Python科学计算：Numpy学习4

昨天晚上看完二维数组的创建，今天就来看一看二维数组的其他操作：

首先：对于同维度的来说，操作是没啥好说的，但是，对于不同维度的数组数组之间的计算，Numpy通常会使用 “广播”机制把他们强制转换到共同状态，然后就可以操纵了：

如果说参数的形状相同，或者是他们可以满足广播运算的法则，那么运算结果也符合预期的。

虽然说是切片有很多快捷方式，但是，最安全的方式 还是明确维度：

当然，np有可以扩展到多维的，但是，除了meshgrid函数以外(他只能是二维空间)，其他的都可以

Numpy处理流：

1、输入：这里比如说，我有一个“0ns.txt”文件，里面的数据是60*60个浮点数，那怎么用numpy读入嘞（这别想着用pandas，我们今天讲的是numpy），先跟着书上的讲解，看怎么生成文件

import numpy as np
array1=np.array([1,2,3,4],dtype=int)
arrray2=np.array([37.4,47.3,73.4,99])
outfile=open("your file's location","w")
outfile.write("xxxxxxxxxxxxxxxxxxxxxxx")
for a1,a2 in zip(array1,array2):
    outfile.write((a1,a2))
outfile.close()

比如说，我用上面的代码写一个new文件：

现在，考虑怎么读入：

import numpy as np
infile=open("C:/Users/L/Desktop/new.txt","r")
l=[]
l2=[]
temp=infile.readline()
for line in infile:
    word=line.split()
    l.append()
    l2.append()
infile.close()
a=np.array(l,dtype=int)
b=np.array(l2)
print(a)
print(b)

我这个有错误，刚才觉得自己说错话了，pandas真的香，还是用pandas读取和写文件吧

唉，我觉得读入读出文件的工作还是留给python吧，人那个简单啊，pd.readcsv是吧，多简单

好了，那np的读入读出就不搞了，直接学通用函数：

1. 最大最小，平均值,中位值：

import numpy as np
np.max()
np.nanmax()
np.min()
np.nanmin()
np.isnan()
np.isfinite()
np.mean()
np.median()

2. 求和，乘积：

import numpy as np
np.sum()
#如果是多个维度的话，就要单独求和
#行求和：
np.sum(x,axis=1)
#列求和：
np.sum(x,axis=0)
#产生和x形状相同但是又累积和的数组求和：
np.cumsum(x)
#产生乘积：
np.prod()
np.cumprod()

3. 简单的统计：

上面已经把最大最小平均中位这些统计学常用的数值写了，看下面的：

#加权平均：
np.average(x,axis=None,weights=None)
weights必须是和x相同形状的数组，或者是和x的某个切片形状相同的数组
#方差：
np.var(x,axis=0,ddof=0)
#如果x的元素是复数，那么平方运算用的是一个复数共轭，ddof是自由度，如果我们制定了ddof=i
#那么，我们计算的时候，分母就是n-ddof，这个可以很方便的计算S*
#还有包括：
np.corrcoeff()
np.correlate()
np.cov()
#等诸多函数，需要的时候numpy的官方文档还是要好好去读的，

那这里我就把numpy的官方文档地址给附上：NumPy 文档 — NumPy v1.24 手册，想学的可以直接跟着文档去学。

4. 单变量的多项式处理：

对于一个函数：

Python对他的存储很简单：，就是直接给搞个列表存着，

numpy定义多项式的一种比较抽象的方法就是指定其根的列表，将系数列表定义成一个整体因子，丙炔函数np.poly也是选择C[0]=1，就是一元多项式，而多项式回归的话，np.poly.fit(x,y,n)，可以提供一个包含x值的列表/数组x，包含y值的数组/列表y，以及一个给定阶n的未知多项式来寻求最佳拟合的最小二乘法，如果说是给定了多项式的系数，那么np.root函数可以用来求根，比较常用的方法就是，给定系数数组和单个x值/x值数组，用np.polyval返回相应的y值：

import numpy as np
roots=[0,1,1,2]
coeffs=np.poly(roots)
print("coeff:",coeffs)
print("np.roots(coeffs)=\n",np.roots(coeffs))
x=np.linspace(0,0.5*np.pi,7)
y=np.sin(x)
c=np.polyfit(x,y,3)
print("c=\n",c)
y1=np.polyval(c,x)
print("y=\n",y,"\ny1=\n",y1,"\ny1-y=\n",y1-y)

好了，还有很多函数，像：np.polyint之类的，都可以在文档里面查找学习，今天的numpy就先学到这里，下午学习线性代数的相关内容。