Python常用函数

数组篇

假设数组a为四维数组

数组的大小

len(a) # 第一维的大小
len(a[0]) #第二维的大小，依次类推

数组的维度

a.shape
# 会输出数组每一维的大小
# 例如会输出(3,3,2,10)

画图篇

matplotlib.pyplot 下的画图

# 直接画数组，注意这里最多只能画两个维度
 plt.plot(a[0,0,:,:])
 plt.show()
 # 可以设置x轴和y轴
 x = [1,2,3,4,5,6]
 y = 2 * x + 1
 plt.plot(x,y)
 plt.show()
 # 画两个图上下排列
 plt.subplot(2,1,1) # 位于上面的图
 plt.plot(a[0,0,:,:])
 plt.subplot(2,1,2) # 位于下面的图
 plt.plot(a[0,1,:,:})
 plt.show()

特征值篇

特征值篇转载
https://blog.csdn.net/robert_chen1988/article/details/102712946
(来源)
这里为总结收纳

Nump计算均值/方差/标准差

首先均需要

import numpy as np

均值

a = [1, 2, 3, 4]
np.mean(a)
# 结果2.5

平均数/加权平均数

a = [1, 2, 3, 4]
np.average(a)
# 结果：2.5
np.average(a, weight = [1, 1, 2, 1]
# 结果：2.6

方差

a = [5, 6, 16, 9]
np.var(a) # 计算总体方差
# 结果18.5

np.var(a, ddof = 1) # 计算样本方差
# 结果：24.66666666666668

b = [[4, 5], [6, 7]]
np.var(b) # 计算矩阵所有元素的方差
# 结果：1.25
np.var(b, axis = 0) # 计算矩阵每一列的方差
# 结果: array([1.,1.])
np.var(b, axis = 1) # 计算矩阵每一行的方差
# 结果：array([0.25, 0.25])

标准差

import pnumpy as np
a = [5, 6, 16, 9]
np.std(a) # 计算总体标准差
# 结果：4.301162633521313
np.std(a, ddof = 1 ) # 计算样本标准差
# 结果：4.96655480858378
np.std(b) # 计算矩阵所有元素的标准差
# 结果: 1.118033988749895
np.std(b, axis = 0) # 计算矩阵每一列的标准差
# 结果: array([1., 1.])
np.std(b, axis = 1) # 计算矩阵每一列的标准差
# 结果：array([0.5, 0.5])

Pandas计算均值/方差/标准差

首先需要

import pandas as pd

均值

mean函数可以求得所有行所有列的平均数

import pandas as pd
df = pd.DataFrame(np.array([[85, 68, 90], [82, 63, 88], [84, 90, 78]]), columns=['统计学', '高数', '英语'], index=['张三', '李四', '王五'])
df
统计学  高数  英语
张三   85  68  90
李四   82  63  88
王五   84  90  78

df.mean() # 显示每一列的平均数

统计学    83.666667
高数     73.666667
英语     85.333333
dtype: float64

df.mean(axis = 1) # 显示每一行的平均数
张三    81.000000
李四    77.666667
王五    84.000000
dtype: float64

若要得到某一行或某一列的平均值，则可以使用iloc选取该行或该列数据，后面跟mean函数就能得到，例如：

df
    统计学  高数  英语
张三   85  68  90
李四   82  63  88
王五   84  90  78

df.iloc[0, :].mean()  # 得到第 1 行的平均值
81.0
df.iloc[:, 2].mean() # 得到第 3 列的平均值
85.33333333333333

pandas 中的 var 函数可以得到样本方差（注意不是总体方差），std 函数可以得到样本标准差，若要得到某一行或某一列的方差，则也可用 iloc 选取某行或某列，后面再跟 var 函数或 std 函数即可，例如：

df.var() # 显示每一列的方差
统计学      2.333333
高数     206.333333
英语      41.333333
dtype: float64
df.var(axis = 1) # 显示每一行的方差
张三    133.000000
李四    170.333333
王五     36.000000
dtype: float64
df.std() # 显示每一列的标准差
统计学     1.527525
高数     14.364308
英语      6.429101
dtype: float64
df.std(axis = 1) # 显示每一行的标准差
张三    11.532563
李四    13.051181
王五     6.000000
dtype: float64
df.iloc[0, :].std() # 显示第 1 行的标准差
11.532562594670797
df.iloc[:, 2].std() # 显示第 3 列的标准差
6.429100507328636

复数提取实数虚数部分

import numpy as np
x = 1 + 2j
# 提取实部
np.real(x)
# 结果: 1.0
# 提取虚部
np.imag(x)
# 结果: 2.0

ps: 之后如果还遇到比较常用的，也会不定时更新哦