Author: 楚格
2018-11-28 19:11:09
IDE： Pycharm2018.03 Anaconda 3.5.1 Python 3.7
KeyWord : NumPy
Explain: 更新
---------------------------------------------------------------------------
--------
1 # -*- coding: utf-8 -*- 2 # --------------------------------- 3 4 """ 5 # Author : chu ge 6 # Function: Numpy 7 # 8 """ 9 10 # --------------------------------- 11 ''' 12 # -------------------------------- 13 # 导入模块 14 # 1.系统库 15 # 2.第三方库 16 # 3.相关定义库 17 # -------------------------------- 18 ''' 19 # 1.系统库、 20 import sys 21 import os 22 23 # 2.第三方库 24 import numpy as np 25 from scipy import linalg 26 import pandas as pd 27 import matplotlib.pyplot as plt 28 import seaborn as sns 29 30 import timeit 31 import numpy.random as np_random 32 from numpy.linalg import inv, qr 33 from random import normalvariate 34 35 import pylab 36 # 37 ''' 38 ============================================================================ 39 #》》》》》》》》》》》》》》》》》》》》》》》》 40 41 ---------------------------------------------- 42 Numpy 43 提供常用的数值数组、矩阵等函数,是基于向量化的运算,进行数值运算时Numpy数组比list效率高 44 NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 45 46 快速高效的多维数组对象ndarray 47 • 用于对数组执行元素级计算以及直接对数组执行数学运算的函数 48 • 用于读写硬盘上基于数组的数据集的工具 49 • 线性代数运算、傅里叶变换，以及随机数生成 50 • 用于将C、C++、Fortran代码集成到Python的工具 51 • 除了为Python提供快速的数组处理能力，NumPy在数据分析方面还有另外一 52 个主要作用，即作为在算法之间传递数据的容器。 53 54 Scipy 55 是一种使用NumPy来做高等数学、信号处理、优化、统计的扩展包 56 57 Pandas 58 是一种构建于Numpy的高级数据结构和精巧工具，快速简单的处理数据。 59 n 支持自动或明确的数据对齐的带有标签轴的数据结构。 60 n 整合的时间序列功能。 61 n 以相同的数据结构来处理时间序列和非时间序列。 62 n 支持传递元数据（坐标轴标签）的算术运算和缩减。 63 n 灵活处理丢失数据。 64 n 在常用的基于数据的数据库（例如基于SQL）中的合并和其它关系操作。 65 o 数据结构：Series和DataFrame 66 67 matplotlib 68 Python绘图库 69 70 nltk 71 自然语言处理工具包（Natural Language Toolkit） 72 n 安装：pip install -U nltk 73 n 引入：import nltk 74 n 下载预料库：nltk.download() 75 n 文本提取 76 n 词汇切分 77 n 词频分析 78 n 词袋模型 79 n 情感分析 80 81 igraph 82 图计算和社交网络分析 83 o 安装： 84 n pip install -U python-igraph 85 n conda install -c marufr python-igraph=0.7.1.post6 86 Scikit-learn 87 o Scikit-learn是建立在Scipy之上的一个用于机器学习的Python模块。 88 n 安装：pip install -U scikit-learn / conda install scikit-learn 89 ---------------------------------------------- 90 91 Numpy 92 ---------------------------------------------- 93 数组 创建 函数 94 array 将输入数据（列表、元组、数组或其它序列类型）转换为ndarray。 95 要么推断出dtype，要么显示指定dtype。默认直接复制输入数据。 96 asarray 将输入转换为darray，如果输入本身就是一个ndarray就不进行复制。 97 arange 类似于内置的range，但返回一个ndarray而不是列表。 98 ones,ones_like 根据指定形状和dtype创建一个全1数组。ones_like以另一个数组为参数， 99 并根据其形状和dtype创建一个全1数组。 100 zeros,zeros_like 类似于ones和ones_like，只不过产生的是全0数组而已。 101 empty, empty_like 创建数组，只分配内存空间但不填充任何值。 102 eye,identity 创建一个正方的N * N单位矩阵 103 104 105 数据 类型 说明 106 int8, uint8 - i1, u1 有／无符号的8位整型 107 int16, uint16 - i2, u2 有／无符号的16位整型 108 int32, uint32 - i4, u4 有／无符号的32位整型 109 int64, uint64 - i8, u8 有／无符号的64位整型 110 float16 - f2 半精度浮点数 111 float32 - f4 or f 标准的单精度浮点数，与C的float兼容。 112 float64 - f8 or d 标准的双精度浮点数。与C的double和Python的float兼容。 113 float128 - f16 or g 扩展精度浮点数 114 complex64/128/256 -c8/16/32 分别用两个32位，64位或128位浮点数表示的复数。 115 bool - ? 存储True和False值的布尔类型 116 object - O Python对象类型 117 string_ - S 固定长度的字符串类型。S10代表长度为10的字符串。 118 unicode_ - U 固定长度的unicode类型 119 120 121 NumPy的ndarray 数组和标量之间的运算 122 • 不用编写循环即可对数据执行批量运算 123 • 大小相等的数组之间的任何算术运算都会将运算应用到元素级 124 • 数组与标量的算术运算也会将那个标量值传播到各个元素 125 126 NumPy的ndarray 基本的索引和切片 127 • 索引原理 128 • 切片原理 129 130 NumPy的ndarray 布尔型索引 131 • 布尔型数组的长度必须跟被索引的轴长度一致。 132 • 可以将布尔型数组跟切片、整数（或整数序列）混合使用 133 134 NumPy的ndarray 数组转置和轴对换 135 • 一维／二维数组转置 136 • 高维数组轴对换 137 138 NumPy的ndarray 快速的元素级数组函数 139 • 一元函数 I 140 abs, fabs 计算整数、浮点数或复数的绝对值。对于非复数值，可以使用更快的fabs。 141 sqrt 计算各元素的平方根。相当于arr ** 0.5 142 sqare 计算各元素的平方。相当于arr ** 2 143 exp 计算各元素的e^x 144 log,log10, 分别为自然对数、底数为10的log、底数为2的log和log(1 + x)。 145 log2,log1p 146 sign 计算各元素的正负号：1（正数）、0（零）、－1（负数）。 147 ceil 计算各元素的ceiling值，即大于等于该值的最小整数。 148 floor 计算各元素的floor值，即小于等于该值的最小整数。 149 150 一元函数 II 151 rint 将各元素值四舍五入到最接近的整数，保留dtype。 152 modf 将数组的小数部分与整数部分以两个独立数组的形式返还。 153 isnan 返回一个表示“哪些值是NaN（这不是一个数字）”的布尔型数组 154 isfinite, 分别返回一个表示“哪些元素是有限的（非inf，非NaN）”或“哪些元素是无穷的”的布尔型数组 155 isinf 156 cos, 普通型或双曲型三角函数 157 cosh, 158 sin, 159 sinh, 160 tan, 161 tanh 反三角函数 162 arccos, 163 arccosh, 164 arcsin, 165 arcsinh, 166 arctan, 167 arctanh 168 logical_not 计算各元素not x的真值。相当于-arr。 169 170 • 二元函数 I 171 add 将数组中对应的元素相加 172 subtract 从第一个数组中减去第二个数组中的元素 173 multiply 数组元素相乘 174 divide, 除法或向下取整除法 175 floor_divide 176 power 对第一个数组中的元素A和第二个数组中对应位置的元素B，计算A^B。 177 maximum, fmax 元素级的最大值计算。fmax将忽略NaN。 178 minimum, fmin 元素级的最小值计算。fmin将忽略NaN。 179 mod 元素级的求模计算 180 181 二元函数 II 182 copysign 将第二个数组中的符号复制给第一个数组中的值 183 greater, 执行元素级的比较，最终产生布尔型数组。 184 greater_equal, 185 less, 186 less_equal, 187 equal, 188 not_equal 189 logical_and, 执行元素级的真值逻辑运算，最终产生布尔型数组。 190 logical_or, 191 logical_xor 192 193 194 利用数组进行数据处理 195 • NumPy数组使你可以将许多种数据处理任务表述为简洁的数组表达式（否则需 196 要编写循环）。用数组表达式代替循环的做法，通常被称为矢量化。 197 • 矢量化数组运算要比等价的纯Python方式快上一两个数量级 198 199 利用数组进行数据处理 将条件逻辑表述为数组运算 200 • 列表推导的局限性 201 • 纯Python代码，速度不够快。 202 • 无法应用于高维数组 203 • where和where的嵌套 204 205 利用数组进行数据处理 数学和统计方法 206 • 数学和统计方法 207 sum 对数组中全部或某轴向的元素求和。零长度的数组的sum为0。 208 mean 算术平均数。零长度的数组的mean为NaN。 209 std, var 分别为标准差和方差，自由度可调（默认为n）。 210 min, max 最大值和最小值 211 argmin 分别为最大值和最小值的索引 212 cumsum 所有元素的累计和 213 cumprod 所有元素的累计积 214 215 • 标准差和方差的解释 216 • cumsum和cumprod的解释 217 • 带axis参数的统计函数 218 219 220 利用数组进行数据处理 用于布尔型数组的方法 221 • sum对True值计数 222 • any和all测试布尔型数组，对于非布尔型数组，所有非0元素将会被当做True 223 224 利用数组进行数据处理 排序 225 • 直接排序 226 • 指定轴排序 227 ---- Error 228 229 利用数组进行数据处理 去重以及其它集合运算 230 • 去重以及其它集合运算 231 unique(x) 计算x中的唯一元素，并返回有序结果。 232 intersect1d(x, y) 计算x和y中的公共元素，并返回有序结果。 233 union1d(x, y) 计算x和y的并集，并返回有序结果。 234 in1d(x, y) 得到一个表述"x的元素是否包含于y"的布尔型数组 235 setdiff1d(x, y) 集合的差，即元素在x中且不在y中 236 setxor1d(x, y) 集合的异或，即存在于一个数组中但不同时存在于两个数组中的元素。 237 238 数组文件的输入输出 239 • 将数组以二进制格式保存到磁盘 240 • 存取文本文件 241 242 线性代数 243 • 常用的numpy.linalg函数 I 244 diag 以一维数组的形式返回方阵的对角线（或非对角线元素），获将一维数组转换为方阵（非对角线元素为0）。 245 dot 矩阵乘法 246 trace 计算对角线元素的和 247 det 计算矩阵行列式 248 eig 计算方阵的特征值和特征向量 249 inv 计算方阵的逆 250 •常用的numpy.linalg函数 II 251 pinv 计算矩阵的Moore-Penrose伪逆 252 qr 计算QR分解 253 svd 计算奇异值分解 254 solve 解线性方程Ax = b，其中A为 255 256 257 随机数生成 258 seed 确定随机数生成器的种子 259 permutation 返回一个序列的随机排列或返回一个随机排列的返回 260 shuffle 对一个序列就地随机乱序 261 rand 产生均匀分布的样本值 262 randint 从给定的上下限范围内随机选取整数 263 randn 产生正态分布（平均值为0，标准差为1） 264 binomial 产生二项分布的样本值 265 normal 产生正态（高斯）分布的样本值 266 beta 产生Beta分布的样本值 267 chisquare 产生卡方分布的样本值 268 gamma 产Gamma分布的样本值 269 uniform 产生在[0, 1]中均匀分布的样本值 270 271 272 高级应用 数组重塑 273 • reshape重塑数组 274 • -1自动推导维度大小 275 276 277 278 高级应用 数组的合并和拆分 279 • 数组连接函数 280 concatenate 最一般化的连接，沿一条轴连接一组数组 281 vstack, row_stack 以面向行的方式对数组进行堆叠（沿轴0） 282 hstack, 以面向行的方式对数组进行堆叠（沿轴1） 283 column_stack 类似于hstack，但是会先将一维数组转换为二维列向量。 284 dstack 以面向“深度”的方式对数组进行堆叠（沿轴2） 285 split 沿指定轴在指定的位置拆分数组 286 hsplit, split的便捷化函数，分别沿着轴0、轴1和轴2进行拆分。 287 vsplit, 288 dsplit 289 290 291 292 高级应用 数组的合并和拆分 293 • _r对象 294 • _c对象 295 296 高级应用 元素的重复操作 297 • _tile 298 • _repeat 299 300 高级应用 花式索引的等价函数 301 • take 302 • put 303 304 305 例题分析 距离矩阵计算 306 给定m × n阶矩阵X，满足X = [x1, x2, ... xn]，这里第i列向量是m维向量。 307 求n × n矩阵，使得Dij = ||xi - xj||2 308 ---------------------------------------------- 309 310 311 312 ============================================================================ 313 ''' 314 # 315 316 # 317 ''' 318 # ============================================================================ 319 # Function: 320 # Explain : 输入参数 321 # : 输出参数 322 # ============================================================================ 323 ''' 324 325 326 # ============================================================================ 327 ''' 328 # ============================================================================ 329 # 测试专用 330 # ============================================================================ 331 ''' 332 if __name__ == "__main__": 333 print("123") 334 # # numpy 335 # print(np.arange(10)**2) 336 # # scipy 337 # var_A = np.array([[1,2],[3,4]]) 338 # print(linalg.det(var_A)) 339 # # pandas 340 # print(pd.Series([1,3,5,np.nan,6,8])) 341 # print(pd.date_range('20130101',periods=3)) 342 # dates = pd.date_range('20130101', periods=6) 343 # df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD')) 344 # print(df) 345 # df1 = df.sort_values(by='B') 346 # print(df1) 347 # 348 # # # mat plot lib 349 # plt.plot([1, 2, 3]) 350 # plt.ylabel('some numbers') 351 # plt.show() 352 # # sea born 353 # sns.set(color_codes=True) 354 # 355 # # x = np.random.normal(loc=0.0, scale=1.0,size=100) 356 # # sns.distplot(x) 357 358 359 # numpy 360 # 361 # print('使用普通一维数组生成NumPy一维数组') 362 # data = [6, 7.5, 8, 0, 1] 363 # arr = np.array(data) 364 # print( arr, arr.dtype ) 365 # print( '使用普通二维数组生成NumPy二维数组') 366 # data = [[1, 2, 3, 4], [5, 6, 7, 8]] 367 # arr = np.array(data) 368 # print( arr, ' 打印数组维度: ',arr.shape) # 打印数组维度 369 # print('使用zeros/empty') 370 # print(' 生成10个0的一维数组: ',np.zeros(10)) # 生成包含10个0的一维数组 371 # print(' 生成3*6的二维数组: ', np.zeros((3, 6))) # 生成3*6的二维数组 372 # print(' 生成2*3*2的三维数组，元素未初始化: ',np.empty((2, 3, 2))) # 生成2*3*2的三维数组，所有元素未初始化 373 # print(' 生成连续元素: ', np.arange(15)) 374 # 375 376 377 # print(' 生成数组时指定数据类型:',) 378 # arr = np.array([1, 2, 3], dtype=np.float64) 379 # arr1 = np.array([1, 2, 3], dtype=np.int32) 380 # print( arr.dtype, arr1.dtype ) 381 # print(' astype复制数组并转换数据类型:', ) 382 # int_arr = np.array([1, 2, 3, 4, 5]) 383 # float_arr = int_arr.astype(np.float) 384 # print(int_arr.dtype, float_arr.dtype ) 385 # print(' 使用astype将float转换为int时小数部分被舍弃:', ) 386 # float_arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1]) 387 # int_arr = float_arr.astype(dtype=np.int) 388 # print(int_arr) 389 # print(' 使用astype把字符串转换为数组，如果失败抛出异常:') 390 # str_arr = np.array(['1.25', '-9.6', '42'], dtype=np.string_) 391 # float_arr = str_arr.astype(dtype=np.float) 392 # print(float_arr) 393 # print(' astype使用其它数组的数据类型作为参数:') 394 # int_arr = np.arange(10) 395 # float_arr = np.array([.23, 0.270, .357, 0.44, 0.5], dtype=np.float64) 396 # print(int_arr.astype(float_arr.dtype)) 397 # print(' astype做了复制，数组本身不变: ',int_arr[0], int_arr[1]) 398 # 399 400 401 # print('数组乘法／减法，对应元素相乘／相减。') 402 # arr = np.array([[1.0, 2.0, 3.0], [4., 5., 6.]]) 403 # print('>>>1 ',arr * arr) 404 # print('>>>2 ',arr - arr) 405 # print(' 标量操作作用在数组的每个元素上 :') 406 # arr = np.array([[1.0, 2.0, 3.0], [4., 5., 6.]]) 407 # print('>>>3 ', 1 / arr ) 408 # print('>>>4 ', arr ** 0.5) # 开根号 409 # 410 411 412 # print(' 通过索引访问二维数组某一行或某个元素') 413 # arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) 414 # print(arr[2]) 415 # print(arr[1][2]) 416 # print(arr[1,2]) 417 # print(' 对更高维数组的访问和操作') 418 # arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 419 # print('>>>1 ', arr[0]) 420 # print('>>>2 ', arr[1, 0]) 421 # old_values = arr[0].copy() # 复制arr[0]的值 422 # arr[0] = 123456 # 把 arr[0]所有的元素都设置为同一个值 423 # print('>>>3 ', arr) 424 # arr[0] = old_values # 把原来的数组写回去 425 # print('>>>4 ', arr) 426 # print(' 使用切片访问和操作数组:') 427 # arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) 428 # print('>>>1 ',arr[1:6]) # 打印元素arr[1]到arr[5] 429 # arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) 430 # print('>>>2 ', arr[:2]) # 打印第1、2行 431 # print('>>>3 ', arr[:2, 1:]) # 打印第1、2行，第2、3列 432 # print('>>>4 ',arr[:, :1]) # 打印第一列的所有元素 433 # arr[:2, 1:] = 0 # 第1、2行，第2、3列的元素设置为0 434 # print('>>>5 ', arr) 435 # 436 437 438 # print('使用布尔数组作为索引') 439 # name_arr = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) 440 # rnd_arr = np_random.randn(7, 4) # 随机7*4数组 441 # print('>>>1 ', rnd_arr) 442 # print('>>>2 ', name_arr == 'Bob') # 返回布尔数组，元素等于'Bob'为True，否则False。 443 # print('>>>3 ', rnd_arr[name_arr == 'Bob']) # 利用布尔数组选择行 444 # print('>>>4 ', rnd_arr[name_arr == 'Bob', :2]) # 增加限制打印列的范围 445 # print('>>>5 ', rnd_arr[~(name_arr == 'Bob')] ) # 对布尔数组的内容取反 446 # mask_arr = (name_arr == 'Bob') | (name_arr == 'Will') 447 # print('>>>6 ', rnd_arr[mask_arr]) # 逻辑运算混合结果 448 # rnd_arr[name_arr != 'Joe'] = 7 449 # print('>>>7 ', rnd_arr) # 先布尔数组选择行，然后把每行的元素设置为7 450 # 451 452 453 # print(" 使用整数数组作为索引:") 454 # arr = np.empty((8, 4)) 455 # for i in range(8): 456 # arr[i] = i 457 # print('>>>1 ', arr) 458 # print('>>>2 ', arr[[4, 3, 0, 6]]) # 打印arr[4]、arr[3]、arr[0]和arr[6] 459 # print('>>>3 ', arr[[-3, -5, -7]]) # 打印arr[3]、arr[5]和arr[-7]行 460 # arr = np.arange(32).reshape((8, 4)) # 通过reshape变换成二维数组 461 # print('>>>4 ', arr) 462 # print('>>>5 ', arr[[1, 5, 7, 2], [0, 3, 1, 2]]) # 打印arr[1, 0]、arr[5, 3]，arr[7, 1]和arr[2, 2] 463 # print('>>>6 ', arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]) # 1572行的0312列 464 # print('>>>7 ', arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])] ) # 可读性更好的写法 465 # 466 467 468 # print(" 转置矩阵") 469 # arr = np.arange(15).reshape((3, 5)) 470 # print('>>>1 ', arr) 471 # print('>>>2 ', arr.T) 472 # print(" 转置矩阵做点积") 473 # arr = np_random.randn(6, 3) 474 # print('>>>3 ', np.dot(arr.T, arr)) 475 # print(" 高维矩阵转换") 476 # arr = np.arange(16).reshape((2, 2, 4)) 477 # print('>>>4 ', arr) 478 # print('>>>5 ', arr.transpose((1, 0, 2))) 479 # print('>>>6 ', arr.swapaxes(1, 2)) 480 # print('>>>7 ', arr) 481 # ''' 482 # 详细解释： 483 # arr数组的内容为 484 # - a[0][0] = [0, 1, 2, 3] 485 # - a[0][1] = [4, 5, 6, 7] 486 # - a[1][0] = [8, 9, 10, 11] 487 # - a[1][1] = [12, 13, 14, 15] 488 # transpose的参数为坐标，正常顺序为(0, 1, 2, ... , n - 1)， 489 # 现在传入的为(1, 0, 2)代表a[x][y][z] = a[y][x][z]，第0个和第1个坐标互换。 490 # - a'[0][0] = a[0][0] = [0, 1, 2, 3] 491 # - a'[0][1] = a[1][0] = [8, 9, 10, 11] 492 # - a'[1][0] = a[0][1] = [4, 5, 6, 7] 493 # - a'[1][1] = a[1][1] = [12, 13, 14, 15] 494 # ''' 495 # 496 497 # print(" 求平方根") 498 # arr = np.arange(10) 499 # print('>>>1 ', arr) 500 # print('>>>2 ', np.sqrt(arr)) 501 # print(" 数组比较") 502 # x = np_random.randn(8) 503 # print(x) 504 # y = np_random.randn(8) 505 # print(y) 506 # print('>>>3 ', np.maximum(x, y)) 507 # print(" 使用modf函数把浮点数分解成整数和小数部分") 508 # arr = np_random.randn(7) * 5 # 统一乘5 509 # print('>>>4 ', np.modf(arr)) 510 # 511 512 513 # points = np.arange(-10, 10, 0.005) # 生成100个点 514 # xs, ys = np.meshgrid(points, points) # xs, ys互为转置矩阵 515 # # print('>>>1 ', xs, ys) 516 # z = np.sqrt(xs ** 2 + ys ** 2) 517 # # print (z) 518 # print(" 画图 ") 519 # plt.imshow(z, cmap = plt.cm.gray)#gray 520 # plt.colorbar() 521 # # plt.title("Image plot of $sqrt{x^2 + y^2}$ for a grid of values") 522 # pylab.show() 523 # 524 525 526 # ''' 527 # 关于zip函数的一点解释，zip可以接受任意多参数，然后重新组合成1个tuple列表。 528 # zip([1, 2, 3], [4, 5, 6], [7, 8, 9]) 529 # 返回结果：[(1, 4, 7), (2, 5, 8), (3, 6, 9)] 530 # ''' 531 # print(" 通过真值表选择元素") 532 # x_arr = np.array([1.1, 1.2, 1.3, 1.4, 1.5]) 533 # y_arr = np.array([2.1, 2.2, 2.3, 2.4, 2.5]) 534 # cond = np.array([True, False, True, True, False]) 535 # result = [(x if c else y) for x, y, c in zip(x_arr, y_arr, cond)] # 通过列表推到实现 536 # print('>>>1 ', result) 537 # print('>>>2 ', np.where(cond, x_arr, y_arr)) # 使用NumPy的where函数 538 # arr = np_random.randn(4, 4) 539 # print('>>>3 ', arr) 540 # print('>>>4 ', np.where(arr > 0, 2, -2)) 541 # print('>>>5 ', np.where(arr > 0, 2, arr)) 542 # print(" where嵌套") 543 # cond_1 = np.array([True, False, True, True, False]) 544 # cond_2 = np.array([False, True, False, True, False]) 545 # result = [] 546 # for i in range(len(cond)): 547 # if cond_1[i] and cond_2[i]: 548 # result.append(0) 549 # elif cond_1[i]: 550 # result.append(1) 551 # elif cond_2[i]: 552 # result.append(2) 553 # else: 554 # result.append(3) 555 # print('>>>6 ', result) 556 # result = np.where(cond_1 & cond_2, 0,np.where(cond_1, 1, np.where(cond_2, 2, 3))) 557 # print('>>>7 ', result) 558 # 559 560 # print(" 求和，求平均:") 561 # arr = np.random.randn(5, 5) 562 # print('>>>1 ', arr) 563 # print('>>>2 ', arr.mean()) # 算术平均数 564 # print('>>>3 ', arr.sum()) # 对数组中全部或某轴向的元素求和 565 # print('>>>4 ', arr.mean(axis=1)) # 对每一行的元素求平均 566 # print('>>>5 ', arr.sum(0)) # 对每一列元素求和，axis可以省略 567 # ''' 568 # cumsum: 569 # - 按列操作：a[i][j] += a[i - 1][j] 570 # - 按行操作：a[i][j] *= a[i][j - 1] 571 # cumprod: 572 # - 按列操作：a[i][j] += a[i - 1][j] 573 # - 按行操作：a[i][j] *= a[i][j - 1] 574 # ''' 575 # print(" cunsum和cumprod函数演示") 576 # arr = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) 577 # print('>>>6 ', arr.cumsum(1)) 578 # print('>>>7 ', arr.cumprod(1)) 579 # print('>>>8 ', arr) 580 # print('>>>9 ', arr.cumsum(0)) 581 # 582 583 584 # print(" 对正数求和") 585 # arr = np_random.randn(100) 586 # print((arr > 0).sum()) 587 # print(" 对数组逻辑操作") 588 # bools = np.array([False, False, True, False]) 589 # print( bools.any()) # 有一个为True则返回True 590 # print( bools.all()) # 有一个为False则返回False 591 # 592 593 594 # print(" 一维数组排序") 595 # arr = np_random.randn(20) 596 # arr1 = arr.sort() 597 # print('>>>1 ', arr1) 598 # print(" 二维数组排序") 599 # arr = np_random.randn(5, 5) 600 # arr2 = arr.sort(1) 601 # print('>>>3 ', arr2) # 对每一行元素做排序 602 # arr3 = arr.sort(0) 603 # print('>>>4 ', arr3) 604 # print(" 找位置在5%的数字") 605 # large_arr = np_random.randn(1000) 606 # large_arr.sort() 607 # print('>>>5 ', large_arr[int(0.05 * len(large_arr))]) 608 # 609 610 # print( ' 用unique函数去重') 611 # names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) 612 # print('>>>1 ', sorted(set(names))) # 传统Python做法 613 # print('>>>2 ', np.unique(names)) 614 # ints = np.array([3, 3, 3, 2, 2, 1, 1, 4, 4]) 615 # print('>>>3 ', np.unique(ints)) 616 # print(' 查找数组元素是否在另一数组') 617 # values = np.array([6, 0, 0, 3, 2, 5, 6]) 618 # print('>>>4 ', np.in1d(values, [2, 3, 6])) 619 # 620 621 # 此部分能生成文件 文件名开头 test 622 # print( ' 数组文件读写 : ') 623 # arr = np.arange(10) 624 # np.save('test_some_array', arr) 625 # print(np.load('test_some_array.npy')) 626 # print( ' 多个数组压缩存储') 627 # np.savez('test_array_archive.npz', a=arr, b=arr) 628 # arch = np.load('test_array_archive.npz') 629 # print(arch['b']) 630 # # 读取文件注释 631 # print(' 读取csv文件做为数组') 632 # arr = np.loadtxt('array_ex.txt', delimiter=',') 633 # print(arr) 634 # 635 636 # print( ' 矩阵乘法') 637 # x = np.array([[1., 2., 3.], [4., 5., 6.]]) 638 # y = np.array([[6., 23.], [-1, 7], [8, 9]]) 639 # print('>>>1 ', x.dot(y)) # 矩阵乘法 640 # print('>>>2 ', np.dot(x, np.ones(3))) 641 # x = np_random.randn(5, 5) 642 # print('>>>3 ', x) 643 # print('矩阵求逆') 644 # mat = x.T.dot(x) 645 # print( '>>>4 ', inv(mat)) # 矩阵求逆 646 # print( '>>>5 ', mat.dot(inv(mat))) # 与逆矩阵相乘，得到单位矩阵。 647 # print( '矩阵消元') 648 # print('>>>6 ', mat) 649 # q, r = qr(mat) 650 # print('>>>7 ', q) 651 # print('>>>8 ', r) 652 # 653 654 # print(" 正态分布随机数:") 655 # samples = np.random.normal(size=(5, 5)) 656 # print('>>>1 ', samples) 657 # print(" 批量按正态分布生成0到1的随机数") 658 # N = 10 659 # print([normalvariate(0, 10)for _ in range(N)]) 660 # print(np.random.normal(size=N)) # 与上面代码等价 661 # 662 663 664 # print(" 将一维数组转换为二维数组") 665 # arr = np.arange(8) 666 # print('>>>1 ', arr.reshape((4, 2))) 667 # print('>>>2 ', arr.reshape((4, 2)).reshape((2, 4))) # 支持链式操作 668 # print(" 维度大小自动推导") 669 # arr = np.arange(54) 670 # print('>>>3 ', arr.reshape((9, -1))) 671 # print(" 获取维度信息并应用") 672 # other_arr = np.ones((6, 9)) 673 # print('>>>4 ', other_arr.shape) 674 # print('>>>5 ', arr.reshape(other_arr.shape)) 675 # print(" 高维数组拉平") 676 # arr = np.arange(15).reshape((5, 3)) 677 # print('>>>6 ', arr.ravel()) 678 # 679 680 681 # print(" ") 682 # print(" 连接两个二维数组 ") 683 # arr1 = np.array([[1, 2, 3], [4, 5, 6]]) 684 # arr2 = np.array([[7, 8, 9], [10, 11, 12]]) 685 # print('>>>1 ', np.concatenate([arr1, arr2], axis=0)) # 按行连接 686 # print('>>>2 ', np.concatenate([arr1, arr2], axis=1)) # 按列连接 687 # print(" 垂直stack与水平stack") 688 # print('>>>3 ', np.vstack((arr1, arr2))) # 垂直堆叠 689 # print('>>>4 ', np.hstack((arr1, arr2)) ) # 水平堆叠 690 # print(" 拆分数组") 691 # arr = np_random.randn(5, 5) 692 # print(" 水平拆分") 693 # first, second, third = np.split(arr, [1, 3], axis=0) 694 # print('>>>5 ', first) 695 # print('>>>6 ', second) 696 # print('>>>7 ', third) 697 # print(" 垂直拆分") 698 # first, second, third = np.split(arr, [1, 3], axis=1) 699 # print('>>>8 ', first) 700 # print('>>>9 ', second) 701 # print('>>>10 ', third) 702 # print(" 堆叠辅助类") 703 # arr = np.arange(6) 704 # arr1 = arr.reshape((3, 2)) 705 # arr2 = np_random.randn(3, 2) 706 # print(" r_用于按行堆叠") 707 # print('>>>11 ', np.r_[arr1, arr2]) 708 # print(" c_用于按列堆叠") 709 # print('>>>12 ', np.c_[np.r_[arr1, arr2], arr]) 710 # print(' 切片直接转为数组') 711 # print('>>>13 ', np.c_[1:6, -10:-5]) 712 # 713 # try: 714 # print(" ") 715 # print(" Repeat: 按元素") 716 # arr = np.arange(4) 717 # print('>>>1 ', arr.repeat([1, 2, 3, 4])) # 3个元素，分别复制2, 3, 4次。长度要匹配 718 # print(" Repeat，指定轴") 719 # arr = np_random.randn(3, 3) 720 # print('>>>2 ', arr) 721 # print('>>>3 ', arr.repeat(2, axis=0)) # 按行repeat 722 # print('>>>4 ', arr.repeat(2, axis=1)) # 按列repeat 723 # print('>>>5 ', arr.repeat(2, axis=0)) # 按行repeat 724 # print(" Tile: 参考贴瓷砖") 725 # arr = np_random.randn(2, 2) 726 # print('>>>6 ', np.tile(arr, 2)) 727 # print('>>>7 ', np.tile(arr, (2, 3)) ) # 指定每个轴的tile次数 728 # except Exception: 729 # print("出问题！！！") 730 731 # try: 732 # print(" Fancy Indexing例子代码") 733 # arr = np.arange(10) * 100 734 # print(arr) 735 # inds = [7, 1, 2, 6] 736 # print('>>>1 ', arr[inds]) 737 # print(" 使用take") 738 # print('>>>2 ', arr.take(inds)) 739 # print(" 使用put更新内容") 740 # print('>>>3 ', arr.put(inds, 50)) 741 # print('>>>4 ', arr) 742 # print('>>>5 ', arr.put(inds, [70, 10, 20, 60])) 743 # print('>>>6 ', arr) 744 # print(" take指定轴") 745 # arr = np_random.randn(2, 4) 746 # inds = [2, 0, 2, 1] 747 # print('>>>7 ', arr) 748 # print('>>>8 ', arr.take(inds, axis=1)) 749 # except Exception: 750 # print("出问题！！！") 751 752 753 try: 754 print(" 模拟随机游走:") 755 nsteps = 1000 756 draws = np.random.randint(0, 2, size=nsteps) 757 steps = np.where(draws > 0, 1, -1) 758 walk = steps.cumsum() 759 print("画图") 760 plt.title('Random Walk') 761 limit = max(abs(min(walk)), abs(max(walk))) 762 plt.axis([0, nsteps, -limit, limit]) 763 x = np.linspace(0, nsteps, nsteps) 764 plt.plot(x, walk, 'g-') 765 plt.show() 766 except Exception: 767 print("出问题！！！") 768 # print('>>>1 ', ) 769 # print('>>>2 ', ) 770 # print('>>>3 ', ) 771 # print('>>>4 ', ) 772 # print('>>>5 ', ) 773 # print('>>>6 ', ) 774 # print('>>>7 ', ) 775 # print('>>>8 ', ) 776 # print('>>>9 ', )
--------
---------------------------------------------------------------------------