Python & Jupyter入门

2024-10-19

lecture

讲座目标：让零基础的同学通过轻松有趣的方式初步掌握 Python 编程，并且能使用 Jupyter Notebook 进行实际操作。学习 Python 基础语法，了解 NumPy 的强大功能，最后通过可视化数据带给大家直观的成就感

本文内容配套代码指路：填空版，完整版

附贴心的vscode上安装配置python&jupyter的word文档：安装配置教程

一、欢迎来到“Python 冒险之旅”

1. Python介绍

Python 是由 Guido van Rossum 于 20 世纪 90 年代初期发明的编程语言。名字的灵感来源并非“蟒蛇”，而是他喜爱的英国喜剧团体 Monty Python’s Flying Circus。Python 的设计哲学强调代码的可读性和简洁性，因此，它成为了非常适合初学者的语言，同时又足够强大，适用于各种复杂任务。
Python 的特点
- 语法简洁：Python 的语法非常接近自然语言，减少了复杂的标点符号，使代码易读易写。
- 丰富的库：Python 拥有庞大的标准库和第三方库，可以轻松实现各种功能，从数据处理到机器学习。
- 跨平台：Python 能够在不同操作系统之间无缝运行，包括 Windows、Mac、Linux。
- 广泛应用：Python 被广泛应用于数据科学、人工智能、Web 开发、自动化脚本编写等多个领域，是一门通用性极强的编程语言。

2. 工具简介：编程的魔法助手

VSCode：代码编辑的利器
- Visual Studio Code（VSCode） 是由 Microsoft 开发的轻量级代码编辑器，支持多种编程语言，是编写 Python 代码的理想选择。
- 主要功能：
  - 语法高亮和自动补全：像给代码加上“标记”，帮助你快速理解和编写代码。
  - 集成终端：可以直接在编辑器中运行代码，方便快捷。
  - 调试工具：可以轻松设置断点，调试代码，追踪错误。
- VSCode 就像是一个装满工具的“工具箱”，能帮助你快速、高效地编写、调试和运行 Python 代码。
Jupyter Notebook：交互式编程的理想工具
- Jupyter Notebook 是一个基于浏览器的编程环境，适合交互式的编程和数据分析，常用于数据科学、机器学习和教学。
- 主要特点：
  - 单元化结构：代码和文本分块展示，每个单元可以单独执行并立即查看结果，非常适合逐步调试代码和分析数据。
  - Markdown 支持：不仅可以编写代码，还能同时写下解释和文档，方便记录每一步的思路。
  - 可视化集成：能直接嵌入图表和数据可视化，特别适合数据分析过程的展示。
- Jupyter Notebook 就像是一个“笔记本”，你不仅可以记录想法，还能边写边计算，马上看到结果，是进行探索性编程和数据分析的理想工具。

3. 第一次编程体验

动手体验：让同学们打开 VSCode 和 Jupyter Notebook，输入并运行以下代码：
```
  print("Hello, Python Adventurers!")
```
- 语法讲解：
  - print()函数：print() 是 Python 中的输出函数，用于在屏幕上打印显示信息。函数调用时，必须使用小括号 () 将参数（例如上面的字符串 "Hello, Python Adventurers!"）括起来，并将结果打印到控制台。
  - 字符串：由双引号 " 或单引号 ' 包围的文本。字符串可以是任何字符的组合，在这里我们打印的是一段欢迎信息。

二、Python 基础语法

1. 打印输出与注释

print() 函数：
- 规则：函数调用时必须使用小括号括起来，并且输出内容放在括号内。
- 示例：
```
  print("让我们开始我们的冒险之旅吧！")
```
- 语法讲解：
  - print() 函数：输出括号内的信息。在本例中，字符串 "让我们开始我们的冒险之旅吧！" 被传递给 print() 函数，并显示在屏幕上。
注释：
- 注释以 # 开头，后面写上说明文字。可以用来记录思考或提醒。
- 示例：
```
  # 这是一个注释，用来记录我们探险的线索
```
- 语法讲解：
  - 注释：通过在代码中加入注释，可以让代码更易于理解。任何在 # 后面的内容都会被忽略。可以用来解释代码的功能或写下说明。

2. 变量与数据类型

变量是什么：就像你在冒险途中找到的物品或线索，需要有个名字来存储它们。
- 规则：变量名必须以字母或下划线开头，后面可以跟字母、数字。
- 示例：
```
  adventurer_name = "Alice"  # 探险者的名字
  adventurer_level = 1  # 探险者的等级
```
- 语法讲解：
  - 变量赋值：变量用于存储数据。通过 = 可以将数据赋值给一个变量名（如 adventurer_name 和 adventurer_level）。adventurer_name 被赋值为字符串 "Alice"，而 adventurer_level 被赋值为整数 1。
  - 数据类型：字符串、整数、浮点数、布尔值。通过有趣的冒险元素介绍这些类型：
    - 字符串：描述探险者的名字、藏宝图位置等。
    - 整数：表示探险者的等级、找到的宝藏数量。
    - 浮点数：记录宝藏的重量或位置坐标。
    - 布尔值：表示探险任务是否完成。

3. 条件判断与逻辑运算

if 语句：就像在冒险途中做决策——如果某个条件满足，则采取某种行动。
- 规则：if 后面跟判断条件，条件为 True 时执行缩进部分的代码。
- 示例：
```
  found_treasure = True
  if found_treasure:
      print("恭喜你，找到了宝藏！")
  else:
      print("还需要继续探索...")
```
- 语法讲解：
  - if 条件判断：if 语句用于执行条件判断。if 后面的条件表达式 adventurer_level > 1 被判断为 True 或 False，如果为 True，则执行 print("你已经做好了探险的准备！")，否则执行 else 语句中的代码。
逻辑运算符：
- ==、!=、> 等运算符用于判断探险者是否达到了某个条件。
- 示例：
```
  if adventurer_level > 1:
      print("你已经做好了探险的准备！")
  else:
      print("你还需要更多训练！")
```
- 语法讲解：
  - > 是一个比较运算符，用来比较两个值。类似的运算符还包括 ==（等于）、!=（不等于）、<（小于）等

4. 循环结构：重复任务

for 循环：就像在冒险过程中不断重复的任务，例如翻看藏宝图 5 次以确定位置。
- 规则：for 后面跟一个变量名和 in 关键字。
- 示例：
```
  for i in range(5):
      print(f"第{i+1}次检查藏宝图，继续寻找宝藏！")
```
- 语法讲解：
  - for 循环：for 循环用于遍历一系列值。在这里，i 是循环变量，通过 range(5) 生成 0 到 4 的序列，循环 5 次。f"..." 是 Python 的格式化字符串，{i+1} 表示将 i+1 的值插入到字符串中。
while 循环：如果你还没有找到宝藏，就继续寻找，直到找到为止。
- 规则：当条件为 True 时不断执行的循环。
- 示例：
```
  lives = 3
  while lives > 0:
      print("你还有", lives, "条命，继续冒险！")
      lives -= 1  # 每次减少一条命
```
- 语法讲解：
  - while 循环：while 循环只要条件为 True 就会持续执行。在这里，lives > 0 是循环条件，每次循环后，lives 的值通过 lives -= 1 减少 1，直到 lives 变为 0。

三、NumPy 探索神秘宝石世界

1. NumPy 简介：处理“魔法宝石”的强大工具

NumPy 是什么？
- NumPy 是 Python 的强大工具库，专门用来处理多维数组和矩阵。可以想象成我们在探险中找到的大批量“魔法宝石”，它们都有各种不同的属性，需要通过 NumPy 进行快速计算和处理。
- 用 NumPy，我们可以轻松处理大量“宝石”的属性变化、合成宝石、计算它们的总和或最大值等。
- 宝石类比：每个数组就像是一个宝石袋子，里面存储着许多具有不同属性的宝石，而 NumPy 就是帮助我们操作这些宝石的“魔法工具”。
NumPy 的应用场景：
- 在科学计算、数据分析、机器学习等领域，NumPy 都被广泛应用，帮助我们快速处理大规模数据。
- 类比：NumPy 就像冒险家手中的工具，能帮助他们快速整理、分析找到的宝石，为冒险决策提供依据。

2. NumPy 安装与基础操作

安装 NumPy：如果还没有安装 NumPy，可以使用以下命令安装：
```
  pip install numpy
```
- 语法讲解：
  - 安装库：pip install 是 Python 包管理工具 pip 的命令，用于安装第三方库。numpy 是我们要安装的库，专门用于处理数组和矩阵。
导入 NumPy：导入 NumPy 并开始使用它处理我们的“宝石”：
```
  import numpy as np  # 导入并简化为 np
```
- 语法讲解：
  - 导入库：import 用于导入外部库。as np 表示将 numpy 简化为 np，这样我们可以通过 np 来调用 NumPy 的函数和方法，简化代码书写。

3. 创建属于你的宝石袋：NumPy 数组

一维数组：单个宝石袋：
- 用 np.array() 创建一个包含多颗宝石的数组。可以类比为找到了一袋不同的宝石，每颗宝石都有其属性值。
- 示例：
```
  gems = np.array([10, 20, 30, 40])  # 宝石的属性值
  print(gems)
```
- 解释：这个数组就像一个宝石袋，里面有 4 颗宝石，它们的属性分别是 10、20、30 和 40。
- 语法讲解：
  - np.array()：这是 NumPy 中用于创建数组的函数。我们传入一个 Python 列表 [10, 20, 30, 40]，它会被转换成一个 NumPy 数组。
多维数组：多个宝石袋或宝石组合：
- 示例：我们找到更多的宝石，或是把它们组合成一个宝石矩阵。可以用 NumPy 创建二维数组来表示这些“宝石袋”。
```
  gem_matrix = np.array([[1, 2, 3], [4, 5, 6]])  # 两个宝石袋，每个袋子有3颗宝石
  rint(gem_matrix)
```
- 解释：这两个“宝石袋”每袋装着 3 颗宝石，形成一个 2 行 3 列的宝石矩阵。
- 语法讲解：
  - 二维数组：在 NumPy 中，数组可以有多维。这里创建的是一个二维数组。
宝石的维度和形状：
- 维度：我们可以用 ndarray.ndim 查看宝石矩阵的维度：
```
  print(gem_matrix.ndim)  # 输出 2，表示这是二维数组
```
- 形状：用 ndarray.shape 查看矩阵的形状：
```
  print(gem_matrix.shape)  # 输出 (2, 3)，表示 2 行 3 列
```

4. 操作你的宝石：数组运算

宝石合成：使用 NumPy 对宝石数组进行加减乘除运算，类比合成或分解宝石来增强属性。
- 示例：
```
  more_gems = np.array([1, 2, 3, 4])  # 另一个宝石袋中的宝石
  combined_gems = gems + more_gems  # 合成宝石，增强它们的属性
  print(combined_gems)
```
- 解释：每一颗宝石的属性值都被合并增强，变成更强大的宝石。
- 语法讲解：
  - 数组运算：NumPy 支持数组之间的加减乘除运算。在上面的例子中，两个数组 gems 和 more_gems 相加，结果是它们对应位置的元素相加。
宝石的增幅：数组广播：
- NumPy 支持广播机制，即当我们对数组和一个标量操作时，标量会被自动扩展为数组大小，以进行对应的计算。就像给每颗宝石增加相同的能量。
- 示例：
```
  enhanced_gems = gems + 5  # 每颗宝石都获得了 +5 的增强
  print(enhanced_gems)
```
- 解释：所有宝石的属性都增加了 5，变得更加强大。
- 语法讲解：
  - 数组广播：NumPy 的广播机制允许不同形状的数组进行运算。在上面的例子中，gems 是一个包含 4 个元素的数组，而 5 是一个标量。当我们对它们进行加法运算时，NumPy 自动将标量 5 扩展为一个与 gems 相同形状的数组 [5, 5, 5, 5]，然后执行逐元素相加操作。结果是 gems 中的每个元素都被加上了 5。
宝石选择：索引与切片：
- 我们可以像处理 Python 列表一样，通过索引选择某颗宝石，或者通过切片操作选择一部分宝石。
- 示例：
```
  print(gems[0])  # 选择第一颗宝石
  print(gems[1:3])  # 选择第二颗和第三颗宝石
```
- 语法讲解：
  - 索引：gems[0] 表示选择数组 gems 中第一个元素。注意，Python 的索引从 0 开始，因此 gems[0] 选择的是第一颗宝石。
  - 切片：gems[1:3] 使用切片操作，表示从第 2 个元素（索引 1）到第 3 个元素（索引 2，不包含索引 3 的元素）。切片的格式是 start:stop，其中 start 是起始索引，stop 是结束索引（不包含该位置的元素）。

5. 进阶操作：变形和重组宝石

重塑宝石形状：reshape()：
- 假设我们想把一个宝石袋重新整理成多行或多列，NumPy 的 reshape() 函数可以帮助我们快速调整宝石的排列。
- 示例：
```
  reshaped_gems = gems.reshape(2, 2)  # 将一维宝石袋变为 2 行 2 列的矩阵
  print(reshaped_gems)
```
- 语法讲解：
  - reshape()：reshape() 用于改变数组的形状。在这个例子中，原本的一维数组 gems 通过 reshape(2, 2) 被重塑为一个 2 行 2 列的矩阵。
合并与拆分宝石：
- 合并宝石袋：通过 concatenate() 将两个宝石袋合并成一个更大的袋子。
```
  gems_1 = np.array([10, 20])
  gems_2 = np.array([30, 40])
  combined_gems = np.concatenate((gems_1, gems_2))  # 合并两个袋子
  print(combined_gems)
```
- 语法讲解：
  - np.concatenate()：该函数用于将多个数组连接在一起。参数是一个包含数组的元组 (gems_1, gems_2)，concatenate() 会将 gems_1 和 gems_2 中的所有元素按顺序合并为一个新的数组。结果是 [10, 20, 30, 40]。
- 拆分宝石袋：用 split() 将一个大袋子拆成若干小袋。
```
  split_gems = np.split(combined_gems, 2)  # 将合并的宝石袋拆成两个
  print(split_gems)
```
- 语法讲解：
  - np.split()：split() 函数用于将一个数组拆分成多个子数组。第一个参数是待拆分的数组，第二个参数表示拆分的数量。在这个例子中，np.split(combined_gems, 2) 将 combined_gems 数组均分为 2 个子数组，结果是 [[10, 20], [30, 40]]。

6. NumPy 的统计与数学魔法：分析宝石的属性

统计属性：使用 NumPy 的统计函数快速分析宝石的各项属性，比如计算宝石的平均属性、总和或最大值。
- 示例：
```
  print(np.mean(gems))  # 计算宝石属性的平均值
  print(np.sum(gems))  # 计算宝石属性的总和
  print(np.max(gems))  # 找出属性最强的宝石
```
- 语法讲解：
  - np.mean()：计算数组中所有元素的平均值。例如，np.mean(gems) 会返回 gems 数组中所有宝石属性的平均值。
  - np.sum()：计算数组中所有元素的总和。np.sum(gems) 返回 gems 数组中所有宝石属性的总和。
  - np.max()：返回数组中的最大值。np.max(gems) 返回 gems 数组中属性值最高的宝石。
数学魔法：除了基础运算，NumPy 还支持高级数学操作，比如计算宝石属性的平方根或三角函数值。
- 示例：
```
  print(np.sqrt(gems))  # 计算宝石属性的平方根
  print(np.sin(gems))  # 计算宝石属性的正弦
```
- 语法讲解：
  - np.sqrt()：返回数组中每个元素的平方根。例如，np.sqrt(gems) 会计算 gems 中每颗宝石的属性平方根。
  - np.sin()：计算数组中每个元素的正弦值。np.sin(gems) 会对 gems 数组中的每个宝石属性进行三角函数计算，返回它们的正弦值。

7. 实践任务：设计你的“宝石装备”

创建一个包含 0 到 9 的数组，代表你找到的宝石编号：
```
 gems = np.arange(10)
```
- 语法讲解：
  - np.arange()：arange() 函数生成一个范围内的数组，类似于 Python 中的 range()。在这个例子中，np.arange(10) 创建了一个包含从 0 到 9 的数组 [0, 1, 2, ..., 9]。
计算每个宝石的属性平方值，提升宝石的能力：
```
 upgraded_gems = gems ** 2
 print(upgraded_gems)
```
- 语法讲解：
  - * 运算符：* 是 Python 中的幂运算符。在这里，gems ** 2 表示将 gems 数组中的每个元素平方，生成一个新的数组 upgraded_gems，其每个元素都是对应宝石的属性平方值。
进一步挑战：使用 reshape() 将宝石数组变成 2 行 5 列的矩阵，然后计算每行的宝石总和，看看哪一行的宝石更强大：
```
 reshaped_gems = gems.reshape(2, 5)
 print(np.sum(reshaped_gems, axis=1))  # 计算每行的总和
```
- 语法讲解：
  - reshape()：reshape() 函数用于改变数组的形状。在这个例子中，gems.reshape(2, 5) 将一维数组 gems 转换为一个 2 行 5 列的二维矩阵。
  - np.sum(axis=1)：np.sum() 的 axis 参数指定沿哪个轴进行求和操作。axis=1 表示按行求和，返回每行元素的总和。

四、Matplotlib：绘制冒险路线图与宝石数据 (可选)

1. Matplotlib 简介：绘制你的冒险地图

Matplotlib 是 Python 最常用的数据可视化库，专门用于生成二维图表（如折线图、柱状图、散点图等）。它可以帮助我们将数据以图形的形式直观地呈现出来，是科学计算和数据分析的常用工具之一。
为什么使用 Matplotlib？
- 灵活性：Matplotlib 提供了极大的灵活性，可以创建几乎所有常见的图表类型，从简单的折线图到复杂的多子图、嵌套图、热力图等。
- 高兼容性：它能与其他 Python 库（如 NumPy、Pandas 等）无缝协作，将数值数据转化为可视化输出。
- 广泛应用：Matplotlib 被广泛应用于科学研究、数据分析、机器学习等领域，特别适合那些需要展示数据变化趋势和模式的场景。
- Matplotlib：像一个绘图工具，能帮你画出冒险的路线图，记录你前进的每一步。
适用场景：
- 数据分析中的结果展示，如观察数据的变化趋势、异常点、分布等。
- 机器学习中用于展示训练曲线或模型评估结果。
- 科学研究中用于生成高质量的图形展示实验数据。

2. Matplotlib 的核心组件

Matplotlib 的核心模块是 pyplot，它提供了一系列函数来控制图表的生成和美化。以下是 Matplotlib 的几个关键概念：

Figure（图形）：
- 整个图像的容器，通常包含一个或多个子图（axes），可以看作是一张图表的“画布”。
Axes（子图）：
- 表示图表中的每一个子绘图区，Axes 是 Figure 的一部分。在一个 Figure 中可以有多个子图。Axes 是我们用来绘制数据的主要区域。
Axis（坐标轴）：
- Axes 的一部分，表示图形的 x 轴和 y 轴。通过设置坐标轴的范围和标签，我们可以更好地展示数据的含义。
Plot（绘图）：
- 我们可以用各种方式将数据绘制在 Axes 上，比如折线图、散点图、柱状图等。

3. 安装与导入 Matplotlib

如果还没有安装 Matplotlib，可以通过以下命令安装：
```
  pip install matplotlib
```

导入 Matplotlib 的 pyplot 模块：

  import matplotlib.pyplot as plt  # 简化引用
  import matplotlib as mpl
  mpl.rcParams['font.sans-serif']=['SimHei'] #指定默认字体为黑体

注意，最后两行是一个亲测最简单的可以使Matplotlib正常显示中文而非乱码的代码，非常好用

4. 实战：绘制“冒险路线图”

通过 NumPy 生成数据，用 matplotlib 绘制图表，我们将创建一个折线图来展示探险者前进的路线：
```
  import numpy as np
  import matplotlib.pyplot as plt  # 导入 Matplotlib 的 pyplot 模块
    
  # 生成数据
  x = np.arange(0, 10, 0.1)  # 生成从 0 到 10，步长为 0.1 的数组
  y = np.sin(x)  # 用 NumPy 的 sin 函数生成正弦波，模拟探险路线的起伏
    
  # 绘制折线图
  plt.plot(x, y)  # 使用 plot 函数绘制 x 和 y 的关系图（折线图）
  plt.title('冒险路线图')  # 给图形添加标题
  plt.xlabel('时间')  # 给 x 轴添加标签
  plt.ylabel('前进距离')  # 给 y 轴添加标签
  plt.show()  # 显示图表
```
- 语法讲解：
  - 数据生成：
    - 使用 np.arange(0, 10, 0.1) 生成从 0 到 10 的等间隔数列，作为 x 轴数据，步长为 0.1，表示时间的进程。
    - 使用 np.sin(x) 生成 y 轴数据，表示随时间变化的前进距离，这里使用了正弦函数来模拟路线的起伏。
  - 图表绘制：
    - plt.plot(x, y)：plot() 函数用于绘制二维折线图，这里表示随着时间 x 的推移，探险者的前进距离 y 发生的变化。
  - 图表美化：
    - plt.title()：设置图表的标题，这里我们命名为“探险路线图”。
    - plt.xlabel() 和 plt.ylabel()：分别设置 x 轴和 y 轴的标签，帮助我们理解横轴代表时间，纵轴代表前进的距离。
  - 图表显示：
    - plt.show()：在生成图表后，通过 show() 函数显示最终的结果。在使用 Jupyter Notebook 时，图表会直接显示在输出区域

5. 实战：绘制“宝石数据”

除了折线图，Matplotlib 还支持很多常见的图表类型。下面列举了几个常用图表及其简单代码示例：

柱状图（Bar Chart）：用于展示分类数据的大小比较。

  categories = ['宝石A', '宝石B', '宝石C']
  values = [10, 20, 15]
        
  plt.bar(categories, values)
  plt.title('宝石属性对比')
  plt.show()

散点图（Scatter Plot）：用于展示两个变量之间的关系，常用于探索数据的分布情况。

  x = np.random.rand(50)  # 随机生成50个数据点
  y = np.random.rand(50)
        
  plt.scatter(x, y)
  plt.title('宝石分布图')
  plt.xlabel('重量')
  plt.ylabel('价值')
  plt.show()

饼图（Pie Chart）：用于展示部分与整体之间的比例关系。

  labels = ['宝石A', '宝石B', '宝石C']
  sizes = [40, 35, 25]
        
  plt.pie(sizes, labels=labels, autopct='%1.1f%%')
  plt.title('宝石比例分布')
  plt.show()

直方图（Histogram）：用于展示数据的分布情况，常用于数据分析和统计中。

  data = np.random.randn(1000)
        
  plt.hist(data, bins=30)
  plt.title('宝石属性分布')
  plt.xlabel('属性值')
  plt.ylabel('频率')
  plt.show()

6. Matplotlib 的图表定制与高级功能

Matplotlib 具有强大的定制功能，允许我们对图表进行细粒度的控制，包括颜色、线型、标记、图例、网格等。

颜色和线型：可以通过 color、linestyle 等参数自定义线条颜色和样式。
```
  plt.plot(x, y, color='red', linestyle='--')  # 红色虚线
```
图例：在复杂图表中，使用 legend() 添加图例，帮助解释不同数据线的含义。
```
  plt.plot(x, y, label='前进路线')
  plt.legend()  # 添加图例
```

子图布局：使用 subplot() 函数可以在一个图形窗口中绘制多个子图，形成网格布局。

  plt.subplot(2, 1, 1)  # 创建2行1列的子图，当前绘制第1个
  plt.plot(x, np.sin(x))
    
  plt.subplot(2, 1, 2)  # 当前绘制第2个
  plt.plot(x, np.cos(x))
    
  plt.show()

恭喜！闯关成功！！

至此，你已经基本掌握了python、numpy、matplotlib、jupyter notebook的基础语法和基本使用方法啦！

欢迎你继续深入探索你的宝石寻觅之旅吧~