【机器学习】《机器学习建模基础》笔记
文章目录
- 单元0 前言
- 单元1 数学建模与机器学习
- 学习目标
- （一）什么是模型
- （二）数学模型的分类
- （三）数学建模的一般步骤
- （四）机器学习的概念
- （五）机器学习的分类
- （六）机器学习的算法
- （七）机器学习的步骤
- （八）机器学习三要素
- 单元2 Python安装和编程基础
- 学习目标
- （一）Python支持许多机器学习工具库
- （二）Anaconda
- （三）Jupyter Notebook
- （四）PyCharm
- （五）安装
- （六）基本数据类型
- （七）流程控制语句
- （八）习题：输入年月日，判断这一天是这一年的第几天
- 单元3 Python常用工具包
- 学习目标
- （一）NumPy
- 1、查看数组的数据类型使用dtype
- 2、特定函数创建规则型数组
- 3、数组的运算
- 4、数组索引与切片
- 5、数组的矩阵操作
- 6、数组的形状操作
- 7、NumPy数组的统计分析功能
- 8、案例1：简单房价预测（使用NumPy矩阵计算拟合房价）
- 9、案例2：使用NumPy随机数设计猜数游戏
- （二）Pandas
- 1、序列Series
【我选择这本书的理由】
这本书比较简单，案例是常见的经典案例，算法也是最基本的。还有就是数据集比较好获取，有些甚至是三方包里面自带的。
感觉对初学者比较友好。
【说明】
本笔记的结构框架与书中内容并不完全一致，依据个人兴趣及理解等做了筛选。有些知识点并不连贯，只是按条进行简单记录。
前面理论比较多，虽然简单基础，但我觉得还是有必要梳理一下，让思路更清晰。
单元2开始有代码，单元5开始才有案例。
单元0 前言
作者给出教学建议：共64学时，也就是说，一个星期就能学完啦~
单元1 数学建模与机器学习
学习目标
【知识目标】
1、掌握数学模型的概念和建模步骤
2、了解机器学习的概念和算法
【能力目标】
能够对常见问题进行简单的数学建模
（一）什么是模型
1、模型是相对于原型而言的。
所谓原型，就是客观世界中存在的现实对象、实际问题、研究对象和系统。
而模型是根据实物按比例、生态或其他特征制成的与实物相似的一种物体，模型是原型的替代品。
2、模型分为物理模型和数学模型。
物理模型是指对原型按照保留主要特征、设计次要特征……比如飞机模型、火箭模型……（不写了哈，就是乐高好吧。。反正物理模型与机器学习无关）
数学模型是用数学语言对原型进行表示的数学公式、图形或算法等形式，它是真是系统的一种抽象。
数学模型是分析、设计、预报或预测、控制实际系统的基础。
一般来说，数学模型是指用字母、数字和其他数学符号构成的等式或不等式，或用图表、图像、框图、数理逻辑等来描述系统的特征及其内部或与外部联系的模型。
数学模型的理解示意图：
假设输入数据是x，输出结果是y，那中间的模型就是一个x和y之间的方程，当然，这只是一种片面的解释，但有助于理解模型是什么。
3、模型由结构和参数两部分构成。结构一般是根据人的理解和对事物的认识而选择或创建的，参数是通过算法根据样本数据逐步确定的，确定参数的过程叫做训练。
我的理解结构就是选择什么模型；不同的模型结构不一样，里面的x、y以及方程的解（也就是参数）就不同。
4、机器学习算法中的深度学习，实际上就是增加了结点（又称为算子，代表一个操作，一般用来表示施加的数字运算，也可以表示数据输入的起点以及输出的终点）的层数和个数，从而增加了模型的复杂度。
（二）数学模型的分类
这里了解即可。我感觉说的不是很对，黑白灰箱那里。等学习深入以后再验证吧。反正这里不是重要的知识点。
为什么不用脑图？不喜欢看，乱。。
（三）数学建模的一般步骤
数学建模：问题定义 ==> 数学模型 的过程。
懒得自己画了，直接上图片。
【第1步】模型准备
了解问题的实际背景，明确建模目的 ==> 搜集必需的信息（如数据）=> 尽量弄清研究对象的主要特征
【第2步】模型假设
根据对象的特征和建模目的，抓住问题本质，忽略次要因素 => 对问题进行必要的、合理的简化假设
【第3步】模型构成
根据所做的假设，用数学语言、符号描述对象的内在规律，建立包含常量、变量等的数学模型，如优化模型、微分方程模型等。
建立数学模型是为了让更多人明了并加以应用，因此尽量采用简单的数学工具。
【第4步】模型求解
可以采用解方程、画图形、优化方法、逻辑运算、数值运算等各种传统的和近代的数学方法，特别是数学软件和计算机技术。
【第5步】模型分析
对结果进行分析，如结果的误差分析、统计分析、模型对数据的灵敏性分析、对假设的强健性分析等。
【第6步】模型检验
将求解和分析结果返回到实际问题，与实际的现象、数据比较，检验模型的合理性和适用性。
如果结果与实际不符，问题常常出现在模型假设上，应该修改、补充假设，重新建模（图中虚线部分）。
直到检验结果获得某种程度上的满意为止。
【第7步】模型应用
用建立的模型解决实际问题。
（四）机器学习的概念
1、人工智能的应用范围包括计算机科学、金融贸易、医疗、交通、农业、服务业等行业。
其中，机器学习是解决人工智能问题的主要技术，在人工智能体系中处于基础与核心的地位。它广泛应用与机器视觉、语音识别、自然语言处理、数据挖掘等领域。
2、通俗来讲，机器学习是让计算机通过模拟人类的学习行为，来获取新的知识和技能，重新组织已有的知识结构，以不断改善自身智能。（这个说法我不喜欢……感觉又笼统又不准确）
比如在无人驾驶汽车系统中，机器学习的任务是根据路况确定驾驶方式，遇到红灯时刹车、遇到行人时避让，学习的效果用事故发生概率度量。经验就是人类大量的驾驶数据。从这些数据中，机器学习算法能提取出各种路况下人类正确的驾驶方式，从而在无人驾驶模式下根据学习的驾驶方式来操纵汽车。
==>机器学习是对已知的样本数据（或称为经验数据）加以提炼，用数学模型完成对数据进行预测和决策的任务。
在机器学习中，用于学习的样本数据称为训练数据，完成任务的方法称为模型。
3、机器学习应用
停车场出入口的车牌识别、电商网站的商品推荐、新闻头条的新闻推荐、人脸识别、语音输入、人机对弈等。
（五）机器学习的分类
按训练方式不同，分为监督学习、无监督学习和强化学习。
1、监督学习：监督学习的样本数据都带有相应的特征组和标签。监督学习的任务就是根据对象的特征组对标签的取值进行预测推断。
根据样本数据所带标签值的特性，可以将监督学习分为两类：
1）分类问题：标签只取有限个可能值，如垃圾邮件识别。
2）回归问题：标签取值于某个区间的连续实数，如房价预测问题。
2、无监督学习：无监督学习的样本数据不含标签。学习的任务通常是对数据本身的模式进行识别与分类。
无监督学习的典型代表：
1）聚类问题：聚类问题与监督学习中的分类问题类似，也是将数据按模式归类，只不过聚类问题中的类别是未知的，分类问题的类别是已知的。如个性化新闻推送。
2）降维问题：在机器学习中，每个样本的特征组可以用一个向量表示。在许多应用中特征组维度相当高，甚至达到百万级。众多的特征增加了求解问题的难度，因此需要考虑对特征组进行降维处理，即用低维度的向量表示原始的高维特征。
3、强化学习：比如训练小狗坐这个动作，当小狗动作正确时，给它一把狗粮作为奖励，当它的动作错误时就不给狗粮奖励。那么时间一长，小狗就学会了坐这个动作，这个想学习过程就是强化学习。
强化学习的任务是根据对环境的探索制定应对环境变化的策略。其机制是动作发生后观察结果，根据上一个结果做出下一个动作。
它模拟了生物探索环境与积累经验的过程。
应用：博弈策略、无人驾驶、机器人控制等诸多前沿人工智能领域。
（六）机器学习的算法
（七）机器学习的步骤
1、问题抽象：现实问题抽象成数学问题。
具体：明确可以获得什么样的数据，目标是一个分类、回归还是聚类问题。如果都不是的话，是否可以将其归类为其中的某类问题。
2、获取数据
包括获取原始数据、从原始数据中经过特征工程提取训练数据、测试数据。
3、特征工程
包括从原始数据中进行特征构建、特征提取、特征选择。
4、模型训练、诊断、调优
模型诊断中至关重要的是判断过拟合、欠拟合，常见的方法是绘制学习曲线，交叉验证。
增加训练的数据量、降低模型复杂度 ==> 降低过拟合
提高特征的数量和质量、增加模型复杂度 = => 防止欠拟合
5、模型验证、误差分析
通过测试数据，验证模型的有效性，观察误差样本，分析误差产生的原因，往往能找到提升算法性能的突破点。
6、模型融合
提升算法的准确度，主要方法是将多个模型进行融合。
在机器学习比赛中，模型融合非常常见，基本都能使得模型效果有一定的提升。
7、上线运行
模型在线上运行的效果直接决定模型的成败。
不仅包括模型的准确程度、误差等情况，还包括运行的速度、资源的消耗程度、稳定性是否可接受。
（八）机器学习三要素
数据、算法、模型。
1、数据
2、算法：指的是线性回归、逻辑回归、朴素贝叶斯、支持向量机等算法。
从本质上说，这些算法都是由一些公式组成的。
比如一元线性回归方程y=ax+b就是线性回归最简单的形式。在这个公式中，x、y分别是自变量和因变量，在训练模型时输入训练数据实际上就是输入这些变量，然后通过计算将参数a、b计算出来，这样模型就训练好了。如果a=2，b=1，那么模型就是y=2x+1，利用这个模型就可以实现基本的预测功能了，而生成这个模型的过程就是数据建模的过程。现在有一个新的数据点（5，y），将x=5输入这个模型预测出y，结果是11。
点评：这个例子非常好，虽然简单，却也直观的告诉初学者，所谓算法，其实就是一个公式，或者一些公式的组合。
我们通过大量的x、y、z…等等变量（也就是训练集里面的特征值、目标值），计算出公式里面的系数a、b、c、d…等（也就是参数），然后把这些参数套到x、y、z的公式里面，就得到了模型结果（就是训练出来的模型），也就是一个系数是已知常数公式或者一些公式的组合。
然后我们用自变量（假设x、y是自变量，z是因变量）x、y套入到刚才算好a、b、c、d等系数的这个 公式/公式组合 里面，得到新的因变量z的值，看看与实际的z值接不接近（这个过程就是测试模型）。
3、模型：概括来说，模型是一个从输入到输出的函数，算法则是利用样本生成模型的方法，学习（也可称为训练）则是利用样本通过算法生成模型的过程。
算法和模型的区别是什么啊？ 我理解的是，这个公式里面系数的求解过程是算法。当系数求出来了，公式也就确定下来了，然后这个模型也就确定了。 算法就是求解公式/函数的过程，模型就是求出来的这个公式/函数。 比如我们要做一个公式，先加10再减5再取绝对值，这个加、减、取绝对值，都是算法，最后我们通过这个算法组合，得到一个或几个公式，这个结果（一个或几个公式）就是模型。 （不知道我理解的对不对）
单元2 Python安装和编程基础
目前人工智能相关的程序通常使用python来编写的，原因？
1、python是一门解释型脚本语言，入门简单、易上手。
2、phthon开发效率高，有非常强大的第三方库，基本上可以实现计算机能实现的任何功能。在这些库的基础上进行开发，可以大大降低开发周期。==>站在巨人肩膀上
学习目标
【知识目标】
1、掌握python软件的安装方法
2、掌握python编程基础语法
【能力目标】
1、能够独立安装python软件和用到的工具包
2、能够使用Jupyter Notebook或PyCharm编写案例的代码
（一）Python支持许多机器学习工具库
例如：
（二）Anaconda
1、Anaconda是Python的一个集成管理工具，它把Python中有关数据计算分析的包都集成在一起，里面包含了720多个数据科学相关的开源包，在数据可视化、机器学习、深度学习等方面都有涉及。
2、它同时也是个环境管理器，解决了多版本Python并存、切换的问题。
3、还有个巨大优势：即，有偏数据分析风格的Spyder集成环境以及交互很好的Jupyter Notebook应用。
==> Anaconda优点总结：省时省心、分析利器
（三）Jupyter Notebook
本质是一个Web应用程序，便于创建和共享文字化程序文档，支持实时代码、数学方程、可视化和Markdown。
【优点】
1、极其适合数据分析：运行即可在cell下得到结果。
2、支持多语言：只要安装对应程序语言的核（kernel），就可使用该语言。
3、分享便捷：支持以网页的形式分享，也支持导出成HTML、Markdown、PDF等多种格式的文档。
4、远程运行：在任何地点都可以通过网络连接远程服务器来实现运算。
5、交互式展现：不仅可以输出图片、视频、数学公式，还可以呈现一些互动的可视化内容，需要交互式插件（Interactive Widgets）来支持。
【缺点】
1、不太适合做工程。
2、不方便调试。
（四）PyCharm
带有一整套可以帮助用户在使用Python语言开发时提高效率的工具。
如：调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制等。
此外，该IDE还提供了一些高级功能，以用于支持Django框架下的专业Web开发。
IDE，全称“Integrated Development Environment”，中文意思为“集成开发环境”。 集成了代码编写功能、分析功能、编译功能、调试功能等一体化的开发软件服务套。 IDE一般包括代码编辑器、编译器、调试器和图形用户界面等工具，可以独立运行，也可以和其它程序并用。 常见的IDE如微软的Visual Studio系列、Borland的C++ Builder、Delphi系列等。
（五）安装
书中演示了Python、Anaconda、PyCharm、Jupyter Notebook，挤一挤Python扩展包的安装方法和安装过程。略。
关于Anaconda的安装可参考本人另一篇博客：
【机器学习】anaconda安装过程
【安装python扩展包】有三种方法
1、直接复制
针对单文件模块，可直接把文件复制到Python安装目录下的Lib文件夹下（$python_dir/Lib）
2、使用pip工具
3、使用源文件
在Github上下载对应的压缩包，解压缩之后，文件夹下会有个setup.py文件，从命令行窗口进入该文件夹，输入命令：
python setup.py install
即可完成扩展包安装。
（六）基本数据类型
Python有5个标准的数据类型：Numbers(数字)、Sting(字符串)、List(列表)、Tuple(元组)、Dictionary(字典)。
可以用type()查看变量类型。
1、Numbers（数字）
2、String（字符串）
1）Python中可以使用单引号、双引号、或者三个引号来创建字符串。
2）字符串切片：可以使用变量[头下标：尾下标：步长]来截取相应的字符串。其中，默认步长为1，同时默认头下标为0、尾下标为字符串长度。
我理解这里所说的下标，是索引？
当步长为负数时，默认头下标为字符串长度-1，且默认尾下标为none（尾下标不是0，否则不包含第0个字符；尾下标也不是-1，否则指的是最后一个字符）。
==>当步长为负数的时候，就是倒着来。从后往前截取。
s = 'I love python' s[2:4] # 取下标为偶数的字符 # 下标为0，2，4，…… s1 = '''hello, my dear''' s1[::2] # 取字符串逆序 s2 = '''hello, my dear''' s2[::-1] # 求字符串长度 s3 = '''hello, my dear''' len(s3)
3、List（列表）
把都好风格的不同数据项用方括号括起来即是列表。其数据项不需要具有相同的类型，切片操作和字符串一致。
【常用的列表操作方法】
- list.append(obj)：在列表末尾添加新的对象
- list.extend(other_list)：在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）
- list.index(obj)：从列表中找出某个对象第一次匹配的索引位置
- list.insert(index, obj)：将对象插入列表中的指定位置
- list.pop(obj=list[-1])：移除列表中的一个元素（默认最后一个元素），并且返回该元素的值
- list.remove(obj)：移除列表中某个值的第一个匹配项
- list.sort([func])：对原列表进行排序
列表里面，虽然可以有各种数据类型，但排序的时候要注意他们是否可以直接比较大小。
4、Tupple（元组）
一般情况下，用小括号将逗号分隔的不同数据项括起来即为元组，但是小括号可以省略。
可以将元组看作特殊的列表，因为元组不能进行修改。
5、Dictionary（字典）
字典由键和对应值成对组成，每个键与值用冒号“：”隔开，每对用逗号分隔，整体放在花括号“{}”中。
字典也被称作关联数组或哈希表。
1）键必须独一无二，值不必
2）只可以是任意数据类型，但必须是不可变的，也就是只能是字符串、数值或元组。
（七）流程控制语句
编程语言中的流程控制语句分为顺序语句、分支语句和循环语句。
1、顺序语句：不需要单独的关键字来控制，就是逐行执行。
2、条件分支语句是通过判断条件的执行结果（true/false）来决定执行哪个分支的代码块，当判断结果为true则执行true分支的语句，否则执行false分支的语句（可以没有false分支语句）。
3、循环语句：用于多次执行一个代码语言或代码块，Python中提供for循环和while循环。
（八）习题：输入年月日，判断这一天是这一年的第几天
（代码来自文心一言）
def is_leap_year(year): """判断是否是闰年""" return (year % 4 == 0 and year % 100 != 0) or (year % 400 == 0) # 判断是否是闰年，是返回True，不是返回False。 def day_of_year(year, month, day): """计算这一天是一年中的第几天""" month_days = [31, 28 + is_leap_year(year), 31, 30, 31, 30, 31, 31, 30, 31, 30, 31] return sum(month_days[:month - 1]) + day # 2月份的天数28与True相加等于29，与False相加等于28. # 返回值是输入月份的上一个月对应的列表里面元素之和（也就是截止到上个月的天数），再加上输入的“日”（也就是当月的天数）。 # 示例使用 year = int(input("请输入年份: ")) month = int(input("请输入月份: ")) day = int(input("请输入日期: ")) # 调用函数并打印结果 day_number = day_of_year(year, month, day) print(f"{year}年{month}月{day}日是一年中的第{day_number}天")单元3 Python常用工具包
学习目标
【知识目标】
1、掌握NumPy库中数组的运算、随机数处理和数据统计分析方法
2、掌握Pandas库中Series序列和DataFrame数据框的使用方法
3、掌握Matplotlib库中散点图、曲线图、直方图、柱状图、饼图等的绘制方法
4、学习Sklearn中数据集、算法的调用方法
【能力目标】
1、能够调用NumPy库方法对模型数据进行计算处理
2、能够使用Series序列和DataFrame对模型数据进行统计分析
3、能够调用Matplotlib库设计绘图布局，进行图形绘制
4、能够调用Sklearn中机器学习算法进行模型训练和数据预测
（一）NumPy
1、NumPy是Numerical Python的缩写。
2、提供了快速计算数组的例程，包括数学运算、逻辑运算、形状操作、排序、选择、I/O、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等。
3、NumPy的核心是数组（arrays），具体来说是多维数组（n-dimensional arrays）。
NumPy就是对这些数组进行创建、删除、运算等操作的一个程序包。
1、查看数组的数据类型使用dtype
NumPy中最常用的数据类型是bool、int32、int64、float16、float32等。
2、特定函数创建规则型数组
3、数组的运算
4、数组索引与切片
5、数组的矩阵操作
用mat()函数创建矩阵，dot()函数进行矩阵相乘，X.T表示矩阵X的转置。
NumPy线性代数库linalg中的inv函数可用于方阵求逆。
在NumPy中，np.mat()创建的矩阵Matrix必须是二维的，但是np.array()可以是多维的，Matrix是arrays的一个分支，包含于arrays。所以矩阵拥有数组的所有特性。
6、数组的形状操作
7、NumPy数组的统计分析功能
对二位数组来说，既可以对所有元素进行求和等统计，也可以对列或行进行统计，此时就需要额外再设置一个参数axis，表示按照第几个维度进行计算。
8、案例1：简单房价预测（使用NumPy矩阵计算拟合房价）
使用NumPy矩阵计算拟合房价
# 案例来自《机器学习建模基础》机械工业出版社 ## 案例1 简单房价预测 # 给出房屋面积及售价，求出模型（也就是公式）。模型/公式确定后，可利用它做下一步的预测。 # 思路： # 房价预测问题属于典型的回归模型的求解问题。 # 可以列出个样本点的售价组成的向量y、房子面积组成的矩阵X以及函数的参数向量θ，它们之间的关系为y=Xθ，求解参数的公式为θ=(XTX)-1XTy （这里的-1和T都应该在右上角的） # 在本案例中，y=[100, 120,117, 125]，每个样本的特征是房子面积，特征向量是x=(1,房子面积)，所以矩阵X=[[1,100], [1,150], [1,130], [1,160]]，参数向量θ=[θ0, θ1] （这里的0、1是右下角）. import pandas as pd import numpy as np import matplotlib.pyplot as plt # 创建一个字典，其中键是列名（标题），值是列的数据 data = { '面积/m³': [100, 150, 130, 160], '售价/万元': [100, 120, 117, 125] # '城市': ['北京', '上海', '深圳'] } print('data:', data) # 使用字典创建DataFrame df = pd.DataFrame(data) # 显示DataFrame print('df:\n', df) # print(df) X = np.array([[1,100], [1,150], [1,130], [1,160]]) # 由样本数据的房屋面积生成的X数组 y = np.array([100, 120,117, 125]) # 由样本数据的房价生成的y数组 a = np.linalg.inv(np.dot(X.T, X)) # 求出X转置乘以X，然后求逆 b = np.dot(a, X.T) # 然后再乘以X转置 theta = np.dot(b, y) # 求出参数theta print('theta:', theta) plt.plot(X[:,1], y, 'bo') # 绘制样本点数据 x = np.linspace(50, 200, 100) f = theta[0] + theta[1] * x plt.plot(x, f, 'r') plt.show() # 可见房价模型的参数θ0和θ1分别是61.5和0.4，所以房价模型的数据表达式就是y=61.5+0.4x，利用这个模型就可以通过新的房屋样本的房屋面积来预测房价。9、案例2：使用NumPy随机数设计猜数游戏
（1）生成随机浮点数和整数
print(np.random.rand(3,2)) # 参数3,2用于构建矩阵大小 print(np.random.randint(10,size=(5,4))) # 返回[1,10)间的随机整数，构成5行4列数组 print(np.random.rand()) # 返回一个随机值 print(np.random.randint(0,10,3)) # 返回{0,10)之间的3个随机数（2）有时候我们进行随机操作，希望每次的随机结果相同，怎么办呢？
主要指定随机种子就可以。
常用的函数：
np.random.seed(100) # 种子设成100 print(np.random.rand(3,2))
这里每次都把种子设置成100，说明随机策略相同，无论执行多少次随即操作，结果都是相同的。
不同的种子结果不同。
（3）生成服从正态分布的随机值
1）np.random.randn(d0,d1,d2,…,dn)可以返回一个或一组服从正态分布的随机样本值。
标准正态分布是以0为均数、以1为标准差的正态分布，记为N(0,1)。
2）当没有参数时，返回一个浮点数。
当有多个参数时，返回一个对应维度的多维数组。如np.random.randn(2,3)返回一个2行3列的数组。
print(np.random.randn()) print(np.random.randn(2,3))
（4）使用NumPy随机数设计猜数游戏
realNumber = np.random.randint(1,20) # 生成1到20之间的随机整数 for i in range(3): # 给三次机会 guessNumber = int(input('请输入你猜的数：')) # 读入用户猜的数 if guessNumber realNumber: print('猜大了！') else: print('恭喜你，猜对了！') break（二）Pandas
（1）Pandas是Python Data Analysis Library的简称，意为“Python数据分析库”。它是基于NumPy构建的。
Pandas用来分析结构化数据，其功能强大且提供了高级数据结构和数据操作工具。
（2）Pandas包含了数据读取、清洗、分析、矩阵运算以及数据挖掘等功能，最初用于金融数据分析，因其功能强大而应用日益广泛，成为许多数据分析的基础工具。
1、序列Series
（1）在Pandas中有两类重要的数据结构：序列（Series）和数据框（DataFrame）。
（2）Series类似于NumPy中的一维数组，并且其中每个数据对应一个索引值，可以使用一维数组中的函数或方法，也可以通过索引标签的方式获取数据，而且具有索引的自动对齐功能。
# 通过一维数组的方式创建Series import numpy as np import pandas as pd s = pd.Series(np.arange(3)) # 通过NumPy数组的方式创建序列 print(s) ls = [3,5,7] t = pd.Series(ls) # 通过python列表的方式创建序列 print(t) # 这里没有指定索引，所以索引都是从0开始。 # 当然也可以指定索引值 ls = [3,5,7] t = pd.Series(ls) t.index = ['a','b','c'] print(t)
- 1、序列Series
还没有评论，来说两句吧...