| 📌 章节 / 模块 | ⚙️ 技术点 | 📖 含义 | 🔑 关键代码 | 🧩 类比生活 | 🎯 记忆口诀 |
|---|---|---|---|---|---|
| 1.1.1-1.1.5 数据分析 |
读取CSV | 读取CSV文件 | pd.read_csv() | 打开Excel文件 | "读数据用read_csv" |
| 条件分类 | 根据条件进行分类 | np.where(条件, 真值, 假值) | 快递按重量分“普通/加急” | "条件分类where，np家三件套" | |
| 统计数量 | 统计字段值的数量 | .value_counts() | 数一数不同颜色的球有多少个 | "统计数量value_counts" | |
| 计算比例 | 计算某个值占总数的比例 | xxx_counts[...]/len(data) | 计算班级中男生占比 | "占比就是除总数" | |
| 数值分段 | 将数值分成不同的区间 | pd.cut(列, bins=, labels=) | 把学生按成绩分优良中差 | "切分用cut，bins是分界点" | |
| 分组计算 | 分组后进行计算 | .groupby().apply(lambda x: ...) | 统计每个部门的平均工资 | "分组groupby，apply算比例" | |
| 填充空值 | 填充数据中的空值 | .fillna() | 用平均分填补缺考成绩 | "fillna填补空，空值不再有" | |
| 删除数据 | 删除数据中的行或列 | .drop() | 去掉不需要的购物清单项 | "drop删除行或列" | |
| 保存CSV | 将数据保存为CSV文件 | .to_csv() | 把笔记整理成电子文档 | "数据导出to_csv" | |
| 检查空值 | 检查数据中是否存在空值 | .isnull() | 检查购物清单是否有遗漏 | "isnull检查空，问题早发现" | |
| 检查重复 | 检查数据中是否存在重复值 | .duplicated() | 检查购物清单是否有重复项 | "duplicated查重复，数据更干净" | |
| 加和计算 | 对数据进行加和计算 | .sum() | 计算购物清单总金额 | "sum求和计算，总数轻松得" | |
| 数据类型转换 | 转换数据的类型 | .astype() | 把文字金额转换为数字 | "astype转类型，格式随心变" | |
| 判断范围 | 判断数值是否在某个范围内 | .between(下限, 上限) | 判断温度是否在舒适区间 | "between判断范围，上下限分明" | |
| 数据标准化 | 对数据进行标准化处理 | (value - mean) / std | 把成绩标准化为Z分数 | "标准化处理，均值为零差为一" | |
| 2.1.1-2.1.5 数据清洗 |
删除空值 | 删除数据中的空值行 | .dropna() | 清洁房间时扔掉不用的物品 | "dropna清理空，数据更纯净" |
| 标准化处理 | 对数据进行标准化转换 | .fit_transform() | 把食材切成相同大小以便烹饪 | "fit_transform标准化，数据整齐又规范" | |
| 划分测试集 | 将数据集划分为训练集和测试集 | train_test_split() | 把水果分成两部分，一部分品尝，一部分留作测试 | "train_test_split分数据，训练测试两不误" | |
| 读取Excel | 读取Excel文件 | pd.read_excel() | 打开并查看Excel电子表格 | "read_excel读表格，数据一目了然" | |
| 行数计算 | 计算数据框的行数 | .shape[0] | 查看文件的页数来了解长度 | "shape[0]查行数，数据长度心中有数" | |
| 删除重复行 | 删除数据中的重复行 | .drop_duplicates() | 去掉购物清单中的重复项 | "drop_duplicates去重复，数据简洁无冗余" | |
| 字段值 | 获取数据框的列名 | .columns | 查看表格的列标题 | "columns看字段，列名清晰又明了" | |
| 处理异常值 | 识别和处理异常值 | .quantile() | 找出班级成绩中的异常高分或低分 | "quantile找异常，数据异常早预防" | |
| 信息结构 | 查看数据的基本信息和结构 | .info() | 查看书籍的目录和简介 | "info查看结构，数据信息全掌握" | |
| 重命名 | 重命名数据框的列 | .rename() | 给文件重新命名以便识别 | "rename改名字，列名清晰好记忆" | |
| 天数计算 | 计算日期之间的天数差 | .dt.days | 计算两个日期之间的天数 | "dt.days算天数，日期差异轻松算" | |
| 绘图 | 绘制数据图表 | .plot() | 用图表展示销售数据 | "plot来绘图，数据可视化一目了然" | |
| 散点图 | 绘制散点图 | .plot.scatter() | 用散点图展示身高与体重的关系 | "scatter画散点，关系模式看得见" | |
| 饼状图 | 绘制饼状图 | .plot.pie() | 用饼状图展示预算分配 | "pie画饼图，比例分配很清楚" | |
| 转化为整数类型 | 将数据转换为整数类型 | .to_numeric() | 把文字金额转换为数字以便计算 | "to_numeric转数字，计算方便又快捷" | |
| 2.2.1-2.2.5 机器学习训练 |
查看前五行 | 查看数据框的前五行 | .head() | 翻阅书本时先看前几页 | "head看前头，数据一眼瞅" |
| 模型训练 | 使用训练数据训练模型 | .fit(X_train, y_train) | 厨师按照食谱烹饪 | "fit模型训练忙，数据规律它来学" | |
| 保存模型 | 将训练好的模型保存到文件 | joblib.dump() 或 pickle.dump() | 把食物装进罐头保存 | "dump模型存下来，随时调用不用等" | |
| 预测 | 使用模型进行预测 | .predict() | 根据天气预报决定穿衣 | "predict预测未来，结果提前知" | |
| 标准化 | 对数据进行标准化处理 | StandardScaler() | 把食材切成相同大小以便烹饪 | "StandardScaler标准化，数据整齐又规范" | |
| 线性回归 | 构建线性回归模型 | LinearRegression() | 用直线拟合数据点 | "LinearRegression直线拟合，回归分析基础强" | |
| 转为虚拟变量 | 将分类变量转换为数值变量 | pd.get_dummies(X) | 把水果种类转换为数字编码 | "get_dummies转虚拟，分类变量数值化" | |
| 应用函数 | 对数据应用自定义函数 | .apply() | 按照食谱步骤处理食材 | "apply函数应用广，数据处理很方便" | |
| 均方误差 | 计算预测值与真实值的均方误差 | mean_squared_error() | 测量射击成绩的偏差 | "MSE算误差，平方平均偏差清" | |
| 决定系数 | 计算预测值与真实值的决定系数 | r2_score() | 评估模型解释数据的能力 | "R²看拟合，解释力强弱心中明" | |
| 平均绝对误差 | 计算预测值与真实值的平均绝对误差 | mean_absolute_error() | 计算多个测量值的平均偏差 | "MAE算偏差，绝对值平均很清楚" | |
| XGBoost回归 | 使用XGBoost构建回归模型 | xgb.XGBRegressor() | 用复杂算法提高预测精度 | "XGBRegressor强算法，回归预测更精准" | |
| 学习率 | 设置模型的学习率 | learning_rate | 控制学习进度的快慢 | "learning_rate控速度，学习效率自己调" | |
| 文件写入 | 打开文件并写入内容 | with open(report_filename, 'w') as f | 把笔记写进笔记本 | "open文件写内容，数据保存不用愁" | |
| 3.2.1-3.2.5 onnx模型应用 |
加载模型 | 使用ONNX Runtime加载模型 | ort.InferenceSession 或 onnxruntime.InferenceSession | 启动汽车引擎准备行驶 | "InferenceSession加载模型，推理引擎启动快" |
| 加载图片 | 从文件加载图片 | Image.open() | 打开一张照片查看内容 | "Image.open打开图，图片内容全掌握" | |
| 图片预处理 | 对图片进行预处理 | preprocess_image() | 清洗水果以便食用 | "preprocess_image预处理，图片干净质量高" | |
| 模型推理 | 使用加载的模型进行推理 | session.run() | 医生根据症状诊断病情 | "session.run模型推理，结果快速又精准" | |
| 获取概率 | 获取模型输出的概率值 | scipy.special() | 用骰子计算获胜概率 | "scipy.special算概率，模型输出更清晰" | |
| 排序 | 对数组进行排序 | np.argsort() | 排队站队按身高排序 | "argsort排序快，顺序排列不用愁" | |
| 调整尺寸 | 调整图片的尺寸 | image.resize() | 裁剪照片适应相框 | "image.resize调尺寸，图片适配更美观" | |
| 转换为NumPy数组 | 将数据转换为NumPy数组 | np.array() | 把水果装进篮子方便携带 | "np.array转数组，数据处理更高效" | |
| 获取最大值索引 | 获取数组中最大值的索引 | np.argmax() | 找出班级最高分的学生 | "argmax找最大，最高分数一眼明" | |
| 添加维度 | 给数组增加一个维度 | np.expand_dims() | 给盒子加一层包装 | "expand_dims添维度，数据结构更灵活" | |
| 获取输入张量名称 | 获取模型输入张量的名称 | session.get_inputs()[0].name | 查看食谱中的主要食材 | "get_inputs查输入，模型需求早知道" | |
| 获取情绪标签 | 从字典中获取对应的情绪标签 | list(emotion_table.keys())[predicted_label] | 根据编号找到对应的情绪 | "字典转列表查标签，情绪识别更直观" |