecs = np.linalg.eigh(a) # 厄爾米特矩陣np.linalg.eig
讀 寫文件
np.loadtxt(fname/fobject, skiprows=2, delimiter=',') # 讀ascii數(shù)據(jù)文件
np.savetxt(fname/fobject, array, fmt='%.5f') # 寫ascii數(shù)據(jù)文件
np.fromfile(fname/fobject, dtype=np.float32, count=5) # 讀二進(jìn)制數(shù)據(jù)文件
np.tofile(fname/fobject) # 寫二進(jìn)制數(shù)據(jù)文件
np.save(fname/fobject, array) # 保存為numpy 二進(jìn)制文件(.npy)
np.load(fname/fobject, mmap_mode='c') # 導(dǎo)入.npy文件
插值悠砚、積分與優(yōu)化
np.trapz(a, x=x, axis=1) # 沿軸1積分
np.interp(x, xp, yp) # 在x點的插值函數(shù)xp, yp
np.linalg.lstsq(a, b) # 用最小二乘法求解a x = b
fft
np.fft.fft(a) # a的復(fù)數(shù)傅里葉變換
f = np.fft.fftfreq(len(a)) # fft頻率
np.fft.fftshift(f) # 將頻率0移到中間
np.fft.rfft(a) # a的實數(shù)傅里葉變換
np.fft.rfftfreq(len(a)) # 實數(shù)傅里葉變換頻率
舍入
np.ceil(a) # 向上取整
np.floor(a) # 向下取整
np.round(a) # 臨近取整
隨機(jī)變量
from np.random import normal, seed, rand, uniform, randint
normal(loc=0, scale=2, size=100) # 100個正態(tài)分布數(shù)據(jù)點
seed(23032) # 設(shè)定種子數(shù)
rand(200) # [0, 1)區(qū)間200個隨機(jī)數(shù)
uniform(1, 30, 200) # [1, 30) 200個隨機(jī)數(shù)
randint(1, 16, 300) # [1, 16) 200個隨機(jī)整數(shù)
Matplotlib (import matplotlib.pyplot as plt)
圖形與軸
fig = plt.figure(figsize=(5, 2)) # 初始化圖
fig.savefig('out.png') # 保存png圖像
fig, axes = plt.subplots(5, 2, figsize=(5, 5)) # 繪制子圖
ax = fig.add_subplot(3, 2, 2) # 添加子圖到
ax = plt.subplot2grid((2, 2), (0, 0), colspan=2) # 多個軸
ax = fig.add_axes([left, bottom, width, height]) # 添加自定義軸
圖像與軸屬性
fig.suptitle('title') # 大的圖標(biāo)題
fig.subplots_adjust(bottom=0.1, right=0.8, top=0.9, wspace=0.2,
hspace=0.5) # 調(diào)整子圖位置
fig.tight_layout(pad=0.1, h_pad=0.5, w_pad=0.5,
rect=None) # 調(diào)整子圖
ax.set_xlabel('xbla') # 設(shè)置 xlabel
ax.set_ylabel('ybla') # 設(shè)置 ylabel
ax.set_xlim(1, 2) # 設(shè)置 x limits
ax.set_ylim(3, 4) # 設(shè)置 y limits
ax.set_title('blabla') # 設(shè)置軸標(biāo)題
ax.set(xlabel='bla') # 一次性設(shè)置多個參數(shù)
ax.legend(loc='upper center') # 激活圖例
ax.grid(True, which='both') # 激活網(wǎng)格
bbox = ax.get_position() # 返回軸邊界框
bbox.x0 + bbox.width # 邊界框參數(shù)
繪制常規(guī)圖
ax.plot(x,y, '-o', c='red', lw=2, label='bla') # 線圖
ax.scatter(x,y, s=20, c=color) # 點圖
ax.pcolormesh(xx, yy, zz, shading='gouraud') # fast colormesh
ax.colormesh(xx, yy, zz, norm=norm) # slower colormesh
ax.contour(xx, yy, zz, cmap='jet') # 彩線
ax.contourf(xx, yy, zz, vmin=2, vmax=4) # 顏色填充
n, bins, patch = ax.hist(x, 50) # 直方圖
ax.imshow(matrix, origin='lower',
extent=(x1, x2, y1, y2)) # 展示圖形
ax.specgram(y, FS=0.1, noverlap=128,
scale='linear') # 繪制頻譜圖
ax.text(x, y, string, fontsize=12, color='m') # 添加文字
Scipy (import scipy as sci)
插值
# 在索引位置插入數(shù)據(jù)：
from scipy.ndimage import map_coordinates
pts_new = map_coordinates(data, float_indices, order=3)
# 簡單1維插值
from scipy.interpolate import interp1d
interpolator = interp1d(x, y, axis=2, fill_value=0., bounds_error=False)
y_new = interpolator(x_new)
積分
from scipy.integrate import quad # python中的定積分
value = quad(func, low_lim, up_lim) # 函數(shù)/方法
線性代數(shù)
from scipy import linalg
evals, evecs = linalg.eig(a) # 尋找特征值和特征向量
evals, evecs = linalg.eigh(a) # hermitian的求解函數(shù)
b = linalg.expm(a) # 矩陣指數(shù)
c = linalg.logm(a) # 矩陣對數(shù)
Pandas (import pandas as pd)
數(shù)據(jù)結(jié)構(gòu)
s = pd.Series(np.random.rand(1000), index=range(1000)) # 序列
index = pd.date_range("13/06/2016", periods=1000) # 時間索引
df = pd.DataFrame(np.zeros((1000, 3)), index=index,
columns=["A", "B", "C"]) # DataFrame（數(shù)據(jù)框）
DataFrame
df = pd.read_csv("filename.csv") # 讀和導(dǎo)入CSV文件到一個DataFrame
raw = df.values # 獲取DataFrame對象原始數(shù)據(jù)
cols = df.columns # 獲取列名的列表
df.dtype # 獲取所有列的數(shù)據(jù)類型
df.head(5) # 獲取頭5行
df.describe() # 獲取基本統(tǒng)計信息
df.index # 獲取列范圍索引
# 列切片
# (.loc[] 和 .ix[]都內(nèi)含所選擇的值)
df.col_name # 通過列名選擇列值作為序列
df[['col_name']] # 通過列名選擇列值作為DataFrame
df.loc[:, 'col_name'] # 通過列名選擇列值作為序列
df.loc[:, ['col_name']] # 通過列名選擇列值作為DataFrame
df.iloc[:, 0] # 通過列索引選擇
df.iloc[:, [0]] # 通過列索引選擇晓勇，但不作為DataFrame
df.ix[:, 'col_name'] # 用列名的混合方法
df.ix[:, 0] # 用列索引的混合方法
# 行切片
print(df[:2]) # 打印dataframe前兩行
df.iloc[0:2, :] # 選擇dataframe的頭2行
df.loc[0:2,'col_name'] # 選擇dataframe的頭3行
df.loc[0:2, ['col_name1', 'col_name3', 'col_name6']] # 選擇dataframe的頭3行與根據(jù)列名選擇3列
df.loc[0:2,0:2] # 選擇頭3行，頭3列
# 同樣，.loc[] 和 .ix[]都內(nèi)含所選擇的值
# Dicin
df[ df.col_name < 7 ] # 選擇符合col_name < 7的所有行
df[ (df.col_name1 < 7) & (df.col_name2 == 0) ] # 用按位操作符結(jié)合多個邏輯條件
# 標(biāo)準(zhǔn)的Python布爾操作符不能在這里使用(and, or) cannot be used here.
# 確保將每個條件封裝在括號中以使其工作绑咱。
df[df.recency < 7] = -100 # 切片賦值
