weixin_46357810的博客

1.数据定义 1.1模式的定义与删除 模式即命名空间，在此模式下可继续定义基本表、视图、索引等，即数据库->模式->表、视图、索引等。 创建模式： CREATE SCHEAM [<模式名>] AUTHORIZATION <用户名>; 模式名省略时默认为用户名。 此句可同时使用创建基本表、视图，授权定义子句。 即： CREATE SCHEAM [<模式名>] AUTHORIZATION <用户名> [<表定义子句>|<视图定义子句

2.1 线性表的概念和性质 2.1.1 线性表是 EEE 中有穷个元素的组成的序列 L=(e0,e1,...,en−1)L =(e_{0},e_{1},...,e_{n-1})L=(e0​,e1​,...,en−1​) ，元素之间的关系 为一个二元组的集合 R={<e0,e1>,<e1,e2>,...,<en−2,en−1>}R=\{ <e_{0},e_{1}>,<e_{1},e_{2}>,...,<e_{n-2},e_{n-1}> \

一二维数据的存取： CSV(逗号分隔值)，是一种常见的文件格式，用来存储批量一二维数据。 在numpy中，向csv文件写入数据和读出数据通过以下两个函数实现： ​ np.savetxt(frame,array,fmt="%.18e",delimiter=None) a = np.arange(100).reshape(20,5) np.savetxt("a.csv",a,fmt="%d",delimiter=",") ​ np.loadtxt(frame,dtype=np.float,delimiter=

ndarray数组与标量的运算： 作用于数组中的每一个元素 >>>a = np.array([1,2,3,4,5]) >>>a += 2#标量(数据) >>>a array([3,4,5,6,7]) ndarray数组运算一元函数： 对数据执行元素级运算的函数，返回新数组 函数 说明 np.abs(a)/np.fabs(a) 计算数组各元素绝对值 np.sqrt(a) 计算数组各元素平方根 np.square(a) 计算数组各元

ndarray数组索引和切片： 一维数据的索引和切片：与python列表类似 >>>a = np.array([1,2,3,4,5]) >>>a[2]#索引 3 >>>a[1:4:2]#切片 array([2,4]) 多维数组的索引和切片： >>>a = np.arange(24).reshape((2,3,4)) >>>a array([[[ 0, 1, 2, 3], [ 4, 5, 6,

NumPy是使用Python进行科学计算的基础软件包。 导入： import numpy as np NumPy 提供了一个非常强大的N维数组对象 Ndarray。 ndarray数组包含两部分，实际的数据和描述数据的元数据(数据维度、数据类型等)，用轴表示保存数组的维度，秩表示轴的数量。 >>>a = nd.array([[1,2,3],[4,5,6]]) >>>a array([[1,2,3], [4,5,6]]) >>>print(a

NumPy随机数函数random子库： 函数 说明 rand(d0…dn) 根据d0…dn形状创建随机数数组，浮点数，[0,1)均匀分布 randn(d0…dn) 根据d0…dn形状创建随机数数组，标准正态分布 randint(low[,high,shape]) 根据shape形状创建随机数数组，范围是[low,high) seed(s) 随机数种子 shuffle(a) 对数组a的第0轴进行随机元素排列，改变数组a permutation(a) 对数组a的第0轴进行随机

1.1 使用计算机求解问题 1.1.1 开发（设计、编写）一个程序，通常是为了解决一类问题，程序每次执行时能够解决该问题的一个实例。 1.1.2 程序的开发过程： 需求分析（深入分析情况和细节，得到一个尽可能严格表述的问题表述） 数据组织和算法设计 编码 检查编译 调试测试（关键在于设计一套出色的测试用例） 维护 1.2 算法和算法设计 1.2.1 问题是需要解决的一类具体需求，而问题实例是所属问题的一个具体例子。算法则是解决问题的计算过程的严格描述，是一系列解决问题的清晰指令。