首先python的工具包（類似於C的庫函式）非常多，很多功能都有重複，所以選好包很重要，最簡單的選擇方法就是用時下最流行的包，社群比較活躍，遇到問題網上一搜很多答案，而且更新和維護也比較好。

在數值計算中常用的包就是numpy，pandas，scipy以及繪圖用的matplotlib。

numpy的優勢是矩陣運算，最大的特點是引入了ndarray-多維陣列的概念。在ndarray中，每個[]就代表1維。這裡和matlab或者C++或者fortran都很不一樣，沒有行優先或者列優先的概念。但是numpy還有一個數據結構是mat。

個人覺得是為了便於使用以上語言的人們使用的。例如mat結構可以非常方便地做轉置（matName.T），求逆（matName.I），求伴隨矩陣（matName.A）

pandas

pandas的Series資料結構物件：類似於numpy的ndarray。

pd.Series(data)，data可以是numpy的array或者python的列表都可以.

obj=pd.Series([4,7,-5,3])

obj.index 返回obj的索引

obj.values 返回obj的資料

如果在初始化的時候沒有指定索引，預設索引是從0開始到N-1的整數，也可以在初始化的時候就指定索引.

obj2=pd.Series([1,2,3],index=['a','b','c']) 這裡index=後面是['a','b','c']，也可以是別的列表物件.

Series物件的index還可以單獨賦值，例如obj2的index還可以這樣賦值：

obj2.index2=[....]

obj2['a']利用索引訪問資料。

字典結構是python的資料結構，pandas中的類似資料結構成為資料框架（DataFrame）。

可以把python字典型別的資料直接給Series物件，pandas會自動將key轉換為index，data還是data。

sdata={'a':1, 'b':2}

obj3=Series(sdata)

判斷是否是空pd.isnull(Series物件) 或者是 pd.notnull(Series物件)

Series物件也有判斷資料是否是空的函式.isnull()。

Series物件也可以有一些基本的算數運算，例如obj+obj2. 在具體執行時，對先比對index，對相同index的資料相加，如果obj有某個index而obj1沒有，則資料為NaN。

DataFrame的初始化

對於python的字典結構資料物件，可以直接建立pandas的DataFrame物件，例如：

data={'name':['Sara', 'Ben'],

'Age':[23,34]}

frame=pd.DataFrame(data)

得到一個column分別為name和age，index是0,1的DataFrame。DataFrame就是按照column和index組織起來的資料集合，類似於excel表格，也類似於基本的database結構。

column1   column2   column3
index1        data11      data12       data13
index2       data21      data22      data23
index3       data31      data32      data33
frame1=pd.DataFrame(data,column=[],index=[])

frame1.column 返回column列表，是index型別。

要訪問frame1中的某一列資料，可以用frame1['column_name']或者frame1.column_name，這兩種方式都可以。

行元素的獲取，可以用：frame.ix[index_name]

每列的資料都可以單獨賦值： frame.column_name=[....]

容易混淆/出錯的地方

生成0-N數列的函式：在python中是range(N+1)，但是在numpy中是arange(N+1)。

陣列切片：

numpy的零矩陣 np.zeros((3,3)) 3維零矩陣，對於矩陣，形參必須是帶括號（）的，即tuple型別。

改變多維陣列維數 np.reshape((dim1,dim2)) 必須是（）的tuple型別。