ndim,shape

现在就是要好好的记忆，

脑中要想清楚你要花什么图。

大概看到他具体实现的一个头了

常用操作的ing，

原来在numpy中卡方分布，就是说概论上的很多的一些分布都可以在这上面找到呢

个人觉得转换为两行三列反而比较慢，还不如直接用[]来判定呢

numpy:数据结构基础    array

scipy: 强大的科学计算方法（矩阵分析、信号分析、数理分析。。。）

matplotlib: 丰富的可视化套件

pandas基础数据分析套件

scikit-learn :强大的数据分析建模库

keras:人工神经网络，基于不同的，深度识别网络。

Anaconda

numpy:数据结构基础

scipy：强大的科学计算方法（矩阵分析、信号分析、数理分析。。。）

matplotlib：丰富的可视化套件

pandas：基础数据分析套件

scikit-learn：强大的数据分析建模库

keras：人工神经网络

np.zeros([x,y])  #进行数据对比时的数据初始化（都为0），x行，y列的数组

np.ones([x,y])  #同理，初始化为1的数组

import random

np.random.rand(2,4)  #获取两行四列的随机数组，此时的随机数均匀分布，位于0---1之间

np.random.randint(x,y,z)  #xy为整数取值范围，z为所选取的随机整数的个数

np.random.randn(2,4)  #获取两行四列标准正态分布的随机数

np.random.choice([1,2,2,3,4,56])  #从列表中随机获取数据

np.random.beta(1,10,100)  #获取beta分布1---10之间的数值100个（还能获得各种分布数据，改变选取参数）

numpy数据类型

ndim 维度

itemsize 大小，占据字节数

size 元素个数

操作

np.arange(1,11).reshape([2,-1])产生等差数列1-10

randint

randn

chioce

distribute

数据分析，统计方法

numpy、scipy\matplotlib\pandas\scikit-learn\keras

1. numpy：数据结构基础

2. scipy：强大的科学计算方法，矩阵分析，信号分析，数理分析

3. matplotlib：可视化套件

4. pandas：数据分析套件

5. scikit-learn：分析建模

6. Keras：人工神经网络

import numpy as np
list=[[1,3,5],[2,4,6]]
print(type(list))

pandas:数据分析套件

scikit-learn:数据分析建模库

keras:神经网络库

aixs越大深入程度越大、

统计分析方法，提取有用信息

胶水特性：集成部分C语言代码

数据分析包：numpy:存储大型矩阵，作为数据结构基础

scipy:矩阵分析，信号分析，数理分析

matplotlib:具有丰富的可视化套件，图表，三维图

pandas:基础数据分析，交叉分析，持续分析，假设检验

scikit-learn:强大的数据分析建模库，回归分析

keras:人工神经网络（云识别）

python数据挖掘组件

numpy 数据结构基础

scipy 强大的科学计算方法（矩阵分析，信号分析，数理分析。。）

matplotlib 丰富的可视化套件（树状图，折线图，，三维图，）

pandas 基础数据分析套件（交叉分析，实际分析，）

scikit-learn 强大的数据分析建模库

keras 人工神经网络

Python环境搭建

平台 Windows，Linux，Macos

科学计算工具 anaconda

matplotlibna

官网：http://matplotlib.org/

绘制图表，进行数据可视化

pandas：基础数据分析套件

scikit-learn：强大的数据分析建模库

keras：人工神经网络

#numpy的其他操作  

FFT   

np.fft.fft(np.array([1,1,1,1,1,1,1,])  #阶跃响应  

np.corrcoef([1, 0, 1],[0, 2, 1]) # 皮尔逊相关系数计算   

np.poly1d([3,1,3]) # 生成一元多次函数

矩阵操作

 from numpy.linalg import *

1. 求逆矩阵  inv（）

2. 转置矩阵  transpose（）

3. 行列式   det（）

4. 特征值与特征向量   eig（）第一个特征值 第二个特征向量

5. 求解方程   solve（a,b）
   
   

#常用array操作

np.arange(1, 11)  #产生一个1-11（不含11）的等差数列

np.arange(1, 11)reshape([2, 5]) # 变成两行五列 五也可换为-1

np.exp(list) # list 的自然指数

np.exp2(list） # list 的自然指数的平方

np.【sqrt，sin，log，square,sum,max,min】(list) 

# list 的正弦，自然对数，开方，平方,求和，最大值，最小值

#np.dot  点乘  （也可直接进行加减乘除等操作 ）

np.copy(list1)  #对数组进行拷贝

np.concateenata[vstack,hstack]  #对数组进行追加  split 分开

常用数组

np.zeros([2, 4])   #输出元素都为0的2行4列数组  

(np.ones([3, 5]) #输出元素都为1 的2行4列数组   

随机数生成

np.random.rand(2, 4))#输出2行4列的随机数组  范围(0,1)  

np.random.rand() #生成一个随机数   

np.random.randint(1, 14, 5) #在1到14之间生成5个随机整数  

np.random.randn(2, 4) #输出2行4列标准正态分布随机数     

np.random.choice([10,20, 41])#随机生成一个列表中的数    

分布

np.random.beta(1,10, 100) #生成一个1-10共100个beta分布 (也可生成狄利克雷分布，二项式分布等等)

numpy

array 转换为 ndarray 类型

shape  几行几列

ndim 维度

dtype  数据类型 (可定义数据类型，默认float64)

itensize 每个元素所占字节

size 元素个数

#encoding=utf-8
import numpy as np

def main():
    lst=[[1, 3, 5], [2, 4, 6]]#建立一个二维list
    print(type(lst))#打印lst的数据类型 结果：<type ‘list’>
    np_lst=np.array(lst)#array是numpy中的数据结构，目的是统一list类型中不同的数据类型，降低维护成本
    print(type(np_lst))#结果：<type 'numpy.ndarray'>
    np_lst=np.array(lst.dtype=np.float)#指定数据类型为float
    #数据类型有bool, int, int8/16/32/64/128, unit8/16/32/128, float16/32/64, complex64/128
    print(np_lst.shape)#打印array的形状
    print(np_lst.ndim)#打印array的维度
    print(np_lst.dtype)#打印array的数据类型 结果：float64
    print(np_lst.itemsize)#打印array中每个元素的大小（字节数） 结果： 8
    print(np_lst.size)#打印array的大小（元素数） 结果： 6
if __name__=="__main__":
    main()

print(np.zeros([2,4]))#输出元素都为0的2行4列数组
print(np.ones([3,5]))#输出元素都为1 的2行4列数组
print("Rand:")#生成随机数
print(np.random.rand(2, 4))#输出2行4列的随机数组
print(np.random.rand())#生成一个随机数
print(np.random.randint(1, 14, 5))#在1到14之间生成5个随机数
print("RandInt:")#生成随机整数
print(np.random.randint(1,10))#生成1个1到10之间的随机整数
print(np.random.randint(1,10,3))#生成3个1到10之间的随机整数[a b c]
print("Randn:")#生成正态分布的随机数
print(np.random.randn())#生成一个标准正态分布的随机数
print(np.random.randn(2, 4))#生成2行4列标准正态分布的随机数
print("Choice:")#从给定数组中随机选取一个数
print(np.random.choice([10, 20, 30]))#从给定数组中随机选取一个打印出来
print("Distribute:")#生成数学上某种指定分布
print(np.random.beta(1, 10, 100))#生成从1到10一共100个beta分布的数