Python基础知识（持续更新中）

Python

一、 转换函数

数据类型

将x转换到一个浮点数	float(x)
将x转换为一个整数	int(x [,base])
创建一个复数	complex(real [,imag])
将对象 x 转换为字符串	str(x)
将对象 x 转换为表达式字符串	repr(x)
用来计算在字符串中的有效Python表达式,并返回一个对象	eval(str)
将序列 s 转换为一个元组	tuple(s)
将序列 s 转换为一个列表	list(s)
转换为可变集合	set(s)
创建一个字典。d 必须是一个序列 (key,value)元组	dict(d)
转换为不可变集合	frozenset(s)
将一个整数转换为一个字符	chr(x)
将一个字符转换为它的整数值	ord(x)
将一个整数转换为一个十六进制字符串	hex(x)
将一个整数转换为一个八进制字符串	oct(x)

弧度角度

    radians = math.radians(180)  # 传入参数为角度制 180度=pi
    print(radians)  # 3.141592653589793

    # 弧度制转为角度制
    degree = math.degrees(math.pi)   # 传入参数为弧度制
    print(degree)  # 180.0

二、列表

1.remove: 删除单个元素，删除首个符合条件的元素，按值删除

>>> str=[1,2,3,4,5,2,6]
>>> str.remove(2)
>>> str
[1, 3, 4, 5, 2, 6]

2.pop: 删除单个或多个元素，按位删除(根据索引删除)

>>> str2=['abc','bcd','dce']
>>> str2.pop(2)
'dce'
>>> str2
['abc', 'bcd']

3.del：它是根据索引(元素所在位置)来删除

>>> str=[0,1,2,3,4,5,6]
>>> del str[2:4] #删除从第2个元素开始，到第4个为止的元素(但是不包括尾部元素)
>>> str
[0, 1, 4, 5, 6]

find函数

find() 方法用于检索字符串中是否包含目标字符串，如果包含，则返回第一次出现该字符串的索引；反之，则返回 -1。
检索字符串，并规定起始点与终止点（可省略）

>>> str = "c.biancheng.net"
>>> str.find('.',2,-4)
-1

rfind() 是从字符串右边开始检索。

>>> str = "c.biancheng.net"
>>> str.rfind('.')
11

三、 np

1.随机函数

np.random.rand

其返回结果中的每一个元素是服从0~1均匀分布的随机样本值，也就是返回的结果中的每一个元素值在0-1之间。

import numpy as np
# 生成一个0~1的随机数
mat = np.random.rand()
# 生成2*1的随机矩阵
mat = np.random.rand(2)
# 生成一个3*2的随机矩阵
mat = np.random.rand(3, 2)

np.random.randn()

返回的结果是服从均值为0，方差为1的标准正态分布，而不是局限在0-1之间，也可以为负值，同上。

np.random.randint(low，high，size，dtype)

返回结果：返回值是一个大小为size的数组，如果指定了low和high这两个参数，那么生成的元素值的范围为[low,high)，不包括high；如果不指定high这个参数，则生成的元素值的范围为[0,low)。如果不指定size这个参数，那么生成的元素值的个数只有一个。

mat = np.random.randint(low=1, high=5)
mat = np.random.randint(low=2, high=10, size=(3, 3))
mat = np.random.randint(low=2, high=10, size=(3, 3), dtype=np.uint8)

np.random.uniform(low，high，size)

生成服从指定范围内的均匀分布的元素。其返回值的元素类型为浮点型。需注意的是元素值的范围包含low，不包含high。

2.矩阵

array

# 将列表数据变成numpy类型
array = np.array([1,2,3,4])
# 将列表数据变成numpy类型
array2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
array2
# 以10为底
np.logspace(0,1,5)
# 构建全0的
np.zeros(4)
# 构建全1的
np.ones((2,3))
# 构建空的，会随机填充一些东西
a = np.empty(5)
# 用3填充
a.fill(3)
# 根据某个数据来构建给他形状一样的东西
np.zeros_like(a)
# 单位矩阵
np.identity(4)

索引方式与列表相同

# 给数组中每一个数加1
array += 1
# 查看数据形状
array.shape
# 查看数据类型
array.dtype
# 查看数据的个数
array.size
array2.size=9
# 维度
array.ndim
array2.ndim=2

同matlab矩阵操作

# 获取第2行的数据
array2[1]
# 第一个参数表示第1行，第二个参数表示第1，2列
array2[0,1:3]

# 复制数据，这2个变量指向同一个值，一个变量修改了值，另外一个变量查看的时候值也会变
array3 = array2
array3
# 复制数据，2个变量之间的值互不影响
array3 = array2.copy()
array3

运算

# 向量乘法
np.multiply(x,y)
# 矩阵乘法
np.dot(x,y)

# 求和
array2.sum()
# 按维度求和，负数表示从后面维度开始数
# axis 0列，1行
np.sum(array2,axis=0)
array2.sum(axis=0)
# 所有数相乘
array2.prod()
# 按维度相乘
array2.prod(axis=1)
# 找到最小值（可按维度寻找）
array2.min()
# 找到最大值
array2.max()
# 最小值索引位置（可按维度）
array2.argmin()
# 平均值
array2.mean()
# 标准差
array2.std()
# 方差
array2.var()
# 小于2的值都变成2，大于4的值都变成4
array2.clip(2,4)
# 四舍五入
a.round()
# 设置精度
a.round(decimals=1)
# 排序
# 按维度排序
np.sort(a,axis=0)
# 返回原来的索引值
np.argsort(a)
# 等分取值
a = np.linspace(0,10,10)
# 第一列降序，第三列升序
i = np.lexsort([-1*a[:,0],a[:,2]])
# 修改数据形状
a.shape = 2,5
# 转制
a.transpose()
# 转置，不会改变原来数据形状
a.T
# 拼接数据
c = np.concatenate((a,b))
# 拼接数据，指定在哪个维度
c = np.concatenate((a,b),axis=1)
# 数据变成一维的，不会改变原数据
a.flatten()

# 生成一维数据，在[0,100)中，每隔10个选取一个
a = np.arange(0,100,10)
m = np.array([0,2,0,0,1,5,0,0,7,0],dtype = bool)
》》array([False,  True, False, False,  True,  True, False, False,  True,
       False])
# 下标是False表示不显示这个值，True表示显示这个值
a[m]
》》array([10, 40, 50, 80])
# 参数10表示生成10个数
r = np.random.rand(10)
# 找到r中大于0.5的下标
m = r >0.5
or
np.where(r > 0.5)