一,概率论:(连续型随机变量与密度函数)
- 概率密度函数(定义)
- 连续随机变量的概念与性质(定义,性质,注意,与离散型随机变量的区别)
- 一些常用的连续性随机变量(均匀分布(密度函数,分布函数),指数分布(密度函数,分布函数))
二,数据分析:
1.NumPy的ndarray:一种多维数组对象
1.1 创建ndarray:
- 1.1.1:array,asarray(跟array相似,但当输入是ndarray时array复制一次,asarray就不进行复制);
- 1.1.2.:arange(常用与构造等差数组);
- 1.1.3:ones,ones_like(根据指定的形状创造一个全1数组)
- 1.1.4:zeros,seros_like(类似于ones,ones_like但创建的是一个全0数组)
- 1.1.5:empty,empty_like(创建新数组,只不过是只分配空间,而不填充任何职)
- 1.1.6:eye,identity(创建一个正方的N*N的单位矩阵(对角线为1,其余为0)(eyes可以不一定是方阵,但identity一定是方阵))
import numpy as np
x=np.ones(5)
x
#out:array([1., 1., 1., 1., 1.])
x=np.zeros(3)
x
#out:array([0., 0., 0.])
y=np.empty(3)
y
#不要一直指望np.empty一直返回全0数组,大多数情况返回的是一堆未初始化的垃圾值
#out:array([0., 0., 0.])
x=np.eye(3)
x
#out:array([[1., 0., 0.],
#[0., 1., 0.],
#[0., 0., 1.]])
y=np.ones_like(x)
y
#out:array([[1., 1., 1.],
#[1., 1., 1.],
#[1., 1., 1.]])
y=np.zeros_like(x)
y
#out:array([[0., 0., 0.],
# [0., 0., 0.],
# [0., 0., 0.]])
z=np.empty_like(x)
z
#out:array([[0., 0., 0.],
# [0., 0., 0.],
# [0., 0., 0.]])
y=np.identity(3)
y
#out:array([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]])
1.2.NumPy的数据类型
- i1.i2,i4,i8(有符号占k个字节的int型)
- u1,u2,u4,u8(无符号占k个字节的int型)
- f2,f4或f,f8或d,f16或g(浮点数的扩充)
- ?(bool型)
- O(python对象类型object)
- S(固定长度的字符串类型string)
- U(固定长度的unicode类型与字符串的定义方式一样)
参考文献:
- numpy中array和asarray的区别:https://www.cnblogs.com/messj-qy/p/8951950.html
- numpy常用函数之arange函数:https://www.jianshu.com/p/d7d3ae1f096f
- np.eye()和np.identity():https://blog.csdn.net/oppo62258801/article/details/94446785