Python数值分析：那些我好像会的基础

Python数值分析：那些好像会的基础（一）

我的python学得非常随意，基本上没学，就是直接来用，所以python经常给我一种熟悉的陌生人的感觉。你时不时会见到他，打个招呼，但是一问他家在几楼呀，他吃不吃香菜啊，喜不喜欢刘诗诗啊，就懵住了。就是有点“解释性深度错觉”的意思。
所以复盘一点点近期用到的基础。

Pandas追加写入

参考链接

L2_78=[[1,1,1,1,1,1,1],[1,1,1,2,2,2,2],[1,2,2,1,1,2,2],[1,2,2,2,2,1,1],[2,1,2,1,2,1,2],[2,1,2,2,1,2,1],[2,2,1,1,2,2,1],[2,2,1,2,1,1,2]]
df4 = pd.DataFrame(data = L2_78)
with pd.ExcelWriter("hw.xlsx",engine="openpyxl",mode='a') as writer:
    df4.to_excel(writer,sheet_name="L2_78")

注意写入xlsx文件，要指定engine为openpyxl
参考二
行追加（startrow)或列追加写入同一个sheet

writer = pd.ExcelWriter(filepath) 
data = pd.read_excel(writer, index_col=None, header=None)
data.to_excel(writer, startrow=0, index=None, header=None, sheet_name='Sheet1')
df.to_excel(writer, startrow=data.shape[0], index=None, header=None, sheet_name='Sheet1', encoding='utf-8')
writer.save()

    df_all = pd.DataFrame(data=None)  # 创建空的 dataframe
    df = pd.read_excel(file_path, header=0, sheet_name='Sheet1')  
    df_all = pd.concat([df_all, df], ignore_index=True)   # concat 合并有相同字段名的dataframe 
     
    data_list = df_all.drop_duplicates(keep='first')    # 避免字段名重复写入,去重处理
    df_all.to_excel(out_path, index=False, encoding='utf-8')  

关于作图

matplotlib的作图参考
感觉大概知道基操，别的用的时候查就可以了。
plt.figure()是创建一个画布，ax是图形，也就是作的图。可以通过设置num=1, num=2…来标识画布，没有设置则默认创建一个新的画布，num递增。
fig,ax= plt.subplots(), 返回的ax是一个二维数组。例如fig,ax = plt.subplots(1,2)，创建一行两列的图形。可以flatten,也可以ax[0,1]…

fig4 = plt.figure()
ax= fig4.add_subplot(121)
ax.plot(xvalues,yvalues,'bo')
ax.set_title('before interpolation')

ax = fig4.add_subplot(122)
ax.plot(xx,yy)
ax.set_title("after interpolation")

plt.show()

fig5,ax = plt.subplots(1,2)
axes = ax.flatten()
axes[0].plot(xvalues, yvalues, 'bo')
axes[0].set_title("before")
axes[1].plot(xx, yy)
axes[1].set_title("after")
plt.show()

numpy

可以通过numpy.array()函数传递序列对象创建数组
astype可对数组的元素类型进行转换
python 的is比较内存地址。 用astype进行转换时不改变原始数组。

mport numpy as np

nums = [1,2,3]
num_array = np.array(nums)
num_array1 = np.array(nums, dtype=np.int64)
num_array2 = np.array(nums, dtype=np.int32)
print(num_array.dtype, num_array.dtype.type, type(nums), num_array1.dtype.type, num_array2.dtype)

num_array3 = num_array2.astype(np.int64)
print(num_array2.dtype.type, num_array3.dtype.type)
print(num_array2 is num_array3)
print(num_array2 == num_array3)

um_array4 = num_array3
num_array5 = num_array3.copy()
print(num_array3 is num_array4)
print(num_array3 == num_array4)
print(num_array3 is num_array5)
print(num_array3 == num_array5)

numpy的数值对象运算速度比python中内置类型的运算速度快。timeit可以测试代码的运行速度

from timeit import timeit
num1 = 2.89
num2 = np.float64(num1)

def func1(x):
    return x*x

print(timeit("func1(num1)",'from __main__ import func1, num1, num2', number=100000))
print(timeit("func1(num2)", 'from __main__ import func1, num1, num2',number=100000))

%timeit调用timeit模块对当行语句执行多次，%%timeit测试整个单元的执行时间，%time命令只执行一次。

关于性能分析，IPython有很多魔法命令，先到这里了，以后再看。

线性代数

主要是numpy和scipy的linalg库
先不写了。。。。