<dl id="opymh"></dl>

<div id="opymh"></div>
      <div id="opymh"><tr id="opymh"></tr></div>

        <em id="opymh"><ins id="opymh"><mark id="opymh"></mark></ins></em><sup id="opymh"><menu id="opymh"></menu></sup>

        <em id="opymh"></em>

        <em id="opymh"><ol id="opymh"></ol></em>

              频道栏目
              首页 > 程序开发 > Web开发 > Python > 正文
              python数据分析之numpy基础代码展示
              2018-07-27 14:40:38         来源:SunChao3555的博客  
              收藏   我要投稿

              python数据分析之numpy基础代码展示

              #coding:utf-8
              import scrapy
              import xlwt, lxml
              import re, json,time
              import matplotlib.pyplot as plt
              import numpy as np
              import pylab
              from scipy import linalg
              
              '''
              points=np.arange(-5,5,0.01)
              xs,ys=np.meshgrid(points,points)
              print(xs)
              
              z=np.sqrt(xs **2+ys**2)
              print(z)
              print(np.arange(32))
              plt.imshow(xs,cmap=plt.cm.gray)
              # plt.colorbar()
              plt.title("haha")
              pylab.show()
              '''
              
              
              '''利用数组进行数据处理 将条件逻辑表述为数组运算
              列表?#39057;?#30340;局限性
               纯python代码,速度不够快
               无法应用于高维数组
              where 和where的嵌套
              '''
              # l=[i for i in np.arange(4).reshape(2,2)]
              # #np.where(condition,x,y)如果条件成立执行x,否则执行y。另外,x和y可以继续写成np.where()的形式构成嵌套
              # x=[i for i in np.arange(11,20)]
              # y=[j for j in np.arange(21,30)]
              # print(l)
              # print(np.array(l))
              # result=np.where(np.linalg.det(l)<0,x,y)
              # print(result)
              # print((np.array(l)>0).sum())
              # bool=np.array(l)>0
              # print(bool)
              # print(bool.any())#有一个为True则返回True
              # print(bool.all())#有一个为False则返回False
              '''
              关于zip函数的一点解释,zip可以接受?#25105;?#22810;参数,然后重新组合成1个tuple列表。
              zip([1, 2, 3], [4, 5, 6], [7, 8, 9])
              返回结果:[(1, 4, 7), (2, 5, 8), (3, 6, 9)]
              '''
              
              
              '''
              #排序sort()
              #找到位置在5%的数字
              large_arr=np.random.randn(1000)
              large_arr.sort()
              print(large_arr[int(0.05*len(large_arr))])
              
              #去重以及其他集合运算
              '''
              
              '''
              unique(x) 计算x中的唯一元素,并返回有序结果
              intersectld(x,y) 计算x和y中的公共元素,并返回有序结果
              unionld(x,y)计算x和y的并集,并返回有序结果
              inld(x,y)得到一个表述“x的元素是否包含于y”的布尔数组
              setdiffld(x,y) 集?#31995;?#24046;,即元素在x中且不在y中
              setxorld(x,y) 集?#31995;?#24322;或,即存在于一个数组中但不同时存在于两个数组中的元素
              '''
              set_arr=np.array([1,1,2,3,4,5])
              print(np.unique(set_arr))
              set_arr2=np.unique(set_arr)
              print(np.intersect1d(set_arr,set_arr2))
              
              '''
              #文件的输入输出
              #arr=np.loadtxt('file.txt',delimiter=',') 读取csv
              arr=np.arange(10)
              #np.save('some_array',arr)
              print(np.load('some_array.npy'))
              
              np.savez('array_archive.npz',a=arr,b=arr)#多个数组压缩存储
              arch=np.load('array_archive.npz')
              print(arch['a'])
              '''
              
              '''
              线性代数 常用的numpy.linalg函数
              diag 以一维数组的形式返回方阵的对角线(或?#23884;?#35282;线元素),或将一维数组转换为方阵(?#23884;?#35282;线元素为0)
              dot 矩阵乘法
              trace 计算对角线元素的和
              det 计算矩阵行列式
              eig 计算方阵的特征值和特征向量
              inv 计算方阵的逆
              pinv 计算矩阵的Moore-Penrose伪逆
              qr 计算QR分解
              svd 计算奇异值分解
              solve 解线性方程Ax=b,其中A为一个方阵
              lstsq 计算Ax=b的最小二乘解
              '''
              
              #数组重塑 reshape()
              '''
              #数组的合并与拆分
              concatenate 最一般化的连接,沿一条轴连接一维数组 [两个数组连接的axis需要规格一致]
              vstack,row_stack 以面向行的方式对数组进行堆叠(沿轴0)
              hstack 以面向行的方式对数组进行堆叠(沿轴1)
              column_stack 类似于hstack,但会先将一维数组转换为二维列向量
              dstack 以面向“深度”的方式对数组进行堆叠(沿轴2)
              split 沿指定轴在指定的位置拆分数组
              hsplit,vsplit,dsplit split的便捷化函数,分别沿着轴0,1,2进行拆分
              '''
              # r_对象
              # c_对象
              
              arr1=np.arange(1,7).reshape((2,3))
              arr2=np.arange(7,13).reshape((2,3))
              arr3=np.arange(13,28).reshape((5,3))
              #
              # print(arr1)
              # print(arr2)
              #连接
              # print(np.concatenate([arr1,arr2],0))
              # print(np.concatenate([arr1,arr2],1))
              # # print(np.concatenate([arr1,arr3],0))
              #
              # #堆叠
              # print(np.vstack((arr1,arr2)))#垂直堆叠
              # print(np.hstack((arr1,arr2)))#水平堆叠
              
              #拆分
              print(np.split(arr3,[0,1],axis=1))
              arr4=np.random.randn(5,5)
              print(arr4)
              first,second,third=np.split(arr4,[1,3],axis=0)#其中[1,3]为下刀的位置
              # first,second,third=np.split(arr4,[1,3],axis=1)
              print(first)
              print('888888888888')
              print(second)
              print('888888888888')
              print(third)
              print('888888888888')
              
              #堆叠辅助类
              
              arr5=np.arange(6).reshape((3,2))
              arr6=np.random.randn(3,2)
              #r_用于按行堆叠
              print(np.r_[arr5,arr6])
              
              #c_用于按列堆叠
              print(np.c_[np.r_[arr5,arr6],np.arange(6)])
              
              #切片直接转为数组
              print(np.c_[1:6,-10:-5])
              
              #元素的重复操作
              print(arr5.repeat(3))#按元素
              print(arr5.repeat([1,2,3,4,5,6]))#按元素,长度要匹配
              
              #repeat(n,axis)指定轴
              print(arr5.repeat(2,0))#按行
              print(arr5.repeat(2,1))#按列
              
              #tile
              print(np.tile(arr5,(2)))#贴瓷砖
              print(np.tile(arr5,(2,3)))#指定每个轴的tile次数
              
              #距离矩阵计算
              #给定mxn阶矩阵X,满足X=[x1,x2,...,xn],这里第i列向量是m维向量。  求nxn矩阵,使得Dij=||Xi-Xj||^2
              X = np.array([range(0, 500), range(500, 1000)])
              m, n = X.shape
              
              t = time.time()
              D = np.zeros([n, n])
              for i in range(n):
               for j in range(i + 1, n):
                D[i, j] = linalg.norm(X[:, i] - X[:, j]) ** 2
                D[j, i] = D[i, j]
              print(time.time() - t)
              
              t = time.time()
              D = np.zeros([n, n])
              for i in range(n):
               for j in range(i + 1, n):
                d = X[:, i] - X[:, j]
                D[i, j] = np.dot(d, d)
                D[j, i] = D[i, j]
              print(time.time() - t)
              
              t = time.time()
              G = np.dot(X.T, X)
              D = np.zeros([n, n])
              for i in range(n):
               for j in range(i + 1, n):
                D[i, j] = G[i, i] - G[i, j] * 2 + G[j,j]
                D[j, i] = D[i, j]
              print(time.time() - t)
              
              t = time.time()
              G = np.dot(X.T, X)
              H = np.tile(np.diag(G), (n, 1))
              D = H + H.T - G * 2
              print(time.time() - t)

               

              点击复制链接 与好友分享!回本站首页
              上一篇:python简单面试题:输入某年某月某日,判断这一天是这一年的第几天
              下一篇:利用Python实现权限设置的详细教程
              相关文章
              图文推荐
              点击排行

              关于我们 | 联系我们 | 广告服务 | 投资合作 | 版权申明 | 在线帮助 | 网站地图 | 作品发布 | Vip技术培训 | 举报?#34892;?/a>

              版权所有: 红黑联盟--致力于做实用的IT技术学习网站

              极速飞艇好假
              <dl id="opymh"></dl>

              <div id="opymh"></div>
                  <div id="opymh"><tr id="opymh"></tr></div>

                    <em id="opymh"><ins id="opymh"><mark id="opymh"></mark></ins></em><sup id="opymh"><menu id="opymh"></menu></sup>

                    <em id="opymh"></em>

                    <em id="opymh"><ol id="opymh"></ol></em>

                          <dl id="opymh"></dl>

                          <div id="opymh"></div>
                              <div id="opymh"><tr id="opymh"></tr></div>

                                <em id="opymh"><ins id="opymh"><mark id="opymh"></mark></ins></em><sup id="opymh"><menu id="opymh"></menu></sup>

                                <em id="opymh"></em>

                                <em id="opymh"><ol id="opymh"></ol></em>

                                      腾讯分分彩后二平刷 贵州快3连线形态走势图 陕西彩票11选五开奖结果查询 怎样破解双赢彩票网极速时时彩 快乐飞艇,快乐赛车全天计划 最全的11选五 幸运农场怎么玩的 赌ag真人为什么老是输 篮球比分捷报 彩宝网3d开机号 68期7星彩开奖结果 蓝彩让分胜负预测 中国竞彩网竞彩258 北京快三助手苹果版 竞彩半全场看盘技巧