第12周Python学习周记

&关于计划：

一、Numpy库的学习（学习完毕）；

二、Matplotlib的学习（进行中，预计13周之内完成）；

三、Markdown的学习（进行中）；

（本文内容参考于简书教程）

&时间：第12周

&内容摘要：

一、

1.当我们对数组进行操作的时候，我们需要注意一个很重要的概念——复制和视图

（1）完全不复制：（一个数据域，一个数组对象，多个名字）

①简单的赋值不会创建数组对象或其数据的拷贝：

>>> import numpy as np

>>> a = np.arange(12)

>>> b = a                                #没有创建新的对象

>>> b is a                                    #a 和 b是同一数                                                    组对象的两个名字

True

>>> b.shape = 3,4                    #改变b的形状(同                                            时改变b的形状——因为a                                            和 b引用同一数组对象)

>>> a.shape

(3, 4)

                                        #（a和b完全相通）

②Python将引用对象作为引用传递，因此函数调用不会复制

>>> def g(x):

... print(id(x))

...

>>> id(a)

2339740615344

>>> g(a)                                    #同样的，a 和 x是                                            同一数组对象的两个名字

2339740615344

（2）视图或浅复制：（一个数据域，不同数组对象，共享相同数据域）

不同的数组对象可以共享相同的数据。

①view()方法创建一个新数组对象，该对象看到相同的数据。

>>> c = a.view()

>>> c is a                      #c不是a，是新的数组对象

False

>>> c.base is a

                          #c是以a的数据为基础建立的对象

True

>>> c.flags.owndata

False

>>> c.shape = 2,6      #！a的形状不会（随C改变）

>>> a.shape

(3, 4)

>>> a

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>> c[0,4] = 1234

                                      #a的数据会随c改变（因为                                          它们共享数据）

>>> a

array([[ 0, 1, 2, 3],

[1234, 5, 6, 7],

[ 8, 9, 10, 11]])

                            #（a和c唯数据相通，形状独立）

Ps：一个易错点：

>>> e = d.view()

>>> e.base is d

True

>>> d.base is e

False

②对数组切片返回一个视图：

>>> s = a[:,1:3] #a[1:3]->取第一个和第二个元素；a[:,1:3]取第一和第二列元素

>>> s[:] = 10 #对s（作为a的视图）赋值，a随之改变（s和a共享数据）

>>> a

array([[ 0, 10, 10, 3],

[1234, 10, 10, 7],

[ 8, 10, 10, 11]])

（3）深复制：（数据和数据对象，完全复制到另一个名字下）

copy方法生成数组及其数据的完整拷贝

>>> d = a.copy()                                      #新对象d

>>> d is a              #d和a是两个独立无相关对象

False

>>> d.base is a                                  #数据不共享

False

>>> d

array([[ 0, 10, 10, 3],

[1234, 10, 10, 7],

[ 8, 10, 10, 11]])

>>> a

array([[ 0, 10, 10, 3],

[1234, 10, 10, 7],

[ 8, 10, 10, 11]])

>>> d[0,0] = 9999

>>> a

array([[ 0, 10, 10, 3],

[1234, 10, 10, 7],

[ 8, 10, 10, 11]])

>>> d

array([[9999, 10, 10, 3],

[1234, 10, 10, 7],

[ 8, 10, 10, 11]])

2.用imag方法操作数组的虚部

>>> a = np.array([1+2j, 3+4j, 5+6j]) #构造复数数组

>>> a.imag

array([ 2., 4., 6.]) #数组形式返回a的各元素虚部

>>> a.imag = np.array([8,10,12]) #数组形式对a的各元素虚部赋值

>>> a

array([ 1. +8.j, 3.+10.j, 5.+12.j])

3.花式索引和索引技巧

（1）使用索引数组索引

A.

>>> a = np.arange(12)**2

>>> a

array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121], dtype=int32)

>>> i = np.array([2,2,6,8,7]) #作为一个存储position的数组

>>> a[i]                            #把单子i拿过来按图索骥

array([ 4, 4, 36, 64, 49], dtype=int32)

>>> j = np.array([[3,4],[8,9]])

>>> a[j]

array([[ 9, 16],

[64, 81]], dtype=int32)

                                #对应position和data返回矩阵

B.多维度索引

>>> a = np.arange(12).reshape(3,4)

>>> a

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>> i = np.array([[0,1],

... [1,2]])                                #构建索引位置矩阵

>>> a[i]                  #对应i的内容和形式返回矩阵

array([[[ 0, 1, 2, 3],                          #a的第0个元素

[ 4, 5, 6, 7]],                                      #a的第1个元素

[[ 4, 5, 6, 7],                                      #a的第1个元素

[ 8, 9, 10, 11]]])                                #a的第2个元素

>>> a[i,2] #a[i]索引返回的数组中，取每一个元素的2位置的数出来再构造一个数组

array([[ 2, 6],

[ 6, 10]])

>>> j = np.array([[2,1],

... [3,3]])

>>> a[i,j] #i的n位结合j的n位构成一个索引坐标，在a

中按图索骥！注意此处i和j的形状要一样

array([[ 2, 5],                #例如，(i[0],j[0])=(0,2),则                                              a[0,2]->2;接着a[1,1]->5，                                            以此类推

[ 7, 11]])

>>> a[:,j]

array([[[ 2, 1],

[ 3, 3]], #a的第一个元素的j数组对应位置

[[ 6, 5],

[ 7, 7]], #a的第二个元素的j数组对应位置

[[10, 9],

[11, 11]]]) #a的第三个元素的j数组对应位置

（2）使用布尔数组索引（可以非常方便地察看、选择数据）

>>> import numpy as np

>>> a = np.arange(12).reshape(3,4)

>>> b = a > 4

>>> b

array([[False, False, False, False],

[False, True, True, True],

[ True, True, True, True]], dtype=bool)

>>> a[b]

array([ 5, 6, 7, 8, 9, 10, 11])

>>> a

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>> a[b] = 0

>>> a

array([[0, 1, 2, 3],

[4, 0, 0, 0],

[0, 0, 0, 0]])

4.好玩的ix_()函数（可以用于组合不同的向量，便于向量运算）

>>> import numpy as np

>>> a = np.array([2,3,4,5])

>>> b = np.array([8,5,4])

>>> c = np.array([5,4,6,8,3])

>>> ax,bx,cx = np.ix_(a,b,c) #用ix_()函数组合向量

>>> ax

array([[[2]],

[[3]],

[[4]],

[[5]]])

>>> bx

array([[[8],

[5],

[4]]])

>>> cx

array([[[5, 4, 6, 8, 3]]])

>>> ax.shape, bx.shape, cx.shape #组合完毕，向量各占一元

((4, 1, 1), (1, 3, 1), (1, 1, 5))

>>> result = ax+bx*cx

                                        #将完成组合的向量加以                                      运算，得到的结果矩阵存储                                      给数组对象

>>> result

array([[[42, 34, 50, 66, 26],

[27, 22, 32, 42, 17],

[22, 18, 26, 34, 14]],

[[43, 35, 51, 67, 27],

[28, 23, 33, 43, 18],

[23, 19, 27, 35, 15]],

[[44, 36, 52, 68, 28],

[29, 24, 34, 44, 19],

[24, 20, 28, 36, 16]],

[[45, 37, 53, 69, 29],

[30, 25, 35, 45, 20],

[25, 21, 29, 37, 17]]])

>>> result[3,2,4]

                                  #给予对应abc的参数，可以                                      从结果矩阵中调出结果

17

>>> a[3]+b[2]*c[4]        #跟普通方法结果一致

17

二、

1.使用默认配置画一个图：

A.代码：

图片发自简书App

B.效果:

图片发自简书App

2.改变线条的粗细和颜色以及设置图片边界：

代码和效果：

图片发自简书App