jupyter和numpy入门

jupyter和numpy入门

jupyter

1 Jupyter Notebook 的快捷键

Jupyter Notebook 有两种键盘输入模式。编辑模式，允许你往单元中键入代码或文本；这时的单元框线是绿色的。命令模式，键盘输入运行程序命令；这时的单元框线是灰色。

1.1 命令模式 (按键 Esc 开启)

• Enter : 转入编辑模式
• Shift-Enter : 运行本单元，选中下个单元
• Ctrl-Enter : 运行本单元
• Alt-Enter : 运行本单元，在其下插入新单元
• Y : 单元转入代码状态
• M :单元转入markdown状态
• R : 单元转入raw状态
• 1 : 设定 1 级标题
• 2 : 设定 2 级标题
• 3 : 设定 3 级标题
• 4 : 设定 4 级标题
• 5 : 设定 5 级标题
• 6 : 设定 6 级标题
• Up : 选中上方单元
• K : 选中上方单元
• Down : 选中下方单元
• J : 选中下方单元
• Shift-K : 扩大选中上方单元
• Shift-J : 扩大选中下方单元
• A : 在上方插入新单元
• B : 在下方插入新单元
• X : 剪切选中的单元
• C : 复制选中的单元
• Shift-V : 粘贴到上方单元
• V : 粘贴到下方单元
• Z : 恢复删除的最后一个单元
• D,D : 删除选中的单元
• Shift-M : 合并选中的单元
• Ctrl-S : 文件存盘
• S : 文件存盘
• L : 转换行号
• O : 转换输出
• Shift-O : 转换输出滚动
• Esc : 关闭页面
• Q : 关闭页面
• H : 显示快捷键帮助
• I,I : 中断Notebook内核
• 0,0 : 重启Notebook内核
• Shift : 忽略
• Shift-Space : 向上滚动
• Space : 向下滚动

1.2 编辑模式 ( Enter 键启动)

• Tab : 代码补全或缩进
• Shift-Tab : 提示
• Ctrl-] : 缩进
• Ctrl-[ : 解除缩进
• Ctrl-A : 全选
• Ctrl-Z : 复原
• Ctrl-Shift-Z : 再做
• Ctrl-Y : 再做
• Ctrl-Home : 跳到单元开头
• Ctrl-Up : 跳到单元开头
• Ctrl-End : 跳到单元末尾
• Ctrl-Down : 跳到单元末尾
• Ctrl-Left : 跳到左边一个字首
• Ctrl-Right : 跳到右边一个字首
• Ctrl-Backspace : 删除前面一个字
• Ctrl-Delete : 删除后面一个字
• Esc : 进入命令模式
• Ctrl-M : 进入命令模式
• 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
• Ctrl-Shift– : 分割单元
• Ctrl-Shift-Subtract : 分割单元
• Ctrl-S : 文件存盘
• Shift : 忽略
• Up : 光标上移或转入上一单元
• Down :光标下移或转入下一单元

简单的魔法指令
%run 运行外部的python文件
%whos 查看声明了那些变量和函数
!ls 查看当前目录下的子文件和子目录
!pwd

#运行一个外部的python文件
%run  123.py

• 输出
  你好成都

#%who的作用是显示所有声明的变量和函数
#whos的作用是显示所有的变量和函数的类型及值
%who

a = 1

def sum():
    pass


%whos

• 输出
  a
  Variable Type Data/Info
  ——————————–
  a int 1
  sum function

现从一张图片上去认识numpy

import numpy as np
#matplotlib画图的，也可以读取图片
import matplotlib.pyplot as plt

#图片，音频都叫流（数据流）
#读取图片
cat = plt.imread('cat.jpg')

# 类似于print,不同变量会自动换行
display(cat,cat.shape)

• 输出

  array([[[231, 186, 131],
  [232, 187, 132],
  [233, 188, 133],
  …,
  [100, 54, 54],
  [ 92, 48, 47],
  [ 85, 43, 44]],

     [[232, 187, 132],
      [232, 187, 132],
      [233, 188, 133],
      ...,
      [100,  54,  54],
      [ 92,  48,  47],
      [ 84,  42,  43]],
  
     [[232, 187, 132],
      [233, 188, 133],
      [233, 188, 133],
      ...,
      [ 99,  53,  53],
      [ 91,  47,  46],
      [ 83,  41,  42]],
  
     ...,
  
     [[199, 119,  82],
      [199, 119,  82],
      [200, 120,  83],
      ...,
      [189,  99,  65],
      [187,  97,  63],
      [187,  97,  63]],
  
     [[199, 119,  82],
      [199, 119,  82],
      [199, 119,  82],
      ...,
      [188,  98,  64],
      [186,  96,  62],
      [188,  95,  62]],
  
     [[199, 119,  82],
      [199, 119,  82],
      [199, 119,  82],
      ...,
      [188,  98,  64],
      [188,  95,  62],
      [188,  95,  62]]], dtype=uint8)
  

  (456, 730, 3)

# 显示图像的维数
cat.shape

• 输出

  (456, 730, 3)

plt.imshow(cat)

#RGB  0  255
type(cat)

• 输出

  numpy.ndarray

im = np.random.randint(0,255,size=(456,730,3))
im = im.astype(np.float64)
plt.imshow(im)

Numpy

numeric python 数字化的python

numpy中最重要的一个形式叫ndarray n 表示的是n个 d dimension 维度 array 数组

Python 本身支持的数值类型有 int（整型，python2 中存在 long 长整型）、float（浮点型）、bool（布尔型） 和 complex（复数型）。

而 Numpy 支持比 Python 本身更为丰富的数值类型，细分如下：

1. bool：布尔类型，1 个字节，值为 True 或 False。

2. int：整数类型，通常为 int64 或 int32 。

3. intc：与 C 里的 int 相同，通常为 int32 或 int64。

4. intp：用于索引，通常为 int32 或 int64。

5. int8：字节（从 -128 到 127）

   （tinyint 1字节 -2 ^7 ~ 2^7-1 (-128~127)）

6. int16：整数（从 -32768 到 32767）

   (smallint 2字节 -2 ^15 ~ 2^15-1 (-32768~32765))

7. int32：整数（从 -2147483648 到 2147483647）

   （int 4字节 -2 ^31~ 2^31-1 (-2147483648~2147483647)）

8. int64：整数（从 -9223372036854775808 到 9223372036854775807）

   （bigint 8字节 -2 ^63 ~ 2^63-1）

9. uint8：无符号整数（从 0 到 255） unsigned

10. uint16：无符号整数（从 0 到 65535）

11. uint32：无符号整数（从 0 到 4294967295）

12. uint64：无符号整数（从 0 到 18446744073709551615）

13. float：float64 的简写。

14. float16：半精度浮点，5 位指数，10 位尾数

15. float32：单精度浮点，8 位指数，23 位尾数

16. float64：双精度浮点，11 位指数，52 位尾数

17. complex：complex128 的简写。

18. complex64：复数，由两个 32 位浮点表示。

19. complex128：复数，由两个 64 位浮点表示。

在 Numpy 中，上面提到的这些数值类型都被归于 dtype（data-type） 对象的实例。

我们可以用 numpy.dtype(object, align, copy) 来指定数值类型。而在数组里面，可以用 dtype= 参数。

2.1 Numpy 中，ndarray 类具有六个参数，它们分别为：

>>shape：数组的形状。

>>dtype：数据类型。

buffer：对象暴露缓冲区接口。

offset：数组数据的偏移量。

>>strides：数据步长。

order：{'C'，'F'}，以行或列为主排列顺序。

nd1 = np.ndarray(shape=(5,4,3),dtype=np.int64)

type(nd1)

• 输出

  numpy.ndarray

下面，我们来了解创建 ndarray 的一些方法。在 numpy 中，我们主要通过以下 5 种途径创建数组，它们分别是：

1.从 Python 数组结构列表，元组等转换。

2.使用 np.arange、np.ones、np.zeros 等 numpy 原生方法。

3.从存储空间读取数组。

4.通过使用字符串或缓冲区从原始字节创建数组。

5.使用特殊函数，如 random。

2.2 从列表或元组转换

在 numpy 中，我们使用 numpy.array 将列表或元组转换为 ndarray 数组。其方法为：

numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0) 

其中，参数：

• object：列表、元组等。
• dtype：数据类型。如果未给出，则类型为被保存对象所需的最小类型。
• copy：布尔来写，默认 True，表示复制对象。

下面，通过列表创建一个 ndarray 数组：

l = list('123456')
nd2=np.array(l)

type(nd2)

• 输出

  numpy.ndarray

2.3 arange 方法创建

除了直接使用 array 方法创建 ndarray，在 numpy 中还有一些方法可以创建一些有规律性的多维数。首先，我们来看一看 arange()。arange() 的功能是在给定区间内创建一系列均匀间隔的值。方法如下：

numpy.arange(start, stop, step, dtype=None)  

你需要先设置值所在的区间，这里为 [开始， 停止），你应该能发现这是一个半开半闭区间。然后，在设置 step 步长用于设置值之间的间隔。最后的可选参数 dtype可以设置返回ndarray 的值类型。

举个例子：

nd3=np.arange(0,150,step=5,dtype=np.float32)

display(nd3.shape,nd3.dtype)

• 输出

  (30,)

  dtype(‘float32’)

nd3

• 输出

  array([ 0., 5., 10., 15., 20., 25., 30., 35., 40., 45., 50.,
  55., 60., 65., 70., 75., 80., 85., 90., 95., 100., 105.,
  110., 115., 120., 125., 130., 135., 140., 145.], dtype=float32)

2.3 linspace 方法创建

linspace方法也可以像arange方法一样，创建数值有规律的数组。inspace用于在指定的区间内返回间隔均匀的值。其方法如下：

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

1. start：序列的起始值。

   • stop：序列的结束值。
   • num：生成的样本数。默认值为50。
   • endpoint：布尔值，如果为真，则最后一个样本包含在序列内。
   • retstep：布尔值，如果为真，返回间距。
   • dtype：数组的类型。

举个例子：

#全闭区间
nd4=np.linspace(0,150,num=151)

nd4.shape

• 输出

  (150,)

#不适用dtype属性改变默认的数据类型
#使用numpyd.astype(np.float32)
nd4.astype(np.int)

• 输出

  array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,
  13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25,
  26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38,
  39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,
  52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64,
  65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77,
  78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90,
  91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103,
  104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116,
  117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129,
  130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142,
  143, 144, 145, 146, 147, 148, 149, 150])

2.5.1 ones 方法创建

numpy.ones 用于快速创建数值全部为 1 的多维数组。其方法如下：

numpy.ones(shape, dtype=None, order='C')

其中：

shape：用于指定数组形状，例如（1， 2）或 3。

dtype：数据类型。

order：{'C'，'F'}，按行或列方式储存数组。

举个例子：

nd5=np.ones(shape=(456,730,3))

nd5.dtype

• 输出

  dtype(‘float64’)

plt.imshow(nd5)

2.5.2 zeros 方法创建

zeros 方法和上面的 ones 方法非常相似，不同的地方在于，这里全部填充为 0。zeros 方法和 ones 是一致的。

numpy.zeros(shape, dtype=None, order='C')

其中：

shape：用于指定数组形状，例如（1， 2）或3。

dtype：数据类型。

order：{'C'，'F'}，按行或列方式储存数组。

举个例子：

nd6 = np.zeros(shape=(456,730,3))

nd6.dtype

• 输出

  dtype(‘float64’)

#jpg  rgb   (0-255)
#png   rgb  (0-1)
plt.imshow(nd6)

2.6.1full方法创建

numpy.full用于创建一个自定义形状的数组，可以自己指定一个值，该值填满整个矩阵。

numpy.full(shape,fill_value=num)

结果：

nd7 = np.full(shape=(456,730,3),fill_value=125.0)

nd7.dtype

• 输出

  dtype(‘float64’)

plt.imshow(nd7)

2.6.2eye 方法创建

numpy.eye 用于创建一个二维数组，其特点是k 对角线上的值为 1，其余值全部为0。方法如下：

numpy.eye(N, M=None, k=0, dtype=<type 'float'>)  
#k表示从下标第几个开始

其中：

• N：输出数组的行数。
• M：输出数组的列数。
• k：对角线索引：0（默认）是指主对角线，正值是指上对角线，负值是指下对角线。

举个例子：

nd8 = np.eye(5,5)

nd8

• 输出

  array([[1., 0., 0., 0., 0.],
  [0., 1., 0., 0., 0.],
  [0., 0., 1., 0., 0.],
  [0., 0., 0., 1., 0.],
  [0., 0., 0., 0., 1.]])

redis和(memcached,memcache)

• memcache和redis统称为缓存，都是基于内存的
• memcache,只可以保存string类型的值
• redis 基本数据类型：string list set zset hash
• redis的堆区 -> 512MB
• redis在内存使用过载的时候，可以自动将数据存在硬盘上，或者通过配置，每5秒向硬盘写入一次
• redis可以实现消息队列，
• 广播机制，订阅，生产者与消费者
• hadoop strom activemq rabbitMQ
• swap空间没有挂载点（没有挂载在根目录下面）
• 如果服务器内存经常不够用