day18

概述numpy模块 numpy是Python的一种开源的数据计算扩展库，用来存储和处理大型矩阵 区别于list列表，提供数组 *** 作，数组运算，以及统计分布和简单的数学模型 计算速度快 矩阵即numpy的ndarray对象，创建矩阵就是把一个列表传入np.array()方法 import numpy as np #约定俗成 np代表numpy#一维arr = np.array([1,2,3,4])prin numpy模块

numpy是Python的一种开源的数据计算扩展库，用来存储和处理大型矩阵

区别于List列表，提供数组 *** 作，数组运算，以及统计分布和简单的数学模型 计算速度快

矩阵即numpy的ndarray对象，创建矩阵就是把一个列表传入np.array()方法

import numpy as np #约定俗成 np代表numpy#一维arr = np.array([1,2,3,4])print(arr)[1,4]#二维arr = np.array([[1,4],[5,6,7,8]])[[1,4] [5,8]]#三维[[[1,[1,4]],[[2,4,5],[3,5,6],6]],[[5,8],8]]]arr = [[1,3]       [4,6]]#获取矩阵的行和列print(arr.shape)(2,3)#获取矩阵的行print(arr.shape[0])2# 获取矩阵的列print(arr.shape[1])3

切割矩阵

# 取所有元素print(arr[:,:])# 取第一行所有元素print(arr[:1,:])print(arr[0,[0,1,....(n个数则n-1)]])# 取第一列所有元素print(arr[:,:1])print(arr[[0,..],0])# 取第一行第一列的元素print(arr[0,0])#取大于5的元素，返回一个数组print(arr[arr > 5])#生成布尔矩阵print(arr > 5)[[False False False] [True  False True ]]

矩阵元素替换

类似于列表的替换

# 取第一行所有元素变为0arr1 = arr.copy()arr1[:1,:] = 0print(arr1)# 去所有大于5的元素变为0arr2 = arr.copy()arr2[arr >5] = 0print(arr2)#对矩阵清零arr3 = arr.copy()arr3[:,:] = 0print(arr3)

矩阵的合并

arr1 = [[1,2]        [3,4]]arr2 = [[5,6]        [7,8]]# 合并矩阵的行，用hstack的合并的话 会具有相同的行#方法1np.hstack((arr1,arr2))[[1,6] [3,8]]#方法2print(np.concatenate((arr1,arr2),axis=1))[[1,8]]# 合并矩阵的列，用vstack#方法1np.vstack((arr1,2] [3,6] [7,8]]# 方法2print(np.contatenate((arr1,axis=0))

通过函数创建矩阵

arangeprint(np.arange(10))#0-9数组[0 1 2 3 4 5 6 7 8 9]print(np.arange(1,5))#1-4数组[1 2 3 4]print(np.arange(1,20,2))#1-19，步长为2的数组[1 3 5 7 9 11 13 15 17 19]linspace/logspace#构造一个等差数列，取头也取尾np.linspace(0,5)[0.5.10.15.20]#构造一个等比数列，从10**0取到10**20，取5个数np.logspace(0,5)[ 1.00000e+00   1.00000e+05  1.00000e+10  1.00000e+15  1.00000e+20]zero/ones/eye/empty#构造全0矩阵np.zeros((3,4))[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]#构造全1矩阵np.ones((X,Y))#构造N个主元的单位矩阵np.eye(n)#例[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]#构造一个随机矩阵，里面元素为随机生成np.empty((x,y))# fromstring通过对字符串的字符编码所对应ASCII编码的位置，生成一个ndarray对象s = 'abcdef'# np.int8表示一个字符的字节数为8print(np.fromstring(s,dtype=np.int8))[ 97  98  99 100 101 102]def func(i,j):    """其中i为矩阵的行，j为矩阵的列"""    return i*j# 使用函数对矩阵元素的行和列的索引做处理，得到当前元素的值，索引从0开始，并构造一个3*4的矩阵print(np.fromfunction(func,(3,4)))[[ 0.  0.  0.  0.] [ 0.  1.  2.  3.] [ 0.  2.  4.  6.]]

矩阵的运算 + - * / % **n 矩阵的点乘 必须满足第一个矩阵的列 = 第二个矩阵的行

arr1 = np.array([[1,3],[4,6]])print(arr1.shape)(2,3)arr2 = np.array([[7,[9,10],[11,12]])print(arr2.shape)(3,2)assert arr1.shape[0] == arr2.shape[1]# 2*3·3*2 = 2*2print(arr1.dot(arr2))[[ 58  64] [139 154]]

矩阵的转置 相当于矩阵的行和列呼唤

arr = np.array([[1,6]])print(arr)[[1 2 3] [4 5 6]]print(arr.transpose())[[1 4] [2 5] [3 6]]print(arr.T)[[1 4] [2 5] [3 6]]

矩阵的逆 矩阵行和列相同时候才可逆

arr = np.array([[1,[7,8,9]])print(arr)[[1 2 3] [4 5 6] [7 8 9]]print(np.linalg.inv(arr))[[  3.15251974e+15  -6.30503948e+15   3.15251974e+15] [ -6.30503948e+15   1.26100790e+16  -6.30503948e+15] [  3.15251974e+15  -6.30503948e+15   3.15251974e+15]]# 单位矩阵的逆是单位矩阵本身arr = np.eye(3)print(arr)[[ 1.  0.  0.] [ 0.  1.  0.] [ 0.  0.  1.]]print(np.linalg.inv(arr))[[ 1.  0.  0.] [ 0.  1.  0.] [ 0.  0.  1.]]

collections模块 计数器（Counter） 双向队列（deque） 默认字典（defaultdict） 有序字典（OrderedDict） 可命名元组（namedtuple）　 1. Counter

　　Counter作为字典dicit（）的一个子类用来进行hashtable计数，将元素进行数量统计，计数后返回一个字典，键值为元素，值为元素个数

常用方法：

most_common(int)	按照元素出现的次数进行从高到低的排序，返回前int个元素的字典
elements	返回经过计算器Counter后的元素，返回的是一个迭代器
update	和set集合的update一样，对集合进行并集更新
substract	和update类似，只是update是做加法，substract做减法,从另一个集合中减去本集合的元素
iteritems	返回由Counter生成的字典的所有item
iterkeys	返回由Counter生成的字典的所有key
itervalues	返回由Counter生成的字典的所有value

2. deque

　　deque属于高性能的数据结构之一，常用方法如下：

append	队列右边添加元素
appendleft	队列左边添加元素
clear	清空队列中的所有元素
count	返回队列中包含value的个数
extend	队列右边扩展，可以是列表、元组或字典，如果是字典则将字典的key加入到deque
extendleft	同extend，在左边扩展
pop	移除并返回队列右边的元素
popleft	移除并返回队列左边的元素
remove（value）	移除队列第一个出现的元素
reverse	队列的所有元素进行反转
rotate（n）	对队列数进行移动

3. defaultdict 默认字典，字典的一个子类，继承所有字典的方法，默认字典在进行定义初始化的时候得指定字典值有默认类型 注：字典dic在定义的时候就定义好了值为字典类型,虽然现在字典中还没有键值 k1，但仍然可以执行字典的update方法. 这种 *** 作方式在传统的字典类型中是无法实现的,必须赋值以后才能进行值得更新 *** 作，否则会报错。 4. OrderedDict

　　有序字典也是字典的一个子类

5. namedtuple

　　namedtuple由自己的类工厂namedtuple()进行创建，而不是由表中的元组进行初始化，通过namedtuple创建类的参数包括类名称和一个包含元素名称的字符串

Matplotlib模块：绘图和可视化

一、简单介绍Matplotlib

1、Matplotlib是一个强大的Python绘图和数据可视化的工具包

2、安装方法：pip install matplotlib

3、引用方法：import matplotlib.pyplot as plt

4、绘图函数：plt.plot()

5、显示图像：plt.show()

二、Matplotlib：plot函数

1、plot函数：绘制折线图

线型linestyle（-,-.,--,..） 点型marker（v,^,s,*,H,+,x,D,o,…） 颜色color（b,g,r,y,k,w,…）

2、plot函数绘制多条曲线
3、pandas包对plot的支持

三、Matplotlib-图像标注

设置图像标题：plt.Title() 设置x轴名称：plt.xlabel() 设置y轴名称：plt.ylabel() 设置x轴范围：plt.xlim() 设置y轴范围：plt.ylim() 设置x轴刻度：plt.xticks() 设置y轴刻度：plt.yticks() 设置曲线图例：plt.legend()

四、Matplotlib实例——绘制数学函数图像

使用Matplotlib模块在一个窗口中绘制数学函数y=x,y=x2,y=3x3+5x2+2x+1的图像，使用不同颜色的线加以区别，并使用图例说明各个线代表什么函数。

五、Matplotlib：画布与子图

画布：figure

fig = plt.figure()

图：subplot

ax1 = fig.add_subplot(2,1)

调节子图间距：

subplots_adjust(left,bottom,right,top,wspace,hspace)

六、Matplotlib-支持的图类型

七、Matplotlib——绘制K线图

matplotlib.finanace子包中有许多绘制金融相关图的函数接口。
绘制K线图：matplotlib.finance.candlestick_ochl函数

八、示例代码

使用之前首先下载：pip install Matplotlib

接着引入：import matplotlib.pylot as plt

绘图函数：plt.plot()

显示函数：plt.show()

使用plt.plot?可以查看它的参数

我们通过加参数，可以更改这个图线的形状

总结

以上是内存溢出为你收集整理的day18全部内容，希望文章能够帮你解决day18所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。