python常用机器学习库思维导图

NumPy的强大功能主要基于底层的一个ndarray结构，其可以生成N维数组对象。

ndarray 对象是一系列同类型数据的集合，下标索引从0开始，是一个用于存放同类型元素的多维数组。ndarray中的每个元素在内存中都具有相同大小的存储区域。

与Python 中的其他容器对象一样，ndarray可以通过对数组建立索引或切片来访问数组内容，也可以使用 ndarray的方法和属性来访问和修改 ndarray的内容。

在NumPy中，数组的数据类型（dtype）是指数组中元素的数据类型。NumPy提供了多种数据类型，有符号整数类型，无符号整数类型，浮点数类型，复数类型。

在创建NumPy数组时，可以通过指定dtype参数来指定数组的数据类型

在 NumPy 中，数组（ndarray）有许多属性可以用来获取有关数组的信息。

shape：数组的维度。例如，一个 3x4 的数组的 shape 将是 (3, 4)。 size：数组中元素的总数。 dtype：数组中元素的数据类型。 itemsize：数组中每个元素的字节大小。

numpy.empty()

numpy.ones()

numpy.zeros()

使用随机函数创建数组

产生数列的函数

通过切片操作，你可以获取数组的子集。语法为 array[start:stop:step]

迭代：可以使用循环来迭代数组中的元素。

索引：通过索引访问数组中的单个元素或一组元素。

条件运算

统计运算

创建series对象（pd.series）

访问Series数据对象

这是一个表格型的数据结构，包含一组有序数列。列索引对应表格的行号，值是一个二维数组。每列表示一个独立的属性，各个列的数据类型可以不同

数据对齐（alignment）通常指的是在打印或显示数据时，使数据在某个位置对齐，以便更容易阅读和理解。数据对齐在表格、报告、日志等输出中非常常见。 可以使用字符串的格式化来实现数据对齐。其中，str.format() 方法和 f-string 是两种常用的方式。

是一个专门在python中提供实现机器学习功能的模块，也是一个简单高效的数据分析算法工具。

获取数据，创建数据集，数据预处理，数据集拆分，定义模型，模型评估与选择

是一种可视化工具，用于展示文本数据中词语的频率。它以词语为基本单位，根据词语在文本中出现的频率和重要性，将其以不同大小、颜色和位置呈现在图像中，从而形成一个独特的词语云图

是一款流行的中文文本分词库，它提供了有效的中文分词功能，支持多种分词模式和应用场景。

PIL是 Python 中用于图像处理的功能库。它提供了广泛的图像文件格式支持以及强大的图像处理和操作功能，包括图像打开、保存、转换、剪裁、调整大小、滤镜应用等。