參數(shù)match是正則表達式匹配后的結(jié)果，match.group(1)就是返回結(jié)果1。
成都創(chuàng)新互聯(lián)-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價比圖們網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式圖們網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋圖們地區(qū)。費用合理售后完善，十載實體公司更值得信賴。
import re
m = re.search('(^.+?)\n(.+?$)', 'print "111"\nprint "222"')
print m.group(1)#print "111"eval()一般是用來執(zhí)行字符串代碼，也就是命令注入。
其中的參數(shù)code：就是要執(zhí)行的代碼，比如print
"111"
其中的參數(shù)scope：是code執(zhí)行范圍的字典.
由于匹配的字符串代碼經(jīng)常有格式對齊等問題，所以加一個try
except來捕捉。
exec跟eval類似，可以執(zhí)行代碼，但是只是一個語法，沒有返回值。
exec
code
in
scope就是執(zhí)行code作用范圍為scope字典
help 源于英文，標識幫助
help函數(shù)是python的一個內(nèi)置函數(shù)（python的內(nèi)置函數(shù)可以直接調(diào)用,無需import）
所以我們執(zhí)行help示例：
2.函數(shù)定義源碼及其用法拆解
一些不常用的函數(shù)或是模塊的用途不是很清楚，這時候就需要用到help函數(shù)來查看幫助。
參數(shù)說明：
也可傳入一個數(shù)據(jù)結(jié)構(gòu)查詢幫助方法
如下，就可以展示出可以對list做的操作
還可以具體到某個方法：
3.版本差異
無版本差異
4.學習建議
當手邊資料較少時，不要忘了系統(tǒng)提供的help函數(shù)可以提供給我們陌生方法的用法參考。
對基礎(chǔ)運行環(huán)境有疑問的，推薦參考: python函數(shù)深入淺出 0.基礎(chǔ)篇
生成器似乎并不是一個經(jīng)常被開發(fā)者討論的語法，因此也就沒有它的大兄弟迭代器那么著名。大家不討論它并不是說大家都已經(jīng)對它熟悉到人盡皆知，與之相反，即使是工作多年的開發(fā)者可能對生成器的運行過程還是知之甚少。這是什么原因?qū)е碌哪兀课也孪氪蟾庞幸韵聨c原因： (1)運行流程不同尋常，(2)日常開發(fā)不需要，(3)常常將生成器與迭代器混淆。 生成器的運行流程可以按照協(xié)程來理解，也就是說 返回中間結(jié)果，斷點繼續(xù)運行 。這與我們通常對于程序調(diào)用的理解稍有差異。這種運行模式是針對什么樣的需求呢？ 一般而言，生成器是應用于大量磁盤資源的處理。 比如一個很大的文件，每次讀取一行，下一次讀取需要以上一次讀取的位置為基礎(chǔ)。下面就通過代碼演示具體看看生成器的運行機制、使用方式以及與迭代器的比較。
什么是生成器？直接用文字描述可能太過抽象，倒不如先運行一段代碼，分析這段代碼的運行流程，然后總結(jié)出自己對生成器的理解。
從以上演示可以看出，這段代碼定義了一個函數(shù)，這個函數(shù)除了yield這個關(guān)鍵字之外與一般函數(shù)并沒有差異，也就是說生成器的魔法都是這個yield關(guān)鍵字引起的。 第一點，函數(shù)的返回值是一個生成器對象。 上述代碼中，直接調(diào)用這個看似普通的函數(shù)，然后將返回值打印出來，發(fā)現(xiàn)返回值是一個對象，而并不是普通函數(shù)的返回值。 第二點，可以使用next對這個生成器對象進行操作 。生成器對象天然的可以被next函數(shù)調(diào)用，然后返回在yield關(guān)鍵字后面的內(nèi)容。 第三，再次調(diào)用next函數(shù)處理生成器對象，發(fā)現(xiàn)是從上次yield語句之后繼續(xù)運行，直到下一個yield語句返回。
生成器的運行流程確實詭異，下面還要演示一個生成器可以執(zhí)行的更加詭異的操作：運行過程中向函數(shù)傳參。
返回生成器和next函數(shù)操作生成器已經(jīng)并不奇怪了，但是在函數(shù)運行過程中向其傳參還是讓人驚呆了。 調(diào)用生成器的send函數(shù)傳入?yún)?shù)，在函數(shù)內(nèi)使用yield語句的返回值接收，然后繼續(xù)運行直到下一個yield語句返回。 以前實現(xiàn)這種運行流程的方式是在函數(shù)中加上一個從控制臺獲取數(shù)據(jù)的指令，或者提前將參數(shù)傳入，但是現(xiàn)在不用了，send方式使得傳入的參數(shù)可以隨著讀取到的參數(shù)變化而變化。
很多的開發(fā)者比較容易混淆生成器和迭代器，而迭代器的運行過程更加符合一般的程序調(diào)用運行流程，因此從親進度和使用熟悉度而言，大家對迭代器更有好感。比如下面演示一個對迭代器使用next方法進行操作。
從以上演示來看，大家或許會認為迭代器比生成器簡單易用得太多了。不過，如果你了解迭代器的實現(xiàn)機制，可能就不會這么早下結(jié)論了。python內(nèi)置了一些已經(jīng)實現(xiàn)了的迭代器使用確實方便，但是如果需要自己去寫一個迭代器呢？下面這段代碼就帶大家見識以下迭代器的實現(xiàn)。
在python中，能被next函數(shù)操作的對象一定帶有__next__函數(shù)的實現(xiàn)，而能夠被迭代的對象有必須實現(xiàn)__iter__函數(shù)?？戳诉@么一段操作，相信大家對迭代器實現(xiàn)的繁瑣也是深有體會了，那么生成器的實現(xiàn)是不是會讓你覺得更加簡單易用呢？不過千萬別產(chǎn)生一個誤區(qū)，即生成器比迭代器簡單就多用生成器。 在實際開發(fā)中，如果遇到與大量磁盤文件或者數(shù)據(jù)庫操作相關(guān)的倒是可以使用生成器。但是在其他的任務(wù)中使用生成器難免有炫技，并且使邏輯不清晰而導致可讀性下降的嫌疑。 這大概也能解釋生成器受冷落的原因。不過作為一個專業(yè)的開發(fā)者，熟悉語言特性是分內(nèi)之事。
到此，關(guān)于生成器的討論就結(jié)束了。本文的notebook版本文件在github上的cnbluegeek/notebook倉庫中共享，歡迎感興趣的朋友前往下載。
1. 常用函數(shù)庫
? scipy包中的stats模塊和statsmodels包是python常用的數(shù)據(jù)分析工具，scipy.stats以前有一個models子模塊，后來被移除了。這個模塊被重寫并成為了現(xiàn)在獨立的statsmodels包。
?scipy的stats包含一些比較基本的工具，比如：t檢驗，正態(tài)性檢驗，卡方檢驗之類，statsmodels提供了更為系統(tǒng)的統(tǒng)計模型，包括線性模型，時序分析，還包含數(shù)據(jù)集，做圖工具等等。
2. 小樣本數(shù)據(jù)的正態(tài)性檢驗
(1) 用途
?夏皮羅維爾克檢驗法 (Shapiro-Wilk) 用于檢驗參數(shù)提供的一組小樣本數(shù)據(jù)線是否符合正態(tài)分布，統(tǒng)計量越大則表示數(shù)據(jù)越符合正態(tài)分布，但是在非正態(tài)分布的小樣本數(shù)據(jù)中也經(jīng)常會出現(xiàn)較大的W值。需要查表來估計其概率。由于原假設(shè)是其符合正態(tài)分布，所以當P值小于指定顯著水平時表示其不符合正態(tài)分布。
?正態(tài)性檢驗是數(shù)據(jù)分析的第一步，數(shù)據(jù)是否符合正態(tài)性決定了后續(xù)使用不同的分析和預測方法，當數(shù)據(jù)不符合正態(tài)性分布時，我們可以通過不同的轉(zhuǎn)換方法把非正太態(tài)數(shù)據(jù)轉(zhuǎn)換成正態(tài)分布后再使用相應的統(tǒng)計方法進行下一步操作。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果 p-value=0.029035290703177452，比指定的顯著水平（一般為5%）小，則拒絕假設(shè)：x不服從正態(tài)分布。
3. 檢驗樣本是否服務(wù)某一分布
(1) 用途
?科爾莫戈羅夫檢驗(Kolmogorov-Smirnov test)，檢驗樣本數(shù)據(jù)是否服從某一分布，僅適用于連續(xù)分布的檢驗。下例中用它檢驗正態(tài)分布。
(2) 示例
(3) 結(jié)果分析
?生成300個服從N(0,1)標準正態(tài)分布的隨機數(shù)，在使用k-s檢驗該數(shù)據(jù)是否服從正態(tài)分布，提出假設(shè)：x從正態(tài)分布。最終返回的結(jié)果，p-value=0.9260909172362317，比指定的顯著水平（一般為5%）大，則我們不能拒絕假設(shè)：x服從正態(tài)分布。這并不是說x服從正態(tài)分布一定是正確的，而是說沒有充分的證據(jù)證明x不服從正態(tài)分布。因此我們的假設(shè)被接受，認為x服從正態(tài)分布。如果p-value小于我們指定的顯著性水平，則我們可以肯定地拒絕提出的假設(shè)，認為x肯定不服從正態(tài)分布，這個拒絕是絕對正確的。
4.方差齊性檢驗
(1) 用途
?方差反映了一組數(shù)據(jù)與其平均值的偏離程度，方差齊性檢驗用以檢驗兩組或多組數(shù)據(jù)與其平均值偏離程度是否存在差異，也是很多檢驗和算法的先決條件。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果 p-value=0.19337536323599344, 比指定的顯著水平（假設(shè)為5%）大，認為兩組數(shù)據(jù)具有方差齊性。
5. 圖形描述相關(guān)性
(1) 用途
?最常用的兩變量相關(guān)性分析，是用作圖描述相關(guān)性，圖的橫軸是一個變量，縱軸是另一變量，畫散點圖，從圖中可以直觀地看到相關(guān)性的方向和強弱，線性正相關(guān)一般形成由左下到右上的圖形；負面相關(guān)則是從左上到右下的圖形，還有一些非線性相關(guān)也能從圖中觀察到。
(2) 示例
(3) 結(jié)果分析
?從圖中可以看到明顯的正相關(guān)趨勢。
6. 正態(tài)資料的相關(guān)分析
(1) 用途
?皮爾森相關(guān)系數(shù)（Pearson correlation coefficient）是反應兩變量之間線性相關(guān)程度的統(tǒng)計量，用它來分析正態(tài)分布的兩個連續(xù)型變量之間的相關(guān)性。常用于分析自變量之間，以及自變量和因變量之間的相關(guān)性。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個值為相關(guān)系數(shù)表示線性相關(guān)程度，其取值范圍在[-1,1]，絕對值越接近1，說明兩個變量的相關(guān)性越強，絕對值越接近0說明兩個變量的相關(guān)性越差。當兩個變量完全不相關(guān)時相關(guān)系數(shù)為0。第二個值為p-value，統(tǒng)計學上，一般當p-value0.05時，可以認為兩變量存在相關(guān)性。
7. 非正態(tài)資料的相關(guān)分析
(1) 用途
?斯皮爾曼等級相關(guān)系數(shù)(Spearman’s correlation coefficient for ranked data )，它主要用于評價順序變量間的線性相關(guān)關(guān)系，在計算過程中，只考慮變量值的順序（rank, 值或稱等級），而不考慮變量值的大小。常用于計算類型變量的相關(guān)性。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個值為相關(guān)系數(shù)表示線性相關(guān)程度，本例中correlation趨近于1表示正相關(guān)。第二個值為p-value，p-value越小，表示相關(guān)程度越顯著。
8. 單樣本T檢驗
(1) 用途
?單樣本T檢驗，用于檢驗數(shù)據(jù)是否來自一致均值的總體，T檢驗主要是以均值為核心的檢驗。注意以下幾種T檢驗都是雙側(cè)T檢驗。
(2) 示例
(3) 結(jié)果分析
?本例中生成了2列100行的數(shù)組，ttest_1samp的第二個參數(shù)是分別對兩列估計的均值，p-value返回結(jié)果，第一列1.47820719e-06比指定的顯著水平（一般為5%）小，認為差異顯著，拒絕假設(shè)；第二列2.83088106e-01大于指定顯著水平，不能拒絕假設(shè)：服從正態(tài)分布。
9. 兩獨立樣本T檢驗
(1) 用途
?由于比較兩組數(shù)據(jù)是否來自于同一正態(tài)分布的總體。注意：如果要比較的兩組數(shù)據(jù)不滿足方差齊性， 需要在ttest_ind()函數(shù)中添加參數(shù)equal_var = False。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個值為統(tǒng)計量，第二個值為p-value，pvalue=0.19313343989106416，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)，兩組數(shù)據(jù)來自于同一總結(jié)，兩組數(shù)據(jù)之間無差異。
10. 配對樣本T檢驗
(1) 用途
?配對樣本T檢驗可視為單樣本T檢驗的擴展，檢驗的對象由一群來自正態(tài)分布獨立樣本更改為二群配對樣本觀測值之差。它常用于比較同一受試對象處理的前后差異，或者按照某一條件進行兩兩配對分別給與不同處理的受試對象之間是否存在差異。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個值為統(tǒng)計量，第二個值為p-value，pvalue=0.80964043445811551，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)。
11. 單因素方差分析
(1) 用途
?方差分析(Analysis of Variance，簡稱ANOVA)，又稱F檢驗，用于兩個及兩個以上樣本均數(shù)差別的顯著性檢驗。方差分析主要是考慮各組之間的平均數(shù)差別。
?單因素方差分析（One-wayAnova），是檢驗由單一因素影響的多組樣本某因變量的均值是否有顯著差異。
?當因變量Y是數(shù)值型，自變量X是分類值，通常的做法是按X的類別把實例成分幾組，分析Y值在X的不同分組中是否存在差異。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個值為統(tǒng)計量，它由組間差異除以組間差異得到，上例中組間差異很大，第二個返回值p-value=6.2231520821576832e-19小于邊界值（一般為0.05）,拒絕原假設(shè), 即認為以上三組數(shù)據(jù)存在統(tǒng)計學差異，并不能判斷是哪兩組之間存在差異 。只有兩組數(shù)據(jù)時，效果同 stats.levene 一樣。
12. 多因素方差分析
(1) 用途
?當有兩個或者兩個以上自變量對因變量產(chǎn)生影響時，可以用多因素方差分析的方法來進行分析。它不僅要考慮每個因素的主效應，還要考慮因素之間的交互效應。
(2) 示例
(3) 結(jié)果分析
?上述程序定義了公式，公式中，"~"用于隔離因變量和自變量，”+“用于分隔各個自變量， ":"表示兩個自變量交互影響。從返回結(jié)果的P值可以看出，X1和X2的值組間差異不大，而組合后的T:G的組間有明顯差異。
13. 卡方檢驗
(1) 用途
?上面介紹的T檢驗是參數(shù)檢驗，卡方檢驗是一種非參數(shù)檢驗方法。相對來說，非參數(shù)檢驗對數(shù)據(jù)分布的要求比較寬松，并且也不要求太大數(shù)據(jù)量?？ǚ綑z驗是一種對計數(shù)資料的假設(shè)檢驗方法，主要是比較理論頻數(shù)和實際頻數(shù)的吻合程度。常用于特征選擇，比如，檢驗男人和女人在是否患有高血壓上有無區(qū)別，如果有區(qū)別，則說明性別與是否患有高血壓有關(guān)，在后續(xù)分析時就需要把性別這個分類變量放入模型訓練。
?基本數(shù)據(jù)有R行C列, 故通稱RC列聯(lián)表(contingency table), 簡稱RC表，它是觀測數(shù)據(jù)按兩個或更多屬性（定性變量）分類時所列出的頻數(shù)表。
(2) 示例
(3) 結(jié)果分析
?卡方檢驗函數(shù)的參數(shù)是列聯(lián)表中的頻數(shù)，返回結(jié)果第一個值為統(tǒng)計量值，第二個結(jié)果為p-value值，p-value=0.54543425102570975，比指定的顯著水平（一般5%）大，不能拒絕原假設(shè)，即相關(guān)性不顯著。第三個結(jié)果是自由度，第四個結(jié)果的數(shù)組是列聯(lián)表的期望值分布。
14. 單變量統(tǒng)計分析
(1) 用途
?單變量統(tǒng)計描述是數(shù)據(jù)分析中最簡單的形式，其中被分析的數(shù)據(jù)只包含一個變量，不處理原因或關(guān)系。單變量分析的主要目的是通過對數(shù)據(jù)的統(tǒng)計描述了解當前數(shù)據(jù)的基本情況，并找出數(shù)據(jù)的分布模型。
?單變量數(shù)據(jù)統(tǒng)計描述從集中趨勢上看，指標有：均值，中位數(shù)，分位數(shù)，眾數(shù)；從離散程度上看，指標有：極差、四分位數(shù)、方差、標準差、協(xié)方差、變異系數(shù)，從分布上看，有偏度，峰度等。需要考慮的還有極大值，極小值（數(shù)值型變量）和頻數(shù)，構(gòu)成比（分類或等級變量）。
?此外，還可以用統(tǒng)計圖直觀展示數(shù)據(jù)分布特征，如：柱狀圖、正方圖、箱式圖、頻率多邊形和餅狀圖。
15. 多元線性回歸
(1) 用途
?多元線性回歸模型（multivariable linear regression model ），因變量Y（計量資料）往往受到多個變量X的影響，多元線性回歸模型用于計算各個自變量對因變量的影響程度，可以認為是對多維空間中的點做線性擬合。
(2) 示例
(3) 結(jié)果分析
?直接通過返回結(jié)果中各變量的P值與0.05比較，來判定對應的解釋變量的顯著性，P0.05則認為自變量具有統(tǒng)計學意義，從上例中可以看到收入INCOME最有顯著性。
16. 邏輯回歸
(1) 用途
?當因變量Y為2分類變量（或多分類變量時）可以用相應的logistic回歸分析各個自變量對因變量的影響程度。
(2) 示例
(3) 結(jié)果分析
?直接通過返回結(jié)果中各變量的P值與0.05比較，來判定對應的解釋變量的顯著性，P0.05則認為自變量具有統(tǒng)計學意義。
在學習Python的過程中，有幾個比較重要的內(nèi)置函數(shù)：help()函數(shù)、dir()函數(shù)、input()與raw_input()函數(shù)、print()函數(shù)、type()函數(shù)。
第一、help()函數(shù)
Help()函數(shù)的參數(shù)分為兩種：如果傳一個字符串做參數(shù)的話，它會自動搜索以這個字符串命名的模塊、方法等;如果傳入的是一個對象，就會顯示這個對象的類型的幫助。比如輸入help(‘print’)，它就會尋找以‘print’為名的模塊、類等，找不到就會看到提示信息;而print在Python里是一個保留字，和pass、return同等，而非對象，所以help(print)也會報錯。
第二、dir()函數(shù)
dir()函數(shù)返回任意對象的屬性和方法列表，包含模塊對象、函數(shù)對象、字符串對象、列表對象、字典對象等。盡管查找和導入模塊相對容易，但是記住每個模塊包含什么卻不是這么簡單，您并不希望總是必須查看源代碼來找出答案。Python提供了一種方法，可以使用內(nèi)置的dir()函數(shù)來檢查模塊的內(nèi)容，當你為dir()提供一個模塊名的時候，它返回模塊定義的屬性列表。dir()函數(shù)適用于所有對象的類型，包含字符串、整數(shù)、列表、元組、字典、函數(shù)、定制類、類實例和類方法。
第三、input與raw_input函數(shù)
都是用于讀取用戶輸入的，不同的是input()函數(shù)期望用戶輸入的是一個有效的表達式，而raw_input()函數(shù)是將用戶的輸入包裝成一個字符串。
第四、Print()函數(shù)
Print在Python3版本之間是作為Python語句使用的，在Python3里print是作為函數(shù)使用的。
第五、type()函數(shù)
Type()函數(shù)返回任意對象的數(shù)據(jù)類型。在types模塊中列出了可能的數(shù)據(jù)類型，這對于處理多種數(shù)據(jù)類型的函數(shù)非常有用，它通過返回類型對象來做到這一點，可以將這個類型對象與types模塊中定義類型相比較。
是python的odd的函數(shù)。
1、sum函數(shù)，Python中的求和運算。2、參數(shù)，iterable。iterable為可迭代對象，可以是list，tuple或者dictionary等。start，指定相加的參數(shù)，如果沒有設(shè)置這個值，默認為0。
函數(shù)在數(shù)學中是兩不為空集的集合間的一種對應關(guān)系，輸入值集合中的每項元素皆能對應唯一一項輸出值集合中的元素。其定義通常分為傳統(tǒng)定義和近代定義，前者從運動變化的觀點出發(fā)，而后者從集合、映射的觀點出發(fā)。函數(shù)概念含有三個要素。定義域A、值域C和對應法則f。
重慶分公司
重慶分公司
