scipy库numpy常用方法

最新推荐文章于 2024-05-10 12:48:43 发布
最新推荐文章于 2024-05-10 12:48:43 发布
阅读量1.6k 收藏 3
点赞数
分类专栏： python
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/liaomin416100569/article/details/83861455
版权

一。 numpy简介

n umPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。

Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。
numpy参考 ：http://www.runoob.com/numpy/numpy-matplotlib.html
numpy官网  ：http://www.numpy.org/             

二。numpy常用操作

1.numpy创建ndarray

NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性说明
ndarray.ndim秩，即轴的数量或维度的数量
ndarray.shape数组的维度，对于矩阵，n 行 m 列
ndarray.size数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtypendarray 对象的元素类型
ndarray.itemsizendarray 对象中每个元素的大小，以字节为单位
ndarray.flagsndarray 对象的内存信息
ndarray.realndarray元素的实部
ndarray.imagendarray 元素的虚部
ndarray.data包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

可以通过创建一个数组来获得他的属性

p=np.array([[1,2],[3,4]])
print(p.dtype)
print(p.shape)

打印结果：

int32
(2, 2)

关于他的创建方式非常多

import numpy as np
#创建矩阵
a=np.array([[1,2],[3,4]]);
#创建一个 3*3矩阵 默认值都是1
po=np.ones((3,3));
print(po);
#创建一个 4*4矩阵 默认值都是0
po=np.zeros((4,4))
print(po);
#创建一个方形矩阵 对角线是1  其他值都是0
po=np.eye(4)
print(po);
#创建一个5*5矩阵 初始值全部是5
po=np.full((5,5),5)
print(po);
#创建一个一维向量 从 1-9 步长是1
po=np.arange(1,10,1);
po=np.array([n for n in range(1,10,1)]);#等价
print(po);
print(po)

#创建一个等差数列的向量 从1-100 产生20个元素（默认50个）
po=np.linspace(1,100,20);
print(po)
'''产生一个等比数列 1-100次幂中产生10个数的等比数列
第一个数：1.000000e＋001 就等于1.000000乘以10的＋001次幂，也就是10
第二个数：1.00000000e+012 就等于 1.000000 乘以10的＋023次幂 也就是 10**12
'''
po=np.logspace(1,100,10);
print(po)
print(1.00000000e+001)
#建指定形状和dtype的未初始化数组。 它使用以下构造函数：
po=np.empty((2,3))
print(po);

'''
沿着轴线将数据设置成索引值
[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]] 水平
 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]] 垂直
'''
po=np.indices((3,4));
print(po);

2。np切片操作

  np可以使用下标的方式来进行切片 截取 具体语法参考：

import numpy as np

p=np.array([n for n in range(1,10)]).reshape((3,3))
'''
[[1 2 3]
 [4 5 6]
 [7 8 9]]
'''
print(p);
'''
返回第1行
[1 2 3]
'''
print(p[0])
'''
返回第1行到第二行 但是不包括第二行 还是个二维数组
:表示当前维度   通过将由冒号分隔的切片参数(start:stop:step)直接提供给ndarray对象
,用于分割维度
[[1 2 3]]
'''
#表示一行到第二行 不包括第二行
print(p[0:1])
#表示从 第一行到第四行不包括4 每次跳 2步
print(p[0:3:2])


#返回第 1行 第2列的元素
print(p[0,2])
#返回第1行的第2-3个元素 都是包含开头不包含结尾
print(p[0,1:3])
#返回所有行和所有列
print(p[:,:])
#返回第二行和第三列所有元素
print(p[1:,2:])
# -1表示最后一行
print(p[-1])
# -表示最后一行和最后一列
print(p[-1,-1])
#按照条件截取
#找出所有大于5的
print(p[p>5])
#找出所有偶数
print(p[p%2==0])
#查找所有的数组 取反
a=np.array([1,2,np.nan,np.nan])
print(a[~np.isnan(a)])

3。矩阵的合并

可以通过np的某些方法水平或者垂直合并矩阵

import numpy as np

p=np.arange(1,10).reshape((3,3));
p1=np.array([[-1,4,6],
    [-2,8,11],
    [8,3,1]
    ]);
print(p);
print(p1);

#合并矩阵 默认是在水平方向合并
print(np.concatenate((p,p1)));
print(np.hstack((p,p1))) #水平合并
# 0表示1维水平方向 1表示二维方向上 也就是垂直方向
print(np.concatenate((p,p1),axis=1));
print(np.vstack((p,p1))) #垂直合并

4。矩阵的计算

乘法运算

这里只是演示乘法运算其他运算如 + 、* / % 幂，对数，三角运算等
参考http://www.runoob.com/numpy/numpy-mathematical-functions.html

import numpy as np


p=np.array([[-1,4],
            [-2,8]
            ]);
p1=np.array([[4,6],
            [3,1]
            ]);
#矩阵乘法是将各个位置的值相乘
p3=p*p1;
print(p3);
print(np.multiply(p,p1)) #等价于上面
#点乘法 是将行和列相乘
'''
第一行的任意数字和第一列的任意数字累加
-1*4+-4*3=8  最后在第一行
第一行的任意数字和第二列的任意数字累加
-1*6+4*1=-2 在第一行

接下来第二行和第一列和第二列点乘 放在第二列
'''
print(np.dot(p,p1));#两个数组的点积，即元素对应相乘。 dot通用所有数组
print(np.matmul(p,p1))#两个数组的矩阵积

p=np.array([1,2]);
p1=np.array([2,3]);
print(np.vdot(p,p1))#两个向量的点积  1*2+2*3=8
print(np.inner(p,p1))

矩阵转置

import numpy as np
p=np.array([[-1,4,5],
            [-2,8,6]
            ]);
#将第一行转换成第一列 其他行转换其他列
p1=p.transpose();
print(p1);
print(p.T);#等价于上面

逆矩阵 


设A是数域上的一个n阶矩阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E ，则我们称B是A的逆矩阵，而A则被称为可逆矩阵。注：E为单位矩阵。

比如:

按照矩阵的乘法满足：

  (同一个值)

故A，B互为逆矩阵。

#必须是方形矩阵才能求逆矩阵
a = np.array([[1,2],[4,5]])
print(np.linalg.inv(a))

5。矩阵数据筛选

矩阵除了之前分片的方式之外，还可以通过不同的方式来筛选数据 比如 最大值，最小值，平均值，方差，求和，排序等操作来获取需要的数据

import numpy as np
p=np.array([[-1,4],
            [-2,8]
            ]);
############求最大最小值#############
#获取整个矩阵的最大值 8
print(np.max(p))
print(np.max(p,axis=1)) #获取当前维度的最大值 二维就是每一行的最大值


print(np.argmax(p)) #从1维角度找到最大值的下标 8 在第4个位置也就是3上
print(np.argmax(p,axis=1)) #从2维角度获取最大值的下标 就是坐标 (1,1)
#获取最小值 -2
print(np.min(p))
print(np.argmin(p)) #获取最小值的位置 和 argmax一样
############求平均值#############
p1=np.array([[4,6],
            [3,1]
            ]);
print(np.mean(p1))  #4+6+3+1/4=3.5 也可以设置水平和垂直
print(np.mean(p1,axis=0)) #[3.5,3.5] 垂直
print(np.mean(p1,axis=1)) #[5,3] 水平

############方差#############
print(np.var(p1))
print(np.mean(abs(p1 - p1.mean())**2))

import numpy as np;
arr=np.array([1,2,3,100,55])
#var 方差即各项-均值的平方求和后再除以N ，表示数据离平均数据的距离，表示数据的离散程度
print(np.var(arr))
print(np.sum(np.abs(arr-np.mean(arr))**2)/len(arr))#等价代码
print(np.mean(abs(arr - arr.mean())**2)) #等价代码

#std：表示标准差，是var的平方根。
print(np.std(arr))
print(np.sqrt(np.var(arr)));

#cov：协方差 ,与var类似，但是除以(N-1)
print(np.cov(arr));
print(np.sum(np.abs(arr-np.mean(arr))**2)/(len(arr)-1))#等价代码

关于排序的方法

import numpy as np
#默认按照行排序
p=np.array([[-1,8],
            [4,-2]
            ]);

print(np.sort(p))
#按照列排序
print(np.sort(p,axis=0))


#自定义对象数据类型 参考http://www.runoob.com/numpy/numpy-dtype.html 按照字段排序
mtype=np.dtype([('name','S'),('age',int)])
p=np.array([('zs',20),('ww',60),('zl',30)],dtype=mtype)
print(np.sort(p,order='age'))

p=np.array([3,1,2])
#argsort() 函数返回的是数组值从小到大的索引值。
print(np.argsort(p))
#逆序
print(np.sort(p)[::-1])

 

三。numpy图像配套库 matplotlib

Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。 它也可以和图形工具包一起使用，如 PyQt 和 wxPython。
以下学习 参考自 http://www.runoob.com/numpy/numpy-matplotlib.html
官网 ：https://matplotlib.org/
以下案例参考自 https://cuijiahua.com/blog/2017/11/ml_1_knn.html
数据集合，也就是训练样本集。这个数据集有两个特征:即打斗镜头数和接吻镜头数。
除此之外，我们也知道每个电影的所属类型，即分类标签

电影名称打斗镜头接吻镜头电影类型
神雕侠侣100      20      动作片
毒液：致命守护者9910    动作片
碟中谍6：全面瓦解675  动作片
热情如火 40125  动作片
泰坦尼克号010爱情片
倩女幽魂10      20    爱情片
大话西游之月光宝盒1040     爱情片
烈火如歌1   30爱情片


 

 

 

 

 

 

 




代码（绘制是二维图 所以指定一个x和y坐标的数组）：

arr=np.array([[100,200],[99,10],[67,5],[40,125],[0,10],[10,20],[10,40],[1,30]]);
tarr=np.array([1,1,1,0,0,0,0]); #1表示动作片 0表示爱情片
x=arr[:,:1].T[0]
y=arr[:,1:].T[0]
print(x)
print(y)
#设置字体
mp.rcParams['font.family']=['STFangsong']
mp.title("电影类型图")
mp.xlabel("打斗镜头")
mp.ylabel("接吻镜头")
#第三个参数 o表示使用 散点  r表示red红色
mp.plot(x,y,"or")
mp.show();

执行结果：

以下是k邻近算法的实现

#判断打斗镜头44  接吻镜头 12到底是哪种类型的片片了
ndata=[44,12]
#计算当前这个ndata的坐标和之前所有数据的坐标的距离 放在一个jl数组中
#距离计算公式是 欧氏距离  (x-x1)**2 +(y-y1)**2 开平方根
# jl中每个下标的数据 就是ndata和对应位置xy坐标的距离
jl=[np.sqrt((ndata[0]-i[0])**2+(ndata[0]-i[1])**2) for i in arr];
print("未排序的数据是",jl);
#对距离进行排序  然后获取排序后的下标
#  比如数组：      [10,12,8]
#  argsort升序   [2,0,1]
jlsort=np.argsort(jl);
print("排序的索引是",jlsort);
k=3;
print(jlsort[:k])
#获取指定k 前三个值最小下标的标签 也就是前三个距离最近的都是什么类型的电影
# 比如[1,1,0]
flaga=[tarr[t] for t in jlsort[:k]];
print(flaga)
#统计类型集合的哪个出现的次数 会得到一个字典
#[(1,2),(0,1)]
group=c.Counter(flaga);#注意导入 import collections as c;
#获取到个数排序（从大到小） 值最大的前1个
#[(1,2)]  [0][0]获取到1 类型就是动作片罗
print(group.most_common(1)[0][0]);
#来个三目判断下 输出中文
result=("动作片" if group.most_common(1)[0][0]==1 else "爱情片");
print(result);



 

 

 

 

liaomin416100569
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
WINDOWS下安装 Python扩展库 SCIPY和NUMPY +图文安装说明
09-09
SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。与其功能相类似的软件还有MATLAB、GNU Octave和Scilab。 SciPy目前...
Python中Numpy 和 Scipy的比较
Saki_Python的博客
10-23 768
前段时间写了两个系列文章，分别介绍了Python中的两个重要的科学计算的库Numpy和Scipy。从系列的文章中，可以看出，它们都提供了强大的数值计算功能，而且很多地方看着似乎是重复的。其实这两个库虽然密切相关，但它们各自侧重的领域是不同的。本篇我根据自己的使用体验，对两个库进行简单的对比分析。
python进阶学习笔记-Numpy和SciPy
sinat_41395907的博客
05-07 1448
什么是Numpy NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy 实现了多维同质数组和矩阵，这些数据结构不但能处理数字，还能存放其他由用户定义的记录。通过 NumPy，用户能对这些数据结构里的元素进行高效的操作。 NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包...
2024年最全Python的数学计算库scipy介绍_scipy库是干什么的，2024年最新997页字节跳动Python面试真题解析火爆全网
最新发布
2401_84140347的博客
05-10 1007
①　2000多本Python电子书（主流和经典的书籍应该都有了）②　Python标准库资料（最全中文版）③　项目源码（四五十个有趣且经典的练手项目及源码）④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）⑤ Python学习路线图（告别不入流的学习）scipy主要通过下面这些包来实现数学算法和科学计算，后面对于scipy的讲解主要也是基于这些包来实现的。
python用于数学计算的工具介绍：scipy和numpy
923723914
08-18 1207
SciPy入门指南 这个教程是为了帮助初学者掌握scipy并且肯能快地实际使用。 什么是scipy、numpy、matplotlib？ 它们是用来干什么的？ 如何使用scipy工作 学习使用scipy 示例会话 交互工作 运行脚本 一些关于导入(import)的笔记 什么是scipy、numpy、matplotlib？ Python是一种通用语言。它被解...
【Python】numpy库和scipy库的安装与使用
Mitchell_Donovan的博客
12-13 2万+
numpy是一个用Python实现的科学计算包，专为进行严格的数值处理而产生，尤其是对大型多维数组和矩阵的支持，并且有一个大型的高级数学函数库来操作这些数组。numpy提供了许多高级的数值编程工具，如实用的线性代数运算、傅立叶变换、随机数产生等。 scipy(高级科学计算库)和numpy联系很密切，scioy一般都是操控numpy数组来进行科学计算、统计分析，所以可以说是基于numpy之上了。scipy有很多子模块可以应对不同的应用，例如插值运算，优化算法等等。scipy则是在numpy的..
NumPy, SciPy, Pandas 相关性计算及可视化
Python数据之道
03-21 1801
相关性系数 数量化了一个数据集的变量或特征之间的关联。这些统计数据对科学和技术具有高度的重要性，Python有很好的工具，诸如SciPy、NumPy和Pandas，都可以用来计算，并且它们的相关方法是快速、全面和有据可查的。什么是皮尔逊、斯佩尔曼和肯德尔相关性系数如何使用SciPy、NumPy和Pandas的相关性函数如何用Matplotlib实现数据、回归线和相关矩阵的可视化相关性统计学和数据科...
numpy scipy
08-03
安装`numpy`时，最常用的方法是通过Python的包管理工具pip。在命令行输入以下命令即可： ``` pip install numpy ``` 然而，有时为了获得最佳性能，我们可能会选择安装预编译的wheel文件。Wheel是一种二进制包格式...
Python numpy 常用函数总结
09-21
Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。这篇文章主要介绍了Python numpy 常用函数总结,需要的朋友可以参考下
Python-SciPy函数库在NumPy库的基础上增加了众多的数学科学以及工程计算中常用的库函数
08-10
**Python的Scipy库：扩展NumPy的科学计算能力** Scipy是Python生态系统中的一个核心库，它在NumPy的基础之上提供了丰富的数学、科学和工程计算功能。NumPy虽然为数组操作提供了强大的支持，但Scipy则进一步充实了...
科学计算库numpy代码.zip
05-24
NumPy是许多数据科学库（如Pandas、SciPy、Scikit-learn等）的基础，它们之间的兼容性良好，形成了强大的数据分析生态系统。 总结，NumPy作为Python科学计算的核心库，其强大的数组处理能力、丰富的数学函数以及...
安装numpy 与SciPy
11-16
安装numpy 与SciPy，系统是win7x64，安装的python是3.6，其他的
numpy和scipy模块安装包
04-07
numpy和scipy模块安装包，用于复杂的科学计算，数学运算等
深入探索Python的scipy库：强大的科学计算工具集（学scipy看这一篇文章就够了）
qq_72290695的博客
07-07 7302
因此，了解NumPy的基本用法对于理解和使用scipy非常重要。八、scipy库中的稀疏矩阵功能 scipy库提供了对稀疏矩阵进行操作和计算的功能，包括稀疏矩阵的存储、乘法、求解线性方程组等。四、scipy库的线性代数功能 scipy库提供了强大的线性代数计算功能，包括矩阵分解、线性方程组求解、特征值计算等。七、scipy库中的积分和微分功能 scipy库提供了数值积分和微分的功能，可以对函数进行积分、求解常微分方程等。这是scipy库的官方文档，包含了详细的文档和示例代码，涵盖了库的各个子模块和函数。
python科学计算六：scipy矩阵操作
热门推荐
nkwangjie的专栏
12-23 3万+
1、scipy.sparse.coo_matrix(arg1,shape=None,dtype=None,copy=False):   坐标形式的一种稀疏矩阵。 优点：快速的和CSR/CSC formats转换、允许重复录入 缺点：不能直接进行科学计算和切片操作    1）、构造过程： coo_matrix(D)： with a dense matrix D
numpy、scipy、pandas 这些库的区别是什么？
AI科技大本营
07-07 483
作者 | Python大数据分析来源 |Python大数据分析知乎上有个热门问题，问numpy，scipy，pandas这3个库的区别是什么？打个比方，pandas类似Excel软件，scipy就像Excel里的函数算法包，numpy则好比构建Excel逻辑的底层语句。所以说pandas擅长数据处理，scipy精通数学计算，numpy是构建pandas、scipy的基础...
python --机器学习(基本算法详解)SciPy、Numpy、Matplotlib
weixin_44634704的博客
08-11 1万+
数据集在计算机中，数据集指的是任何数据集合。它可以是从数组到完整数据库的任何内容。通过查看数组，我们可以猜测平均值可能约为 80 或 90，并且我们还可以确定最大值和最小值，但是我们还能做什么？通过查看数据库，我们可以看到最受欢迎的颜色是白色，最老的车龄是 17 年，但是如果仅通过查看其他值就可以预测汽车是否具有 AutoPass，该怎么办？这就是机器学习的目的！分析数据并预测结果！在机器学习中，通常使用非常大的数据集。...............
简述Python的Numpy,SciPy和Pandas,Matplotlib的区别
ctrigger的专栏
06-17 3259
Numpy: 基础的数学计算模块，以矩阵为主,纯数学。 SciPy: 基于Numpy，提供方法(函数库)直接计算结果，封装了一些高阶抽象和物理模型。比方说做个傅立叶变换，这是纯数学的，用Numpy；做个滤波器，这属于信号处理模型了，在Scipy里找。 Pandas: 提供了一套名为DataFrame的数据结构，适合统计分析中的表结构,在上层做数据分析, 更简洁的说: NumPy：N维数组容...
scipy和numpy参考手册 pdf
07-04
### 回答1： scipy和numpy都是Python中非常常用的科学计算库或模块。scipy包含了许多用于科学计算和数据分析的函数和工具，而numpy则是一个用于进行数值计算的库。 scipy和numpy参考手册是官方提供的用于介绍和提供使用指南的文档。这些参考手册以pdf格式提供，方便用户进行下载和打印阅读。 这些参考手册的语言通常简练明了，结构清晰，适合用作学习和查找函数或方法的参考。它们通常包含了对每个模块或子模块的详细描述，包括函数、类和其他对象的用法、参数、示例和文档等。这些参考手册还提供了一些实践中常见问题的解决方案，以及一些示例代码，帮助用户更好地理解如何使用这些库来解决实际问题。 对于想要深入学习和掌握scipy和numpy的用户来说，这些参考手册非常有用。不仅可以通过阅读这些手册来了解库的各种功能和用法，还可以作为用于解决具体问题时的参考工具。这些手册还经常更新，以跟随库的最新变化和新增功能，所以及时下载最新版本的手册也是非常有益的。 总之，scipy和numpy参考手册pdf是一份用于详细介绍和指导如何使用这两个库的文档。它们提供了丰富的信息和资源，帮助用户更好地理解和利用这些强大的科学计算库。 ### 回答2： Scipy和Numpy是Python中常用的科学计算库，它们提供了许多有用的函数和工具，用于处理和分析大规模的数据集。对于想要学习和使用这两个库的用户来说，参考手册是非常有用的资源。 Scipy和Numpy参考手册 pdf是一本详细介绍了Scipy和Numpy库中所有函数、类、方法及其参数和用法的电子书。该参考手册总结了库的主要功能和特性，并提供了实际应用示例和代码片段。 这本参考手册包含了Scipy和Numpy的绝大部分功能，例如线性代数、信号处理、数值优化、傅里叶变换等等。通过这本参考手册，用户可以快速查找到某个函数或方法的具体用法和参数设置，避免了大量的查找和试错过程。 由于Scipy和Numpy是Python的重要库，所以这本参考手册非常有价值。它可以帮助用户更好地理解和掌握这两个库的使用方法，提高数据处理和分析的效率。对于科研工作者、数据分析师、工程师等使用Python进行科学计算的用户来说，这本参考手册是不可或缺的工具。 总之，Scipy和Numpy参考手册 pdf对于学习和使用Scipy和Numpy库的用户来说是一本非常有用的资源，它提供了详细的文档和示例代码，帮助用户更好地理解和应用这两个库的功能。 ### 回答3： SciPy和NumPy是用于科学计算的两个重要的Python库。它们有广泛的功能和用途，并且为用户提供了大量的函数和工具来进行高效的数值计算、数据处理和科学建模等任务。 关于SciPy和NumPy的参考手册，PDF格式的文档是一个非常有用的资源。它们可以帮助用户深入了解这两个库的特性、用法和常见的问题解决方法。 这些PDF参考手册通常包含了针对每个函数的详细说明，包括函数的参数、返回值和用法示例等。它们还提供了库的整体结构和组件之间的关系，以便用户可以更好地理解它们的内部工作原理。 通过阅读这些参考手册，用户可以更容易地理解和掌握SciPy和NumPy的功能，并且可以更好地将它们应用于自己的科学计算项目中。用户可以根据需要在手册中进行搜索和查找，以找到特定函数或概念的详细信息。 总之，SciPy和NumPy的PDF参考手册为用户提供了方便和实用的资源，可以帮助他们更好地使用这两个库进行科学计算和数据处理。通过阅读这些手册，用户可以更好地掌握这些库的知识和技能，从而提高他们在科学计算领域的能力和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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