python速查

1. 超實用！Github上標星36k+ python數據科學速查表都在這了

文末驚喜，記得看完哦。

完整版

獲取方式：

文末驚喜，記得看完哦。

完整版

獲取方式：

2. 如何用Python進行數據分析除了動物書，這二十張表也能幫到你

《用Python進行數據分析第一版》 ：

《用Python進行數據分析第二版》

這里分享一份由 DataCamp大佬 整理的Python科學速查表。

英文版

中文翻譯版：

一共二十餘份的內容，足以讓你的學習生涯變得輕松幾分。

3. 如何速查python2和3的語法區別

Python2與Python3的區別
1.性能
Py3.0運行 pystone benchmark的速度比Py2.5慢30%。Guido認為Py3.0有極大的優化空間，在字元串和整形操作上可
以取得很好的優化結果。
Py3.1性能比Py2.5慢15%，還有很大的提升空間。
2.編碼
Py3.X源碼文件默認使用utf-8編碼，這就使得以下代碼是合法的：
>>> 中國 = 'china'
>>>print(中國)
china
3. 語法
1）去除了<>，全部改用!=
2）去除``，全部改用repr()
3）關鍵詞加入as 和with，還有True,False,None
4）整型除法返回浮點數，要得到整型結果，請使用//
5）加入nonlocal語句。使用noclocal x可以直接指派外圍（非全局）變數
6）去除print語句，加入print()函數實現相同的功能。同樣的還有 exec語句，已經改為exec()函數
例如：
2.X: print "The answer is", 2*2
3.X: print("The answer is", 2*2)
2.X: print x, # 使用逗號結尾禁止換行
3.X: print(x, end=" ") # 使用空格代替換行
2.X: print # 輸出新行
3.X: print() # 輸出新行
2.X: print >>sys.stderr, "fatal error"
3.X: print("fatal error", file=sys.stderr)
2.X: print (x, y)
# 輸出repr((x, y))
3.X: print((x, y)) # 不同於print(x, y)!

4. 入門Boo語言，已有Python基礎，如何入門

假設你希望學習Python這門語言，卻苦於找不到一個簡短而全面的入門教程。那麼本教程將花費十分鍾的時間帶你走入Python的大門。本文的內容介於教程(Toturial)和速查手冊(CheatSheet)之間，因此只會包含一些基本概念。很顯然，如果你希望真正學好一門語言，你還是需要親自動手實踐的。在此，我會假定你已經有了一定的編程基礎，因此我會跳過大部分非Python語言的相關內容。本文將高亮顯示重要的關鍵字，以便你可以很容易看到它們。另外需要注意的是，由於本教程篇幅有限，有很多內容我會直接使用代碼來說明加以少許注釋。

5. 初學者學Python編程如何快速入門

電子書集合|數據科學速查表|遷移學習實戰 ，免費下載

鏈接: https://pan..com/s/11qnpoLX1H_XzFB-RdVNG4w 提取碼: z9x7

6. Python自學可以看什麼書

Python自學書籍推薦：《簡明python教程》、《Python核心編程 第二版》、《Python核心編程 第三版》、《Python標准庫》。
可以按照這個順序學習
1、《簡明python教程》，書不厚，非常適合0基礎的人自學入門用。不厚的優點就是上手快，提高自信，適合快速學習，但缺點就是知識點不全，很多細節都沒有介紹。
2、《Python核心編程 第二版》，注意看，是第二版，該書大而全，介紹的很細，書也很厚。650頁。 並列的書還有《Python學習手冊 第四版》書中不厭其煩的介紹各種知識，是不厭其煩，只有閑作者墨跡，而沒有看不懂的。非常適合入門深入學習。
3、《Python核心編程 第三版》，介紹很多高級知識，書也很厚。屬於進階讀物。
4、《Python標准庫》，介紹很多庫的使用，適合作為工具書使用，速查各種庫的使用和知識。
還有很多很多擴展的讀物，包括網路編程、GUI編程、WEB開發等等。
推薦課程：Python 基礎入門教程

7. 如何通過Python進行深度學習

作者 | Vihar Kurama

編譯 | 荷葉

來源 | 雲棲社區

摘要：深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。本文就用一個小例子無死角的介紹一下深度學習！

人腦模擬

深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。此觀點引出了「神經網路」這一術語。人腦中包含數十億個神經元，它們之間有數萬個連接。很多情況下，深度學習演算法和人腦相似，因為人腦和深度學習模型都擁有大量的編譯單元（神經元），這些編譯單元（神經元）在獨立的情況下都不太智能，但是當他們相互作用時就會變得智能。

我認為人們需要了解到深度學習正在使得很多幕後的事物變得更好。深度學習已經應用於谷歌搜索和圖像搜索，你可以通過它搜索像「擁抱」這樣的詞語以獲得相應的圖像。－傑弗里·辛頓

神經元

神經網路的基本構建模塊是人工神經元，它模仿了人類大腦的神經元。這些神經元是簡單、強大的計算單元，擁有加權輸入信號並且使用激活函數產生輸出信號。這些神經元分布在神經網路的幾個層中。

inputs 輸入 outputs 輸出 weights 權值 activation 激活

人工神經網路的工作原理是什麼？

深度學習由人工神經網路構成，該網路模擬了人腦中類似的網路。當數據穿過這個人工網路時，每一層都會處理這個數據的一方面，過濾掉異常值，辨認出熟悉的實體，並產生最終輸出。

輸入層：該層由神經元組成，這些神經元只接收輸入信息並將它傳遞到其他層。輸入層的圖層數應等於數據集里的屬性或要素的數量。輸出層：輸出層具有預測性，其主要取決於你所構建的模型類型。隱含層：隱含層處於輸入層和輸出層之間，以模型類型為基礎。隱含層包含大量的神經元。處於隱含層的神經元會先轉化輸入信息，再將它們傳遞出去。隨著網路受訓練，權重得到更新，從而使其更具前瞻性。

神經元的權重

權重是指兩個神經元之間的連接的強度或幅度。你如果熟悉線性回歸的話，可以將輸入的權重類比為我們在回歸方程中用的系數。權重通常被初始化為小的隨機數值，比如數值0-1。

前饋深度網路

前饋監督神經網路曾是第一個也是最成功的學習演算法。該網路也可被稱為深度網路、多層感知機（MLP）或簡單神經網路，並且闡明了具有單一隱含層的原始架構。每個神經元通過某個權重和另一個神經元相關聯。

該網路處理向前處理輸入信息，激活神經元，最終產生輸出值。在此網路中，這稱為前向傳遞。

inputlayer 輸入層 hidden layer 輸出層 output layer 輸出層

激活函數

激活函數就是求和加權的輸入到神經元的輸出的映射。之所以稱之為激活函數或傳遞函數是因為它控制著激活神經元的初始值和輸出信號的強度。

用數學表示為：

我們有許多激活函數，其中使用最多的是整流線性單元函數、雙曲正切函數和solfPlus函數。

激活函數的速查表如下：

反向傳播

在網路中，我們將預測值與預期輸出值相比較，並使用函數計算其誤差。然後，這個誤差會傳回這個網路，每次傳回一個層，權重也會根絕其導致的誤差值進行更新。這個聰明的數學法是反向傳播演算法。這個步驟會在訓練數據的所有樣本中反復進行，整個訓練數據集的網路更新一輪稱為一個時期。一個網路可受訓練數十、數百或數千個時期。

prediction error 預測誤差

代價函數和梯度下降

代價函數度量了神經網路對給定的訓練輸入和預期輸出「有多好」。該函數可能取決於權重、偏差等屬性。

代價函數是單值的，並不是一個向量，因為它從整體上評估神經網路的性能。在運用梯度下降最優演算法時，權重在每個時期後都會得到增量式地更新。

兼容代價函數

用數學表述為差值平方和：

target 目標值 output 輸出值

權重更新的大小和方向是由在代價梯度的反向上採取步驟計算出的。

其中η 是學習率

其中Δw是包含每個權重系數w的權重更新的向量，其計算方式如下：

target 目標值 output 輸出值

圖表中會考慮到單系數的代價函數

initial weight 初始權重 gradient 梯度 global cost minimum 代價極小值

在導數達到最小誤差值之前，我們會一直計算梯度下降，並且每個步驟都會取決於斜率（梯度）的陡度。

多層感知器（前向傳播）

這類網路由多層神經元組成，通常這些神經元以前饋方式（向前傳播）相互連接。一層中的每個神經元可以直接連接後續層的神經元。在許多應用中，這些網路的單元會採用S型函數或整流線性單元（整流線性激活）函數作為激活函數。

現在想想看要找出處理次數這個問題，給定的賬戶和家庭成員作為輸入

要解決這個問題，首先，我們需要先創建一個前向傳播神經網路。我們的輸入層將是家庭成員和賬戶的數量，隱含層數為1， 輸出層將是處理次數。

將圖中輸入層到輸出層的給定權重作為輸入：家庭成員數為2、賬戶數為3。

現在將通過以下步驟使用前向傳播來計算隱含層（i，j）和輸出層（k）的值。

步驟：

1， 乘法－添加方法。

2， 點積（輸入＊權重）。

3，一次一個數據點的前向傳播。

4， 輸出是該數據點的預測。

i的值將從相連接的神經元所對應的輸入值和權重中計算出來。

i = (2 * 1) + (3* 1) → i = 5

同樣地，j = (2 * -1) + (3 * 1) → j =1

K = (5 * 2) + (1* -1) → k = 9

Python中的多層感知器問題的解決

激活函數的使用

為了使神經網路達到其最大預測能力，我們需要在隱含層應用一個激活函數，以捕捉非線性。我們通過將值代入方程式的方式來在輸入層和輸出層應用激活函數。

這里我們使用整流線性激活（ReLU）:

用Keras開發第一個神經網路

關於Keras：

Keras是一個高級神經網路的應用程序編程介面，由Python編寫，能夠搭建在TensorFlow,CNTK,或Theano上。

使用PIP在設備上安裝Keras,並且運行下列指令。

在keras執行深度學習程序的步驟

1，載入數據；

2，創建模型；

3，編譯模型；

4，擬合模型；

5，評估模型。

開發Keras模型

全連接層用Dense表示。我們可以指定層中神經元的數量作為第一參數，指定初始化方法為第二參數，即初始化參數，並且用激活參數確定激活函數。既然模型已經創建，我們就可以編譯它。我們在底層庫（也稱為後端）用高效數字型檔編譯模型，底層庫可以用Theano或TensorFlow。目前為止，我們已經完成了創建模型和編譯模型，為進行有效計算做好了准備。現在可以在PIMA數據上運行模型了。我們可以在模型上調用擬合函數f（），以在數據上訓練或擬合模型。

我們先從KERAS中的程序開始，

神經網路一直訓練到150個時期，並返回精確值。

8. 20張英文原版Python科學速查表，幫你快速掌握Python數據分析

Python基礎

Pandas基礎

Numpy基礎

PySpark基礎

數組排序演算法

scikit-learn演算法小抄

想要速查表的小白可以開始學習起來了。

9. Python 中正則表達式全部語法速查

它們不匹配自己,在正則中具有其它的意義,匹配自己需要轉義.

元字元的完整列表:

它們不用來代表字元,用來實現一些特殊的匹配功能

可以給 group() , start() , end() , span() 傳入參數 分組的序號 ,以獲取模式中特定分組匹配到的內容.默認參數為0.

組從0開始從左到右編號,它始終存在.要確定編號,只需計算從左到右的左括弧字元.

(?參數)

(?a:表達式)

(?aiLmsux-imsx:表達式)

(?#注釋內容)

(?P<組名>表達式) + result.group('組名') :

(?P<組名>表達式) + (?P=<組名>) :

(?:表達式)

(?=表達式)

(?!表達式)

(?<=表達式)

(?<!表達式)

(?(id/name)yes-pattern|no-pattern)

如果你匹配固定字元串或單個字元類,如果你匹配固定字元串或單個字元類，並且你沒有使用任何 re 功能，例如 IGNORECASE 標志，那麼正則表達式的全部功能可能不是必需的。 字元串有幾種方法可以使用固定字元串執行操作，它們通常要快得多，因為實現是一個針對此目的而優化的單個小 C 循環，而不是大型、更通用的正則表達式引擎。

在轉向 re 模塊之前，請考慮是否可以使用更快更簡單的字元串方法解決問題

正則默認是貪婪模式(匹配為盡可能 少 的文字):

非貪婪:匹配為盡可能少的文字

*? 、 +? 、 ?? 、 {m,n}?

使用正則表達式解析 HTML 或 XML 很痛苦。HTML 和 XML 有特殊情況會破壞明顯的正則表達式；當你編寫正則表達式處理所有可能的情況時，模式將非常復雜。 使用 HTML 或 XML 解析器模塊來執行此類任務 。