三天搞定python基础-day2

三天搞定python基础系列第一天内容请进传送门：三天搞定python基础-day1

三天搞定python基础-day2

（需要指出，这版三天搞定python系列有点偏向科学计算，机器学习大数据这块，从第二天第三天内容就可以看出来）

大纲：几个python的常用模块的简单应用

• NumPy：多维数组的有效操作。 高效的数学函数。

• Matplotlib：可视化：2D和（最近）3D图

• SciPy：大型库实现各种数值算法，例如：           

  • 线性和非线性方程的解
  • 优化
  • 数值整合

• Sympy：符号计算（解析的 Analytical）

• Pandas：统计与数据分析（day3）

一、导入模块

• 可以通过输入import关键字来导入模块

import numpy

• 或者使用简称，即将模块通过as关键字来命名一个简称

import numpy as np

• 有时您不必导入整个模块，就像

from scipy.stats import norm

练习：导入模块时间，并使用它来获取计算机运行特定代码所需的时间。

import timeit
def funl (x, y):      
     return x**2 + y**3

t_start  =  timeit.default_timer()
z =  funl(109.2, 367.1)
t_end  =   timeit.default_timer()

cost  =  t_end -t_start
print ( 'Time cost of funl is  %f' %cost)

二、numpy

ndarray类型

• NumPy提供了一种新的数据类型：ndarray（n维数组）。
  • 与元组和列表不同，数组只能存储相同类型的对象（例如只有floats或只有ints） 
  • 这使得数组上的操作比列表快得多; 此外，阵列占用的内存少于列表。 
  • 数组为列表索引机制提供强大的扩展

import numpy as np

In [1] : np.array([2, 3, 6, 7])   
Out[l] : array([2, 3, 6, 7])   
In [2] : np.array([2, 3, 6, 7.])   
Out [2] :  array([ 2.,  3.,  6., 7.])  <- Hamogenaous   

创建均匀间隔的数组

• arange：

in[1]：np.arange（5）
Out [l]：array（[0，1，2，3，4]）

range(start, stop, step)的所有三个参数即起始值，结束值，步长都是可以用的 另外还有一个数据的dtype参数 

np.arange(10,100,20,dtype = float)
array([ 10.,  30.,  50.,  70.,  90.])

np.arange(3, dtype=np.uint8)
array([0, 1, 2], dtype=uint8)

• linspace（start，stop，num）返回数字间隔均匀的样本，按区间[start，stop]计算：

np.linspace(0.,2.5,5)  
array([0.，0.625，1.25，1.875，2.5])

  这在生成plots图表中非常有用。

• 注释：即从0开始，到2.5结束，然后分成5等份

多维数组矩阵 (Matrix by multidimensional array)

In [1] : a = np.array([[1, 2, 3],[4, 5, 6]])
                   
In  [2] : a
Out [2] : array([[l, 2,  3] ,[4,  5,  6]])

In  [3] : a.shape  #<- 行、列数等 (Number of rows, columns etc.)
Out [3] : (2,3)

In  [4] : a.ndim   #<- 维度数  (Number of dimensions)
Out [4] : 2

In  [5] : a,size   #<- 元素数量 (Total number of elements)
Out [5] : 6

形状变化 (Shape changing)

import numpy as np

a = np .arange(0, 20, 1) ＃1维
b = a.reshape((4, 5))   #4行5列
c = a.reshape((20, 1))  #2维
d = a.reshape((-1, 4))  #-1：自动确定
a.shape =(4, 5) #改变a的形状

例子 

import numpy as np

a = np.array([1,2,3,4,5])
b = a.copy ()

c1 =  np.dot(np.transpose(a), b)
print(c1)
c2  = np.dot(a, np.transpose(b))
print(c2)

ax  =  np.reshape(a, (5,1))
bx  =  np.reshape(b, (1,5))
c = np.dot(ax, bx)
print(c)

相同的元素填充数组

In [1] : np.zeros(3)              # zero(),全0填充数组
Out[l] : array([ O., 0., 0.])

In [2] : np.zeros((2, 2), complex)
Out[2] : array([[ 0.+0.j, 0.+0.j],                
                [ 0.+O.j, 0.+0.j]])

In [3] : np.ones((2, 3))          # ones(),全1填充数组
Out[3] : array([[ 1., 1., 1.],
                [ 1., 1., 1.]])

随机数字填充数组

• rand: 0和1之间均匀分布的随机数 

   In [1] : np.random.rand(2, 4)   
   Out[1] : array([[ 0.373767 , 0.24377115, 0.1050342 , 0.16582644] , 
                   [ 0.31149806, 0.02596055, 0.42367316, 0.67975249l])

• randn: 均值为0，标准差为1的标准（高斯）正态分布 {standard normal (Gaussian) distribution with mean 0 and variance 1} 

  In [2]: np.random.randn(2, 4)  
  Out[2]: array([[ O.87747152, 0.39977447, -0.83964985, -1.05129899], 
                 [-1.07933484, 0.49448873,   -1.32648606, -0.94193424]])

• 其他标准分布也可以使用 

数组切片（1D） (Array sliciing(1D))

• 以格式start：stop可以用来提取数组的片段（从开始到不包括stop）

In [77]：a = np.array（[0，1，2，3，4]）
Out[77]：array（[0，1，2，3，4]）

In [78]：a [1：3]        #<--index从0开始 ,所以1是第二个数字，即对应1到3结束，就是到第三个数字，对应是2
Out[