科学计算库

• Numpy
  • ndarray与python list的区别
    • ndarray
      • 底层内存顺序读写,时间复杂度O(1)
    • list
      • 底层内存随机读写,消费非常低
  • 特性
    • 高效性
      • Numpy直接使用C语言开发,内部解除了GIL(全局解释器锁),操作速度不受限于python解释器
    • 并行计算
      • numpy内置并行计算功能,支持多核心多线程计算
  • 语法
    • ndarray.shape
      • 数组维度元祖
    • ndarray.ndim
      • 数组维数
    • ndarray.size
      • 数组中元素个数
    • ndarray.itemsize
      • 一个数组元素的长度
    • ndarray.dtype
      • 数组元素的数据类型,需要使用type()获取
    • np.ones(shape,dtype)
      • 创建全1数组,shape元祖传入,dtype控制数据类型
    • np.ones_like(a,dtype)
      • 创建一个形状与a数组一样的数组,但是其中的值全部为1
    • np.zeros(shape,dtype)
      • 创建一个维度为shape的数组,其中的值全部为0
    • np.zeros_like(a,dtype)
      • 创建一个与a数组维度一致的数组,但其中的值全部为0
    • 深复制与潜复制
      • 深复制
        • np.asarray(a,dtype)
      • 潜复制
        • np.array(object,dtype)
    • 生成固定范围的数组
      • 等差数组
        • np.linspace(start,storp,num,endpoint)
        • start : 序列起始值
        • stop : 序列终止值
        • num : 要生成的元素数量,默认为50
        • endpoint : 序列中是否包含stop值,默认为ture
      • 差数组-指定步长
        • np.arange(start,stop,step,dtype)
          • start : 序列起始值
          • stop : 序列终止值
          • step : 步长
          • dtype : 数据类型
      • 等比数列
        • np.logspace(start,stop,num)
          • start : 起始值
          • stop : 终止值
          • num : 要创建的元素个数
    • 正态分布
      • 原理
        • 需要关注的参数:
          • 均值:u
            • 决定了这个图形的左右位置
          • 标准差:σ
            • 决定了这个图形是瘦高还是矮胖
      • np.random.randn(num)
        • 从标准正态分布中范围num个值
      • np.random.normal(loc=0.0,scale=1.0,size=None)
        • loc : float,此概率分布的均值,对应着整个分布的中心center
        • scale : float,此概率分布的标准差,对应于分布的宽度,scale越大越矮胖,scale越小越高瘦
        • size : int or tuple of ints 输出的shape,默认为none,只输出一个值
      • np.random.standard_normal(size=None)
        • 返回指定形状的标准正态分布的数组
    • 均匀分布
      • np.random.rand(num)
        • 返回num个均匀分布的随机数
      • np.random.uniform(low=0.0,high=1.0,size=None)
        • 从一个均匀分布[low,high)中随机采样,注意定义域左开右闭
        • low : 采样下界 , float类型,默认为0
        • high : 采样上界,float类型,默认值为1
        • size : 输出样本数目,为int或元祖(tuple)类型,例如size=(m,n,k) 则输出mnk个样本,缺失时输出1个值
        • 返回值类型 : ndarray类型,与size中描述一致
      • np.random.randint(low,high=None,size=None,dtype=‘I’)
        • 从一个均匀分布中随机采样,生成一个整数或者N维整数数组
        • 取整范围 : 若high不为None时,取[low,high)之间的随机整数,否则取[0,low)之间的随机整数
    • 数组切片
      • 对象[:,:]
        • 先行后列,先行限定,然后列限定,就一列那么就不用:符号,如有有多列就用:拼接
    • 形状改变
      • ndarray.reshape(shape,order)
        • 需要保持修改前后数组本身元素个数一致
        • 返回一个具有相同数据域,但shape不一样的视图
        • 行列不进行互换
        • -1 表示值带计算,只填入一个具体的值就可以
      • ndarray.resize(new_shape)
        • 修改数组本身的形状,可以更改原数组本身的数据,而relshape则不能修改原本的数据
        • 需要保持远元素个数修改前后数量相同
        • 行列不进行互换
      • ndarray.T
        • 数组转置,行转列
    • 类型修改
      • ndarray.astype(type)
        • 修改数据类型,并返回修改后的数组
        • type类型需要使用numpy.类型调用
      • ndarray.tostirng([order])或者ndarray.tobytes([order])
        • order 指的是可排列的容器存储起来的数据
        • 将排序好的数据转换成string类型或者char类型
    • 去重
      • numpy.unique(ndarray)
        • 传入数组后返回一个去重后的数组结果
    • 逻辑运算
      • ndarray[条件] =满足条件赋值
      • 通用判断函数
        • numpy.all() 全真为真
        • numpy.any() 一真为真
        • numpy.where(条件,真:赋值为x,假:赋值为y) 三木运算木
        • 符合运算符
          • 需要结合where使用
          • numpy.logical_and_ (条件1,条件2)全真为真
          • mumpy.logical_or_(条件1,条件2) 一真为真