import numpy as np 
a = np.array([1,2,3])  
print (a)

a = np.array([[1,  2],  [3,  4]])  
print (a)

设置维度2

a = np.array([1, 2, 3, 4, 5], ndmin =  2)  
print (a)


多数据类型
# 类型字段名可以用于存取实际的 age 列
import numpy as np
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print(a['age'])

x =  [1,2,3] 
a = np.asarray(x)  

       import pandas as pd
        data = [['Google', 10], ['Runoob', 12], ['Wiki', 13]]
        # 创建DataFrame
        df = pd.DataFrame(data, columns=['Site', 'Age'])
        df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],
                          columns=['Column1', 'Column2', 'Column3'])
        # 使用astype方法设置每列的数据类型
        df['Site'] = df['Site'].astype(str)
        df['Age'] = df['Age'].astype(float)
        print(df)

        #字典形式来创建
        data = {'Site': ['Google', 'Runoob', 'Wiki'], 'Age': [10, 12, 13]}
        df = pd.DataFrame(data)


        import numpy as np
        # 创建一个包含网站和年龄的二维ndarray
        ndarray_data = np.array([
            ['Google', 10],
            ['Runoob', 12],
            ['Wiki', 13]
        ])
        # 使用DataFrame构造函数创建数据帧
# 也可以加个index=[a,b,c]作为索引标签，默认是[0,1,2]
        df = pd.DataFrame(ndarray_data, columns=['Site', 'Age']) 
        # 返回第一行
        print(df.loc[0])
        # 返回第二行
        print(df.loc[1])
        # 返回第一行和第二行
        print(df.loc[[0, 1]])

        # DataFrame 的属性和方法
        print(df.shape)  # 形状
        print(df.columns)  # 列名
        print(df.index)  # 索引
        print(df.head())  # 前几行数据，默认是前 5 行
        print(df.tail())  # 后几行数据，默认是后 5 行
        print(df.info())  # 数据信息
        print(df.describe())  # 描述统计信息
        print(df.mean())  # 求平均值
        print(df.sum())  # 求和

        # 通过列名访问
        print(df['Column1'])

        # 通过属性访问
        print(df.Name)
		
这里的第一个参数是索引标签，不能数字索引来访问。
        # 通过 .loc[] 访问
        print(df.loc[:, 'Column1'])

        # 通过 .iloc[] 访问
        print(df.iloc[:, 0])  # 假设 'Column1' 是第一列

        print(df.iloc[1, 0]) 两个参数都是数字索引行索引和列索引
        print(df.loc['a', "Column1"])



loc:

使用标签（label）进行选择。
可以用来选择行和列的名字，例如 df.loc[行标签, 列标签]。
包括结束位置的值，即区间是闭合的。例如，df.loc[0:2] 会选择从行标签 0 到 2 的所有行。
iloc:

使用整数位置（integer position）进行选择。
用于按位置选择数据，例如 df.iloc[行索引, 列索引]。
不包括结束位置的值，即区间是开放的。例如，df.iloc[0:2] 只会选择行索引为 0 和 1 的行，不包括 2。



        # 访问单个元素 后面的是索引标签。如果是数字索引请用iloc
        print(df['Name']['a'])


        # 修改
        df['Column1'] = [10, 11, 12]

        # 添加新行
        new_row = {'Column1': 13, 'Column2': 14, 'NewColumn': 16}
        df = df.append(new_row, ignore_index=True)

        # 删除列
        df_dropped = df.drop('Column1', axis=1)
        # 删除行
        df_dropped = df.drop(0)  # 删除索引为 0 的行


，concat 函数用于将多个 DataFrame 或 Series 沿着特定轴（行或列）进行拼接。

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})
沿着行方向拼接 DataFrame：变成4行
result = pd.concat([df1, df2])
变成4列
result = pd.concat([df1, df2], axis=1)


索引可以修改
df_set = df.set_index('Column1')
过滤

df[df['column_name'] > value]	选择列中满足条件的行。




# 索引和切片
print(df[['Name', 'Age']])  # 提取多列
print(df[1:3])               # 切片行
print(df.loc[:, 'Name'])     # 提取单列
print(df.loc[1:2, ['Name', 'Age']])  # 标签索引提取指定行列
print(df.iloc[:, 1:])        # 位置索引提取指定列



        df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],
                          columns=['Column1', 'Column2', 'Column3'], index=['a', 'b', 'c'])
        print(df)
        print(df.loc[:])
        print(df.loc['b':])
        print(df['Column1'][0])
        print(df['Column1']['a'])
        # print(df['a'])
        print(df.iloc[1, 0])
        print(df.loc['a', "Column1"])
        print(df)

        # Row是个Dict, index是索引标签
        for index, row in df.iterrows():
            print(f'Index: {index}, A: {row["Column1"]}, B: {row["Column2"]}')
        # index=True为包含索引
        #  列名作为对象属性来访问, 推荐这个, 性能较快，但不知道列名就需要用上面那个
        for row in df.itertuples(index=True):
            print(f'Index: {row.Index}, A: {row.Column1}, B: {row.Column2}')
        # 拿到列名 可for循环查看
        print(df.columns)

        # column_data是Series 这个列的所有数据，column_name就是列名
        for column_name, column_data in df.items():
            print(f'Column: {column_name}')
            print(column_data)

import matplotlib.pyplot as plt
import numpy as np

xpoints = np.array([0, 6])
ypoints = np.array([0, 100])

plt.plot(xpoints, ypoints)
plt.show()

# 画单条线
plot([x], y, [fmt], *, data=None, **kwargs)
# 画多条线
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)
参数说明：

x, y：点或线的节点，x 为 x 轴数据，y 为 y 轴数据，数据可以列表或数组。
fmt：可选，定义基本格式（如颜色、标记和线条样式）。
**kwargs：可选，用在二维平面图上，设置指定属性，如标签，线的宽度等。



    print(df.head())
    df['MA2'] = df['price'].rolling(window=2).mean()
    import matplotlib.pyplot as plt
    plt.figure(figsize=(50, 30))
    plt.plot(df['ts'], df['price'], label="价格", color='blue')
    plt.plot(df['ts'], df['MA2'], label="MA2", color='red')

    # 设置图表标题和标签
    plt.title('分时图与移动平均线')
    plt.xlabel('时间')
    plt.ylabel('价格')
    plt.legend()
    plt.grid(True)

    # 展示图表
    plt.show()