Python-7

生产实习第八天

Anaconda

Anaconda是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项

Numpy

NumPy是一个开源的Python科学计算基础库；NumPy是SciPy、Pandas等数据处理或科学计算库的基础

内容：

（1）、一个强大的N维数组对象ndarray（2）、广播功能函数（3）、整合C/C++/Fortran代码的工具

（4）、线性代数、随机数生成等功能

作用：数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据设置专门的数组对象，经过优化，可以提升这类应用的运算速度

ndarray介绍：
（1）、ndarray的构成
实际的数据
描述这些数据的元数据（数据维度、数据类型等）
（2）、ndarray的同质性
ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始
numpy.array()生成一个ndarray数组
（3）、轴(axis): 保存数据的维度；秩(rank)：轴的数量
（4）、ndarray对象的属性
.ndim
秩，即轴的数量或维度的数量
.shape
ndarray对象的尺度，对于矩阵，n行m列
.size
ndarray对象元素的个数，相当于.shape中nm的值
.dtype

import numpy as np
a = np.array([
[0,1,2,3,4],
[9,8,7,6,5]
])
a.ndim
a.shape
a.size

a.dtype
ndarray的元素类型：参考课件
ndarray数组的创建方法：*
从Python中的列表、元组等类型创建ndarray数组
np.array(list/tuple)

import numpy as np
x = np.array([0,1,2,3])
print(x)
y = np.array((4,5,6,7))
print(y)
z = np.array([
[1,2],
[9,8],
(0.1,0.2)
])
print(z)

​ 使用NumPy中函数创建ndarray数组
​ np.arange([start,] stop[, step,], dtype=None) 根据起始值、终止值、步长返回ndarray类型
​ np.ones(shape,dtype) 根据shape生成一个全1数组，shape是整数类型或者元组类型
​ np.zeros(shape,dtype) 根据shape生成一个全0数组，shape是整数类型或者元组类型
​ np.full(shape,fill_value) 根据shape生成一个数组，每个元素值都是fill_value
​ np.eye(N) 创建一个正方的n*n单位矩阵，对角线为1，其余为0
​ np.ones_like(a) 根据数组a的形状生成一个全1数组
​ np.zeros_like(a) 根据数组a的形状生成一个全0数组
​ np.full_like(a,fill_value) 根据数组a的形状生成一个数组，每个元素值都是fill_value,可使用dtype覆盖结果的数据类型
​ np.linspace() 根据起止数据等间距地填充数据，形成数组(等差数列).
​ 注意：该函数的完整写法是：
linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
根据endpoint的设置来决定是否包含最后的数据
​ np.concatenate() 将两个或多个数组合并成一个新的数组

随机数：

产生"随机种子"：np.random.seed(seed=种子数值)

生成随机整数：np.random.randint(low, high=None, size=None, dtype=‘l’)

生成随机浮点数：
np.random.random(size=None):生成[0.0, 1.0)的数
np.random.rand(d0, d1, …, dn)：生成给定形状的[0, 1)之间的数
np.random.normal(loc=0.0, scale=1.0, size=None)生成指定均值和标准差的浮点数

聚合运算：

一维向量的聚合运算
（1）、使用numpy自带的函数
np.min(ndarray对象)
np.max(ndarray对象)
np.sum(ndarray对象)
（2）、使用ndarray面向对象的方式
ndarray对象.min()
ndarray对象.max()
ndarray对象.sum()

二维矩阵的聚合运算
默认情况下，sum()、max()、min()、prod()、mean()、median()是针对矩阵中所有元素而言的,在某个轴上进行运算，可以传入axis参数
方差与标准差
方差：np.var(ndarray对象)
标准差：np.std(ndarray对象)

数组形状变换
ndarray的reshape(shape元组)
注意：若shape元组参数的某个维度设置为-1，则忽略该维度的具体值，根据具体情况自行变换

切片的使用
在二维数组的使用
建议使用"数组名[行索引范围,列索引范围]"的方式进行多维数据的访问
a = np.arange(15).reshape(3,5)
a[:2,:3]

复制数组copy()
ndarray对象.copy()

numpy数组的合并与分割
数组的合并
数组连接：numpy的concatenate((a1, a2, …), axis=0)
垂直拼接(即使数组维度不同)
numpy的vstack(tup)
水平拼接
np.hstack(tup)
数组的分割
数组分割：numpy的split(ary, indices_or_sections, axis=0)
垂直分割
numpy的vsplit(ary, indices_or_sections)
水平分割
numpy的hsplit(ary, indices_or_sections)

Numpy中的矩阵运算
numpy是基于向量化的运算，也就是可以针对向量中的每个元素进行运算
注意：这里“向量”表示一个一维数组
import numpy as np

L = np.arange(10)
print(L * 2)
将数组看作"向量"或"矩阵"的运算
矩阵内运算
对矩阵的每个元素进行四则运算、幂运算、指数运算、求余、三角函数、对数等运算
矩阵的转置，调用数组的T属性或者transpose()方法
矩阵间运算
对矩阵间对应元素作运算
向量和矩阵的运算
矩阵的逆

索引运算
计算索引
np.argmin(ndarray对象)、np.argmax(ndarray对象)

排序与索引
np.sort(ndarray对象)
np.argsort(ndarray对象) 根据原数组元素排序，返回其索引位置
np.partition(ndarray数组,元素索引) 将指定索引位置的元素放在正确的位置
np.argpartition(ndarray数组,元素索引) 数组中目标索引位置上元素的索引

FancyIndexing与其它操作
基本操作（一维向量和矩阵操作）
布尔数组当做索引
numpy比较与FancyIndexing
np.any()与np.all()
组合运算

注意：函数后加问号可显示函数细节

matplotlib

matplotlib是一个Python 的绘图库，可以将数据进行可视化操作

matplotlib绘制折线图

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

x = np.linspace(0,10,100)
siny = np.sin(x)
cosy = np.cos(x)
plt.plot(x,siny,label=“sin(x)”)
plt.plot(x,cosy,color=‘red’,linestyle=‘:’,label=“cos(x)”)
#plt.xlim(-5,15)
#plt.ylim(0,1.5)
plt.axis([-3,13,-2,2])
plt.xlabel(“x axis”)
plt.ylabel(“y value”)
plt.legend()plt.title(“正弦余弦图”)

plt.scatter(x,siny)
plt.scatter(x,cosy,color=‘red’)

plt.show()

matplotlib绘制散点图

matplotlib与内置数据集的结合使用
可以使用sklearn中的内置数据集进行数据分析，
导入方式：from sklearn import datasets