numpy

数据计算的基础库

定义了一种基础结构ndarray

多维矩阵操作

import numpy as np

Numpy

keywords: 开源    数据计算扩展

functions: ndarray    多维操作    线性代数

#encoding=utf-8
'''
因为python的数据类型比较灵活，[]内可以放下各种，但每次计算前先要判断所以速度较慢
numpy中可以把list内容指定为某一种数据类型，所以比较快
'''

import numpy as np
from numpy.linalg import *

def main():
    lst = [[1, 3, 5], [2, 4, 6]]
    print(type(lst))
    np_lst=np.array(list)
    print(type(np_lst))
    np_lst=np.array(lst,dtype=np.float)#属性dtype可指定元素唯一的类型
    #bool,int,int8,int16,int32,int64,int128,uint8,uint16,uint32,uint64,uint128,float,float16/32/64,complex64/128,str等
    # 其中uint是不带符号数,complex是复数
    print(np_lst.shape)#得（2L，3L），表示2行3列
    print(np_lst.ndim)#得2，表示维度
    print(np_lst.dtype)#得float64，因为float默认是64位的
    print(np_lst.itemsize)#得8，因为float64占8个字节
    print(np_lst.size)#得6，因为一共有6个元素

 #2 numpy常用Array
    print(np.zeros([2, 4]))#得2行4列的元素都是0的矩阵，常用作初始化
    print(np.ones([3, 5]))#得3行5列的元素都是1的矩阵
    print("Rand:")
    print(np.random.rand(2,4))#得2行4列随机数矩阵，这里的随机数都是均匀分布的，0~1之间的
    print(np.random.rand())#得一个随机数
    print("RandInt:")#得一个随机的整数，
    print(np.random.randint(1,10,3))#参数不能为空，齐总1,10表范围 第三个参数表示个数
    print("Randn:")#得一个标准正态分布的随机数
    print(np.random.randn(2,4))#得一个2行4列的正态分布的随机数矩阵
    print("Choice:")#得一个在可选范围内的随机
    print(np.random.choice([10,20,30]))#在10,20,30这三个数中随机选择一个数
    print("Distribute:")#可以得各种分布的数，比如下面
    print(np.random.beta(1,10,100))#得alpha=1，beta=10的Beta分布的0到1之间的数字100个

#3 numpy常用操作
    print(np.arange(1,11).reshape([2,-1]))#得1到11（含1不含11）的等差数列，reshape为2行5列（其中5可缺省为-1）
    lst=np.arange(1,11).reshape([2,-1])
    print("Exp:")
    print(np.exp(lst))#得e指数操作的结果，lst每个元素为幂指数
    print("Exp2:")
    print(np.exp2(lst))#得2的指数操作的结果，lst每个元素为幂指数
    print("Sqrt:")
    print(np.sqrt(lst))#得对lst每个元素进行开平方的结果
    print("Sin:")
    print(np.sin(lst))#得对lst每个元素进行三角函数的结果
    print("Log:")
    print(np.log(lst))#得对lst每个元素进行对数的结果
    lst=np.array([[[1,2,3,4],
                   [4,5,6,7]],
                  [[7,8,9,10],
                   [10,11,12,13]],
                  [[14,15,16,17],
                   [18,19,20,21]]])
    print("Sum")
    print(lst.sum(axis=0))#axis与数组维度有关系，不写axis时候默认不分维度所有元素相加的和
                          #axis=0是只对最外层数组（即分成3个数组的相应元素的算法）进行sun操作,结果为[[22 25 28 31] [32 35 38 41]]其中1+7+14=22；2+8+15=25
    print(lst.sum(axis=1))#axis=1是再进一层（即分成两个数组相应元素的算法），结果为[[ 5  7  9 11] [17 19 21 23] [32 34 36 38]] 其中1+4=5；2+5=7
    print(lst.sum(axis=2))#axis=2是再再进一层，结果为[[10 22] [34 46] [62 78]]其中1+2+3+4=10；4+5+6+7=22
    print("Max")
    print(lst.max(axis=1))#axis与数组维度有关系，不写axis时候默认不分维度所有元素的最大值
                          #axis=0,1,2含义和上面类似
    print("Min")
    print(lst.min(axis=0))
    lst1= np.array([10,20,30,40])
    lst2= np.array([4, 3, 2, 1])
    print("Add")
    print(lst1 + lst2)#得[14 23 32 41]
    print("Sub")
    print(lst1 - lst2)  # 得[ 6 17 28 39]
    print("Mul")
    print(lst1 * lst2)  # 得[40 60 60 40]
    print("Div")
    print(lst1 / lst2)  # 得[  2.5   6.66666667  15.  40.  ]
    print("Square")
    print(lst1**2)  # 得[ 100  400  900 1600]
    print("Dot")#点乘，即矩阵相乘，a矩阵的第一行元素分别乘以b矩阵的第一列元素 的和为结果的第一行第一列的一个元素
    print(np.dot(lst1.reshape([2,2]),lst2.reshape([2,2])))  # 得[[ 80  50] [200 130]]即80=10*4+2*2
    print("Concatenate")#给numpy中的array元素追加
    print(np.concatenate((lst1,lst2),axis=0))  # 得[10 20 30 40  4  3  2  1]
    print("Vstack")  # 给numpy中的array元素纵向追加
    print(np.vstack((lst1,lst2)))#得[[10 20 30 40] [ 4  3  2  1]]
    print("Hstack")  # 给numpy中的array元素横向追加
    print(np.hstack((lst1, lst2)))#得[10 20 30 40  4  3  2  1]
    print("Split")  # 给numpy中的array元素分开
    print(np.split(lst1,2))#分成2份，得[array([10, 20]), array([30, 40])]
    print("Copy")  # 给numpy中的array进行拷贝
    print(np.copy(lst1))

#4 numpy矩阵操作与线性方程组liner
    print("Eye")#线性代数中的单位矩阵
    print(np.eye(3))#得[[ 1.  0.  0.][ 0.  1.  0.][ 0.  0.  1.]]
    lst=np.array([[1,2],[3,4]])
    print("Inv:")#矩阵的逆，AB=BA=E ，则我们称B是A的逆矩阵
    print(inv(lst))#得[[-2.   1. ]  [ 1.5 -0.5]]
    print("T:")  # 转置矩阵，将矩阵的行列互换得到的新矩阵称为转置矩阵
    print(lst.transpose())  # 得[[1 3] [2 4]]
    print("Det:")  #求行列式,定义域为det的矩阵A，取值为一个标量，写作det(A)或 | A |
    print(det(lst))  # 得-2.0=1*4-2*3(仅对应二阶)
    print("Eig")  # 特征值（第一个array）和特征向量（第二个array）
    print(eig(lst))  # 得(array([-0.37228132,  5.37228132]), array([[-0.82456484, -0.41597356],[ 0.56576746, -0.90937671]]))
    y=np.array([[5.],[7.]])
    print("Solve")#可以用numpy直接解方程组x+2y=5；3x+4y=7
    print(solve(lst,y))#得[[-3.] [ 4.]]

#5 numpy其它应用简介
    print("FFT:")  # 快速傅里叶变换 (fast Fourier transform),信号处理领域常用到的一个概念
    print(np.fft.fft(np.array([1,1,1,1,1,1,1,1])))  # 得[ 8.+0.j  0.+0.j  0.+0.j  0.+0.j  0.+0.j  0.+0.j  0.+0.j  0.+0.j]
    print("Coef:")  # 皮尔逊相关系数( Pearson correlation coefficient）是数据领域中常用到的系数
                    # 在统计学中，用于度量两个变量X和Y之间的相关（线性相关），其值介于-1与1之间。
    print(np.corrcoef([1,0,1],[0,2,1]))#得[[ 1.  -0.8660254] [-0.8660254  1.]]
    print("Poly:")#生成一元多次函数
    print(np.poly1d([2,1,3]))#得2 x的2次 + 1 x + 3

    #登陆官网查更加细致的api

if __name__=='__main__':
    main()

1. numpy

2. 关键词:  开源  数据计算扩展

3. 功能:     ndarray   多维操作   线性代数

4. 官网:   http://www.numoy.org/

numpy

六大工具：

六大工具之一的NumPy:

numpy的简介

1. numpy

2. 关键词:  开源  数据计算扩展

3. 功能:     ndarray   多维操作   线性代数

4. 官网:   http://www.numoy.org/
   

numpy的作用

numpy的作用

keywords: 开源    数据计算扩展

functions: ndarray    多维操作    线性代数

数据分析用的各种包

numpy官网

numpy

功能：ndarray  多维操作 

http://www.numpy.org/