python如何导入数据

通过标准的Python库导入CSV文件：
Python提供了一个标准的类库CSV文件。这个类库中的reader()函数用来导入CSV文件。当CSV文件被读入后，可以利用这些数据生成一个NumPy数组，用来训练算法模型：

取决于你用的什么IDE编辑器了，比如在Pycharm里点File-->Settings-->Project Interpreter，然后点右边的一个绿色加号，搜索numpy，点击安装。
如果是Linux的话，先安装pip，然后在终端运行pip install numpy。别的package也都可以这样非常迅速地安装了。

1最开始，在装完nltk，numpy和scipy以及matplotlib后，我直接在python交互式命令行中导入matplotlib模块，结果提示缺少模块six，如下图所示：

这个模块实在刚才装完的SciPy包中，找到自己的Python的安装目录，然后把%PYTHON_ROOT%\Lib\site-packages\scipy\lib目下的sixpy,sixpyc,sixpyo三个文件放到%PYTHON_ROOT%\Lib\site-packages目录下即可解决这个问题，这里%PYTHON_ROOT%是指你电脑上的python安装的根目录，如我是把python安装在C盘根目录的，所以在我电脑上这个%PYTHON_ROOT%表示的是C：\python27，这个根据你自己安装Python的目录不同而不同。

2在解决上面的问题后，再次在python交互式命令行下，导入matplotlib模块，结果仍然提示出错，如下图：

根据提示可以知道，matplotlib需要dateutil，所以我们需要安装第6步中的dateutil，在我给的链接里，如今只能下到whl格式的安装文件，这个是python自己的包文件需要用到python的包管理软件来安装，python自带的包管理软件常见的有setuptools和pip两种，我这里使用的是pip来进行安装。使用之前最好自己添加环境变量，免得在后面使用时，要输入Pip程序的完整路劲比较麻烦。在系统变量Path的最后面添加如下的地址：%PYTHON_ROOT%\Scripts。其中，%PYTHON_ROOT%仍然是python的根目录。安装过程如下：将下载好的dateutil的安装包，放到某个目录下，如我把它放在D盘根目录，然后打开windows的命令行窗口，请注意是Windows的命令行窗口，然后进入D盘根目录，然后输入如下命令，如下图下半部分所示：

3安装完dateutil后，导入matplotlib仍然提示有错，提示缺少pyparsing模块，按照第二步方式，下载安装文件，安装完成后，便可正确导入matplotlib模块，安装的命令如上图上半部分所示，这里不再赘述。正确安装后即可成功导入，如下图所示：

安装的正确过程：

1先安装python，我用的是32位python341（下载地址可以去：>

2安装nltk（版本nltk-301win32）,这是python下的一个自然语言工具，里面集成了很多处理自然语言所需要的函数。（下载地址：同上）

3安装NumPy（版本numpy-181-win32-superpack-python34）（下载地址：>

4安装SciPy(版本scipy-0151-win32-superpack-python34)（下载地址：同上）

5安装Matplotlib（版本matplotlib-141win32-py34）（下载地址：>

6安装dateutil(版本python_dateutil-23-py2py3-none-any)（下载地址：>

7安装Pyparsing(版本pyparsing-203-py3-none-any)（下载地址：同上）

其中，NumPy和SciPy中的一些模块，是导入Matplotlib所需的，应该安装。

嘿嘿,这你就问对人了!

百度搜索Anaconda,点进官网推荐下载python35版本的Anaconda

Anaconda集成了Python以及Python的众多安装包,包括Numpy等,还有集成开发环境!

具体链接我就不给你啦,说是违反知道规范!

注意:安装Anaconda时路径上不要有空格,切记!

我现在用的就是Anaconda3下面是我演示的界面

不懂的可以继续追问

回顾：

NumPy 是一个用于科学计算的基础 Python 库（ 安装说明 ）。它可以让你在 Python 中使用向量和数学矩阵，以及许多用 C 语言实现的底层函数。

在 Notebook 中导入 NumPy：

数组是将数据组织成若干个维度的数据块。

NumPy 的核心是数组（arrays）。

用 array 创建数组

在 NumPy 数组中，数据类型需要一致，否则，会尝试「向上兼容」，比如生成一个包含浮点数的数组，输出时每个元素都变成了浮点型：

NumPy 还可以用循环生成数组：

用 full 生成一个 3 行 5 列的数组：

用 arange 等距填充数组：

（arange 是 Python 内置函数 range 的数组版，返回的是一个 ndarray 而不是 list）

用 linspace 线性填充数组：

用 random 生成随机数组：

btw 数组索引从 0 开始

NumPy 中的切片语法： x[start:stop:step] ，如果没有赋值，默认值 start=0, stop=size of dimension, step=1。

(上图最后一个图形，arr[1, :2] 应该是 (1,2) 一行二列矩阵？？）

复制数组切片

reshape:

转置（transpose）是重塑（reshape）的一种特殊形式，返回源数据的视图而不进行复制。

用 concatenate 连接数组：

用 vstack 合并到数据行， hstack 合并到数据列

拆分数组的函数包括： npsplit , nphsplit, npvsplit

传递给数组一个与它有关的条件式，然后它就会返回给定条件下为真的值。

在生成图形时也非常好用：

在程序中用条件式选择了图中不同的点。蓝色的点（也包含图中的绿点，只是绿点覆盖了蓝点），显示的是值大于零的点。绿点显示的是值大于 0 小于 Pi / 2 的点。

当不同 shape 的数组进行运算(按位加/按位减的运算，而不是矩阵乘法的运算)时，(某个维度上)小的数组就会沿着（同一维度上）大的数组自动填充。广播虽然是一个不错的偷懒办法，但是效率不高、降低运算速度通常也为人诟病。

广播的原理（via Broadcast Visualization ）：

---