Day01_Ipython和Numpy

最新推荐文章于 2024-09-16 18:09:32 发布
最新推荐文章于 2024-09-16 18:09:32 发布
阅读量254 收藏
点赞数
文章标签： numpy 数据分析 python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hiraphael/article/details/108110159
版权

Dy01 IPython与Numpy

一. 为什么使用python进行数据分析

  1. python大量的库为数据分析和处理提供了完整的工具集

  2. 比起R和Matlab等其他主要用于数据分析的编程语言，Python更全能

    Python不仅提供数据处理平台，而且还有其他语言和专业应用所没有的应用。
    可以用作脚本
    可以操作数据库
    可以开发web应用

  3. Python库一直在增加，算法的实现采用更具创新性的方法

  4. Python能和很多语言对接，例如高效的C语言

二. 什么是Ipython

  1. IPython是一个交互式计算系统。主要包含三个组件：增加的交互式 “Python shell”，解耦的双过程通信模型，交互式并行计算的架构。支持变量自动补全。

  2. IPython 是一个 python 的交互式 shell，比默认的python shell 好用得多，支持变量自动补全，自动缩进，支持 bash shell 命令，内置了许多很有用的功能和函数。

    IPython 是基于BSD 开源的。

    IPython 为交互式计算提供了一个丰富的架构，包含：

    • 强大的交互式 shell
    • Jupyter 内核
    • 交互式的数据可视化工具
    • 灵活、可嵌入的解释器
    • 易于使用，高性能的并行计算工具

  3. ipython是一个性能强大的python终端

    1. ipython shell：功能强大的交互式shell
      $ ipython

    2. ipython notebook：集文本、代码、图像、公式的展现于一体的超级python web界面

      从ipython4.0开始改名成Jupyter notebook

三. 什么是Jupyter

  1. Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。
  2. Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和markdown。 用途包括：数据清理和转换，数值模拟，统计建模，机器学习等等 。https://baike.baidu.com/item/Jupyter
  3. Jupyter notebook：集文本、代码、图像、公式的展现于一体的超级python web界面

四. Ipython

  1. 启动：ipython notebook/jupyter notebook

  2. Ipython帮助文档

    1. Help(参数)方法: help(len)

    2. ?

      ?? : 可以显示源码

      chr?
/////////////////////////////////////////////////////////////
L=[1,2,3]
L?
/////////////////////////////////////////////////////////////
def myFunc(i):
    """
    help test
    """
    return i
myFunc(10)
myFun??

    3. tab自动补全

      # python代码可以使用tab自动补全
import re
r = re.split(r"\\","a\\b\\v")
print(r)

  3. Ipython魔法指令

    1. 运行外部Python文件：%run a.py（当前路径）
      运行其他路径：%run C:/Users/ijeff/Desktop/bb.py

      尤其要注意的是，当我们使用魔法命令执行了一个外部文件时
      该文件的函数就能在当前会话中使用

    2. 运行计时

      1. 用下面命令计算statement的运行时间：
        %time statement

        def p():
    for i in range(100):
        print(i)

%time p()
def add():
    i = 0
    t = 0
    while i <=100000000:
        t += i
        i += 1
        if(i == 100000000):
            print(t)
%time add()

      2. 用下面命令计算statement的平均运行时间：
        %timeit statement

        tup1 = ('physics', 'chemistry', 1997, 2000);
%timeit print(tup1)

        %time一般用于耗时长的代码段
        %timeit一般用于耗时短的代码段

      3. 可以使用两个百分号来测试多行代码的平均运行时间：
        %%timeit
        statement1
        statement2
        statement3

        %%timeit
print(1)
print(2)

    3. 查看当前会话中的所有变量与函数

      1. 快速查看当前会话的所有变量与函数名称：
        %who

        L	 a	 add	 b	 even	 i	 myFunc	 np	 num	 
numpy	 nums	 odd	 p	 r	 re	 square	 t	 tup1

      2. 查看当前会话的所有变量与函数名称的详细信息：
        %whos

        Variable   Type        Data/Info
--------------------------------
L          list        n=3
a          list        n=3
add        function    <function add at 0x7f6e81345a60>

      3. 返回一个字符串列表，里面元素是当前会话的所有变量与函数名称：
        %who_ls

        ['L',
 'a',
 'add',
]

    4. 执行Linux指令使用！

      Linux指令：

$ echo "hello world"             # echo is like Python's print function
hello world

$ ls                             # ls = list working directory contents
notebooks  projects 

$ mkdir mm						#创建新路径

##桌面上创建文件夹
!mkdir ../../../../Desktop/earth

# 在Linux指令之前加上感叹号，即可在ipython当中执行Linux指令。
# 注意会将标准输出以字符串形式返回

    5. 更多魔法指令

      # 列出所有魔法命令
lsmagic


Available line magics:
%alias  %alias_magic  %autocall  %automagic  %autosave  %bookmark  %cat  %cd  %clear  %colors  %config  %connect_info  %cp  %debug  %dhist  %dirs  %doctest_mode  %ed  %edit  %env  %gui  %hist  %history  %killbgscripts  %ldir  %less  %lf  %lk  %ll  %load  %load_ext  %loadpy  %logoff  %logon  %logstart  %logstate  %logstop  %ls  %lsmagic  %lx  %macro  %magic  %man  %matplotlib  %mkdir  %more  %mv  %notebook  %page  %pastebin  %pdb  %pdef  %pdoc  %pfile  %pinfo  %pinfo2  %popd  %pprint  %precision  %profile  %prun  %psearch  %psource  %pushd  %pwd  %pycat  %pylab  %qtconsole  %quickref  %recall  %rehashx  %reload_ext  %rep  %rerun  %reset  %reset_selective  %rm  %rmdir  %run  %save  %sc  %set_env  %store  %sx  %system  %tb  %time  %timeit  %unalias  %unload_ext  %who  %who_ls  %whos  %xdel  %xmode

    Available cell magics:
    %%! %%HTML %%SVG %%bash %%capture %%debug %%file %%html %%javascript %%js %%latex %%markdown %%perl %%prun %%pypy %%python %%python2 %%python3 %%ruby %%script %%sh %%svg %%sx %%system %%time %%timeit %%writefile

    Automagic is ON, % prefix IS NOT needed for line magics.

  4. Jupyter notebook快捷键

    1. • Enter : 转入编辑模式
      • Shift-Enter : 运行本单元，选中下个单元
    2. • Y : 单元转入代码状态
      • M :单元转入markdown状态
    3. • A : 在上方插入新单元
      • B : 在下方插入新单元
      • Double-D：删除一行
    4. • Ctrl-A : 全选
      • Ctrl-Z : 复原
    5. • Shift-Enter : 运行本单元，选中下一单元
      • Ctrl-Enter : 运行本单元
      • Alt-Enter : 运行本单元，在下面插入一单元

  5. 练习

    # 练习：
# 在Jupyter上实现以前的代码，包括：
#	简单代码
#	分支
#	循环
#	函数
#	类

#斐波那契数列
#1,1,2,3,5,8,13,21
def fanbonacci(num):
    a = 1
    b = 1
    for i in range(num):
        print('%10d %-10d'%(a,b))
        a = a + b
        b = a + b
fanbonacci(10)

五. Numpy

  1. 什么是Numpy：Numeric Python

    ​ NumPy系统是Python的一种开源的数值计算扩展

    • 一个强大的N维数组对象Array
    • 比较成熟的（广播）函数库
    • 用于整合C/C++和Fortran代码的工具包
    • 实用的线性代数、傅里叶变换和随机数生成函数
    • numpy和稀疏矩阵运算包scipy配合使用更加强大

  2. 导入Numpy

    import numpy as np

# 查看版本
np.__version__

  3. 创建ndarray

    • 使用np.array()
    #一维
import numpy as np
test = np.array([1,2,3,4,5])
test
////////////////////////////////
#多维
test = np.array([[1,2,3],[4,5,6]])
test

    • 使用np的routines函数创建

      • np.ones(shape, dtype=None, order=‘C’)

        order: C 是按照行顺序， F 是按照列顺序，A 就是按照数据在内存中存储的顺序

        np.ones([3,3])
# 输出结果：
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

np.ones([3,3],dtype=int)
# 输出结果：
array([[1, 1, 1],
       [1, 1, 1],
    [1, 1, 1]])

      • np.full(shape, fill_value, dtype=None, order=‘C’)

        np.full([3,3],3.14)
# 输出结果：
array([[ 3.14,  3.14,  3.14],
       [ 3.14,  3.14,  3.14],
    [ 3.14,  3.14,  3.14]])

      • np.eye(N, M=None, k=0, dtype=float)

        np.eye(4)
# 输出结果：
array([[ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.]])


np.eye(4，4，1)
# 输出结果：
array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.],
       [ 0.,  0.,  0.,  0.]])


np.eye(4，4，-1)
# 输出结果：
array([[ 0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
    [ 0.,  0.,  1.,  0.]])

      • np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

        # 等差数列
np.linspace(0,10,5)
# 输出结果：
 array([  0. ,   2.5,   5. ,   7.5,  10. ])

      • np.arange([start, ]stop, [step, ]dtype=None)

        # 等差数列
np.arange(0,10,2)
# 输出结果：
 array([0, 2, 4, 6, 8])

      • np.random.randint(low, high=None, size=None, dtype=‘l’)

        np.random.randint(0,10,5)
# 输出结果：
 array([0, 7, 2, 3, 7])

      • np.random.randn(d0, d1, …, dn)

        np.random.randn(10)
# 每次都不一样
# 输出结果：
array([-1.74976547,  0.3426804 ,  1.1530358 , -0.25243604,  0.98132079,
        0.51421884,  0.22117967, -1.07004333, -0.18949583,  0.25500144])


//////////////////////////////////////////////////
np.random.seed(100) #随机的种子，有了种子，每次都一样
np.random.randn(10)

# 输出结果：
array([ 0.37332715, -0.2887605 ,  0.04985088, -0.93815832, -0.4087037 ,
     1.13352254,  0.52713526, -0.76014192, -0.97292788,  0.16290446])

      • np.random.random(size=None)

        np.random.random(100)
# 每次每次都不一样
# 输出结果：
array([ 0.01150584,  0.52951883,  0.07689008,  0.72856545,  0.26700953,
        0.38506149,  0.56252666,  0.59974406,  0.38050248,  0.14719008,
        0.6360734 ,  0.27812695,  0.73241298,  0.10904588,  0.57071762,
        0.56808218,  0.33192772,  0.61444518,  0.07289501,  0.86464595,
        0.71140253,  0.3221285 ,  0.92556313,  0.26511829,  0.8487166 ,
        0.38634413,  0.32169243,  0.80473196,  0.92050868,  0.17325157,
        0.63503329,  0.89463233,  0.02796505,  0.04396453,  0.20603116,
        0.77663591,  0.96595455,  0.77823865,  0.90867045,  0.39274922,
        0.89526325,  0.26002297,  0.38606984,  0.69176715,  0.3170825 ,
        0.86994578,  0.35648567,  0.19945661,  0.16109699,  0.58245076,
        0.20239367,  0.7099113 ,  0.41444565,  0.16725785,  0.01170234,
        0.79989105,  0.76490449,  0.25418521,  0.55082581,  0.29550998,
        0.02919009,  0.32737646,  0.29171893,  0.67664205,  0.24447834,
        0.49631976,  0.41136961,  0.82478264,  0.76439988,  0.78829201,
        0.24360075,  0.26151563,  0.51388418,  0.19823452,  0.44097815,
        0.53198973,  0.50187154,  0.72374522,  0.11090765,  0.63469357,
        0.69199977,  0.97093079,  0.35920669,  0.86493051,  0.01984456,
        0.32219702,  0.58608421,  0.26591245,  0.51851213,  0.7896492 ,
        0.04914308,  0.28711285,  0.36225247,  0.21299697,  0.99046025,
        0.11375325,  0.70964612,  0.06599185,  0.47323442,  0.62003386])

///////////////////////////////////////////////////////////////////////////////
np.random.random([3,3])
# 输出结果：
array([[ 0.37590691,  0.15563239,  0.7754904 ],
       [ 0.40353019,  0.59708594,  0.57000741],
    [ 0.33286511,  0.15678606,  0.58814922]])

      • np.random.normal(loc=0.0, scale=1.0)

         np.random.normal(loc=0.0, scale=1.0)

      • np.random.rand(d0,d1,…dn)

         np.random.rand(1,2,3)

    • ndarray的属性

      • ndim：维度
        shape：形状（各维度的长度）
        size：总长度
        dtype：元素类型

        np.random.seed(0)
x = np.random.randint(10,size=(3,4,5))
x

array([[[5, 0, 3, 3, 7],
        [9, 3, 5, 2, 4],
        [7, 6, 8, 8, 1],
        [6, 7, 7, 8, 1]],

       [[5, 9, 8, 9, 4],
        [3, 0, 3, 5, 0],
        [2, 3, 8, 1, 3],
        [3, 3, 7, 0, 1]],

       [[9, 9, 0, 4, 7],
        [3, 2, 7, 2, 0],
        [0, 4, 5, 5, 6],
        [8, 4, 1, 4, 9]]])

# 维度：x.ndim
# 形状，各维度的长度：x.shape
# 总长度：x.size

    元素类型：x.dtype

    ```

    • ndarray的基本操作

      • 索引

        # 一维与列表完全一致 多维时同理
np.random.seed(1)
x = np.random.randint(10,size=[3,4,5])
print(x[2,0,0])
print(x)

5
[[[5 8 9 5 0]
  [0 1 7 6 9]
  [2 4 5 2 4]
  [2 4 7 7 9]]

 [[1 7 0 6 9]
  [9 7 6 9 1]
  [0 1 8 8 3]
  [9 8 7 3 6]]

 [[5 1 9 3 4]
  [8 1 4 0 3]
  [9 2 0 4 9]
 [2 7 7 9 8]]]

      • 切片

        # 一维与列表完全一致 多维时同理
np.random.seed(0)
x = np.random.randint(100,size = (10,4))
x

# 输出结果：
array([[44, 47, 64, 67],
       [67,  9, 83, 21],
       [36, 87, 70, 88],
       [88, 12, 58, 65],
       [39, 87, 46, 88],
       [81, 37, 25, 77],
       [72,  9, 20, 80],
       [69, 79, 47, 64],
       [82, 99, 88, 49],
       [29, 19, 19, 14]])

# 切片：

x[7:10]
# 切片结果：
array([[69, 79, 47, 64],
       [82, 99, 88, 49],
    [29, 19, 19, 14]])

      • 变形

        # 使用reshape函数，注意参数是一个tuple！
x = np.arange(0,16).reshape(4,4)
x

# 执行结果：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

# 类型是：
type(x.shape)

    tuple
    ```

    ​

    • 级联

      • np.concatenate() 级联需要注意的点：
        级联的参数是列表：一定要加中括号
        维度必须相同
        形状相符
        【重点】级联的方向默认是shape这个tuple的第一个值所代表的维度方向
        可通过axis参数改变级联的方向
      x = np.array([1,2,3])
y = np.array([1,5,6,7,3,20])
x
# 输出 array([1, 2, 3])
# 输出 array([ 1,  5,  6,  7,  3, 20])

z = np.concatenate([x,y])
z
# 输出 array([ 1,  2,  3,  1,  5,  6,  7,  3, 20])
z.shape
# 输出 (9,)


/////////////////////////////////////////////////////
#二维
x = np.array([[1,2,3],[4,5,6]])
x

array([[1, 2, 3],
       [4, 5, 6]])

x.shape
(2,3)

p = np.concatenate([x,x]).shape
p
 (4, 3)

      • axis

        import numpy as np
x = np.array([[[1,2,3],[2,2,3],[3,3,3]],[[4,4,4],[5,5,5],[6,6,6]]])
print(x)
print(x.shape)

# 输出：
[[[1 2 3]
  [2 2 3]
  [3 3 3]]

 [[4 4 4]
  [5 5 5]
  [6 6 6]]]
(2, 3, 3)

/////////////////////////////////////////////////////////////////////
w = np.concatenate([x,x],axis = 0)
print(w.shape)
print(w)
# 输出：
(4, 3, 3)
[[[1 2 3]
  [2 2 3]
  [3 3 3]]

 [[4 4 4]
  [5 5 5]
  [6 6 6]]

 [[1 2 3]
  [2 2 3]
  [3 3 3]]

 [[4 4 4]
  [5 5 5]
  [6 6 6]]]
/////////////////////////////////////////////////////////////////////////
w = np.concatenate([x,x],axis = 1)
print(w.shape)
print(w)
# 输出：
(2, 6, 3)
[[[1 2 3]
  [2 2 3]
  [3 3 3]
  [1 2 3]
  [2 2 3]
  [3 3 3]]

 [[4 4 4]
  [5 5 5]
  [6 6 6]
  [4 4 4]
  [5 5 5]
  [6 6 6]]]
//////////////////////////////////////////////////////////////////////////
w = np.concatenate([x,x],axis = 2)
print(w.shape)
print(w)

# 输出：
(2, 3, 6)
[[[1 2 3 1 2 3]
  [2 2 3 2 2 3]
  [3 3 3 3 3 3]]

 [[4 4 4 4 4 4]
  [5 5 5 5 5 5]
 [6 6 6 6 6 6]]]

      • np.hstack与np.vstack 水平级联与垂直级联

        x = np.array([[1,1],[2,2],[3,3]])
y = np.array([1,2,3])
print(np.hstack(x))
print(np.vstack(y))

# 输出：
[1 1 2 2 3 3]
[[1]
 [2]
[3]]

    • 切分

      • np.split()

        x = np.arange(1,10)
x

# 输出：
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
//////////////////////////////////////////////////////////////////////
x1,x2,x3 = np.split(x,[3,5])
print(x1,x2,x3)
# 输出：
 [1 2 3] [4 5] [6 7 8 9]

      • np.hsplit()

        x = np.arange(16).reshape(4,4)
x
# 输出：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
//////////////////////////////////////////////////////////////////////
print(np.hsplit(x,[2,3]))
# 输出：
[array([[ 0,  1],[ 4,  5], [ 8,  9], [12, 13]]),
		 array([[ 2],  [ 6],  [10], [14]]), 
 		 array([[ 3],  [ 7],  [11],  [15]])]

      • np.vsplit()

        x = np.arange(16).reshape(4,4)
x
# 输出：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

print(np.vsplit(x,[2,3]))
//////////////////////////////////////////////////////////////////////
# 输出：
[array([[0, 1, 2, 3],
     [4, 5, 6, 7]]), array([[ 8,  9, 10, 11]]), array([[12, 13, 14, 15]])]

    • 副本

    • 所有赋值运算不会为ndarray的任何元素创建副本。
      对赋值后的对象的操作也对原来的对象生效

      a = np.array([1,2,3])
b=a
print(a,b)

# 输出：
[1 2 3] [1 2 3]

//////////////////////////////////////////////////////////////////////
b[0]=2
a
# 输出：
array([2, 2, 3])

      • 可使用copy()函数创建副本

        a = np.array([1,2,3])
b = a.copy()
b
# 输出：
[1,2,3]

//////////////////////////////////////////////////////////////////////
b[0]=3
print(a,b)
# 输出：
[1 2 3] [3 2 3]

    • ndarray的聚合操作

      • 求和np.sum

        import numpy as np
np.random.seed(0)
a = np.random.randint(1000,size = 100)
print(np.sum(a))
//////////////////////////////////////////////////////////////////////

b = np.random.randint(1000,size = (3,4,5))
print(np.sum(b))

# 输出：
52397
32865

//////////////////////////////////////////////////////////////////////
# 计算求和时间
%timeit np.sum(a)

# 输出：
2.63 µs ± 34.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

//////////////////////////////////////////////////////////////////////
l = [1,2,3]
np.sum(l)
# 输出：

      • 最大最小值：np.max/ np.min

        %time max(a)
%time np.max(a)
print(max(a))
print(np.max(a))
print(min(a))
print(np.min(a))

# 输出：
CPU times: user 0 ns, sys: 0 ns, total: 0 ns
Wall time: 22.4 µs
CPU times: user 0 ns, sys: 0 ns, total: 0 ns
Wall time: 61.3 µs
999
999
9
 9

      • 其他聚合操作

        操作文件

        # 求平均值
np.mean(heights)
# 求最大值
np.max(heights)
# 求最小值
np.min(heights)
# 计算标准差
 heights.std()

    • ndarray的矩阵操作

      • 基本矩阵操作

    • 算术运算符：
      加减乘除

      a = np.array([[1,2,3],
[4,5,6]])
a
# 输出：
array([[1, 2, 3],
       [4, 5, 6]])

//////////////////////////////////////////////////////////////////////
a+1
# 输出：
array([[2, 3, 4],
       [5, 6, 7]])

//////////////////////////////////////////////////////////////////////
a*2
# 输出：
array([[ 2,  4,  6],
       [ 8, 10, 12]])

//////////////////////////////////////////////////////////////////////
a+[[1,4,9],[3,3,3]]
# 输出：
array([[ 2,  6, 12],
       [ 7,  8,  9]])

//////////////////////////////////////////////////////////////////////
a*2-2
# 输出：
array([[ 0,  2,  4],
    [ 6,  8, 10]])
      • 矩阵积
      a = np.array([[1,2,3],
[4,5,6]])
a
# 输出：
array([[1, 2, 3],
       [4, 5, 6]])

//////////////////////////////////////////////////////////////////////
b = np.array([[1,1],
[1,1],
[1,1]])
b

# 输出：
array([[1, 1],
       [1, 1],
       [1, 1]])

//////////////////////////////////////////////////////////////////////
np.dot(a,b)
# 输出：
array([[ 6,  6],
    [15, 15]])
      img

    • 广播机制

      • 【重要】ndarray广播机制的两条规则
        规则一：为缺失的维度补维度
        规则二：假定缺失元素用已有值填充

        # 例1： m = np.ones((2, 3)) a = np.arange(3) 求m+a
m = np.ones((2,3))
m
# 输出：
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

a = np.arange(3)
a
# 输出：
array([0, 1, 2])

m+a
# 输出：
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.]])

# 例2： a = np.arange(3).reshape((3, 1)) b = np.arange(3) 求a+b
a = np.arange(3).reshape((3,1))
a
# 输出：
array([[0],
       [1],
       [2]])

b = np.arange(3)
b
# 输出：
array([0, 1, 2])

a+b
# 输出：
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4]])

# 习题 a = np.ones((4, 1)) b = np.arange(4) 求a+b
a = np.ones((4,1))
b = np.arange(4)
a+b

# 输出：
array([[ 1.,  2.,  3.,  4.],
       [ 1.,  2.,  3.,  4.],
       [ 1.,  2.,  3.,  4.],
    [ 1.,  2.,  3.,  4.]])

  • ndarray的排序

    • 小测试

      • 写冒泡排序

      • 选择排序: 使用以上所学numpy的知识，对一个ndarray对象进行

        import numpy as np
a = np.array([33,2,67,9,88,22,34])
def selectSort(x):
    for i in range(len(x)):
 swap = np.argmin(x[i:])+i
        [x[i],x[swap]] = [x[swap],x[i]]
selectSort(a)
 a
 
 # 输出：
 array([ 2,  9, 22, 33, 34, 67, 88])

    • 快速排序

      # np.sort()与ndarray.sort()都可以，但有区别：
#  1. np.sort()不改变输入
#  2. ndarray.sort()本地处理，不占用空间，但改变输入

# np.sort()不改变输入
np.random.seed(10)
a = np.random.randint(0,100,10)
b = np.random.randint(0,100,10)
print(a,b)
print(np.sort(a),a)

# 输入：
[ 9 15 64 28 89 93 29  8 73  0] [40 36 16 11 54 88 62 33 72 78]
[ 0  8  9 15 28 29 64 73 89 93] [ 9 15 64 28 89 93 29  8 73  0]


# ndarray.sort()本地处理，不占用空间，但改变输入
np.random.seed(20)
a = np.random.randint(0,100,10)
b = np.random.randint(0,100,10)
print(a,b)
print(a.sort(),a)

# 输出：
[99 90 15 95 28 90  9 20 75 22] [71 34 96 40 85 90 26 83 16 62]
None [ 9 15 20 22 28 75 90 90 95 99]
White Hsiao
关注
Day1-IPython与Numpy.xmind
01-13
整理python数据分析库的重要知识，包括ipython、numpy、pandas（重要，包括3个文档）、scipy包、matplotlib图形绘制,共计7个文档，里面涵盖基础操作，案例解析和注意事项，如果下载文档的博友有问题可以随时咨询我，保证物有所值
Day6-matplotlib.xmind
01-13
整理python数据分析库的重要知识，包括ipython、numpy、pandas（重要，包括3个文档）、scipy包、matplotlib图形绘制,共计7个文档，里面涵盖基础操作，案例解析和注意事项，因不能同时上传多个文件，所以逐一上传，...
One-Python-benchmark-per-day:一个持续的有趣挑战，我将尝试每天发布一个 Python 基准测试
06-17
我很高兴听到您的意见和建议。 请随时通过 [twitter]( )、[email](mailto:bluewoodtree@gmail.com) 或 [google+]( ）。 第 1 天- 反转字符串 [ ] [ ] [ ] 第 2 天- 计算样本平均值 [ ] [ ] [ ] 第 3 天- 使用 dict ...
Day5-Scipy.xmind
01-13
整理python数据分析库的重要知识，包括ipython、numpy、pandas（重要，包括3个文档）、scipy包、matplotlib图形绘制,共计7个文档，里面涵盖基础操作，案例解析和注意事项，因不能同时上传多个文件，所以逐一上传，...
Day2-pandas-Ⅰ.xmind
01-13
整理python数据分析库的重要知识，包括ipython、numpy、pandas（重要，包括3个文档）、scipy包、matplotlib图形绘制,共计7个文档，里面涵盖基础操作，案例解析和注意事项，因不能同时上传多个文件，所以逐一上传，...
医学数据分析实训 项目三 关联规则分析预备项目---购物车分析
m0_73678713的博客
09-16 261
【代码】医学数据分析实训 项目三 关联规则分析预备项目---购物车分析。
NLP(文本处理技术)在数据分析中的应用实例
eeee~~的博客
09-12 1373
在Python中，可以实现多种自然语言处理（NLP）技术。比如文本预处理，情感分析和主题建模等。
Python数据分析与可视化
hong161688的博客
09-12 949
Python数据分析与可视化是数据科学领域中的重要技能之一。通过掌握Pandas、Matplotlib、Seaborn等库的使用方法和数据分析与可视化的流程技巧，我们可以高效地处理和分析数据，并以图形化方式展示分析结果。这将有助于我们更好地理解数据背后的信息和规律，为决策提供支持。在未来的发展中，随着数据量的不断增加和数据分析技术的不断进步，Python数据分析与可视化的应用前景将更加广阔。
医学数据分析实训 项目三 关联规则分析作业--在线购物车分析--痹症方剂用药规律分析
m0_73678713的博客
09-16 774
针对数据集 Online Retail.xlsx进行预处理。通过 matplotlib.pyplot的 scatter函数绘制出提升度不小于1的关联规则的散点图，横坐标设置为支持度，纵坐标为置信度，散点的大小表示提升度。数据集“痹症方剂.xls“记录了治疗痹症的用药药方，请使用关联规则算法生成频繁项集，并计算关联度。（最小支持度及支持度、提升度等度量指标可自行决定。提交任务一和任务二的全部实现代码。
华为杯数学建模资料大全、入门指导攻略、获奖数据分析、选题建议
qq_25177949的博客
09-16 937
A 题：实际工程问题（建议放弃）特点：通常涉及工程技术领域的实际问题，可能与物理、机械、电子等学科密切相关，问题较为复杂，需要综合运用多学科知识。研究方法：首先需要对相关的工程背景和技术原理有深入理解，通过建立物理模型、数学方程来描述问题。可能会运用数值计算、仿真模拟等方法求解，同时需要进行实验验证或与实际数据进行对比分析。物理模型构建：例如力学模型、电学模型等，通过牛顿定律、欧姆定律等基本原理建立方程。数值模拟：如有限元分析（FEM）、有限差分法等，用于求解复杂的物理过程。
【Python 数据分析学习】Matplotlib 的基础和应用
最新发布
2302_79527141的博客
09-16 527
Matplotlib 是一个用于 Python 的 2D 图形库，它能够以多种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。Matplotlib 提供了一个非常接近 MATLAB 的 API，使得从 MATLAB 迁移到 Python 的过程变得相对容易。它最初由 John D. Hunter 开发，并于 2003 年首次发布。随着时间的发展，Matplotlib 已经成为了 Python 数据可视化领域的一个标准库，广泛应用于科学计算、数据分析以及机器学习等领域。
医学数据分析实训 项目四回归分析--预测帕金森病病情的严重程度
m0_73678713的博客
09-16 996
“parkinsons_updrs.data”，专注于通过远程监测设备记录帕金森病患者的语音信号来预测病情严重程度。训练集准确率 (R^2): 0.8968939783000226。测试集准确率 (R^2): 0.8984946250185042。目标向量 y_motor 的形状: 5875。目标向量 y_total 的形状: 5875。特征矩阵 X 的形状: (5875, 4)训练数据数量： 4406。测试数据数量： 1469。
Python办公自动化案例（二）：对比两个Excel数据内容并标出不同
衍生星球的博客
09-14 343
在数据处理和分析的日常工作中，我们经常需要比较两个Excel文件的差异。这可能是为了验证数据的一致性、检查数据的准确性，或者在版本控制中追踪更改。手动比较这些文件不仅耗时，而且容易出错。幸运的是，Python的openpyxl库提供了一种自动化这一过程的方法。
Python世界：力扣29题两数相除算法实践
来知晓的博客
09-13 378
除法运算本质是减法，从理解原理到真正实现还是有距离，建议初步理解后，不参考任何代码，完全自己复现一遍，体会更深。注意提示：目的就是提醒越界问题：-2^31/-1=2&31，超过了整数表达范围。本问题来自于力扣29题，在做完大数相乘后，顺带也看下两数相除。将两数相除，要求不使用乘法、除法和 mod 运算符。给定两个整数，被除数。
Tcl lnit error: Can’t find a usable init.tcl in the following directories 问题解决
梦想闹钟
09-15 273
实际研究后发现，其实py2exe已经把打包需要的lib放在dist文件夹下了，但是打包后的程序运行后却没有去lib下找，而是去找系统自带的环境变量里找，所以找不到。这个问题出现在我用py2exe打包了一个包含tkinter的图形化界面，在当前电脑上运行无问题，在移动到新电脑上后提示报错、getcwd用于获取当前工作目录绝对路径，在设置环境的变量的时候它用的是绝对路径-所以也导致了在当前电脑上能用而移动后不能用。解决方法是在你的程序里重新设置下环境变量，而且是用相对路径的形式。
JUC从实战到源码：中断机制与API实现
qq_43843951的博客
09-12 1135
在Java中，线程中断是一种机制，用于通知线程应该停止当前正在执行的任务。中断通常用于协同线程之间的合作，以便让线程在适当的时候终止其工作，尤其是在长时间运行的任务或阻塞操作中。通过学了多线程以及synchronized的相关知识，接下来就到了学习线程中断知识。
opencv学习：calcHist 函数绘制图像直方图及代码实现
mohanyelong的博客
09-13 1452
opencv学习：calcHist 函数绘制图像直方图及代码实现
基于机器学习的乳腺癌肿瘤智能分析预测系统
Python极客之家
09-16 766
本系统致力于通过分析肿瘤的各种特征，如半径、纹理、形状等，利用Matplotlib、Seaborn 等工具进行可视化统计分析，并建立机器学习模型来预测肿瘤是否为恶性，测试集预测 AUC 达到 98.441%。系统的设计目的是为了帮助医疗专业人员更快地做出决策，并为患者提供更及时的治疗方案。
面试真题 | web自动化关闭浏览器，quit()和close()的区别
NHB234567的博客
09-13 317
关闭所有的浏览器窗口，销毁driver操作，则需要使用的是quit方法；当打开了多个窗口，只想要关闭非最后一个窗口的时候，使用的是close方法。这些资料，对于【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴上万个测试工程师们走过最艰难的路程，希望也能帮助到你！close():只关闭当前的浏览器标签页，如果当前浏览器标签页剩下最后一个，则所有标签页面退出。是否编写过对应浏览器退出的测试用例。quit():所有的浏览器窗口退出。关闭当前的标签页，其他窗口不退出。退出当前所有的窗口；
import pydev_ipython # @UnusedImport ModuleNotFoundError: No module named 'pydev_ipython'
07-10
`import pydev_ipython` 这行代码是一个尝试导入Python模块的行为，但遇到了错误 `ModuleNotFoundError`，表示找不到名为 'pydev_ipython' 的模块。这通常发生在开发环境中，可能是由于pydev_ipython这个库未安装，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值