科学计算

基础 1.matplotlib绘图函数接收两个等长list，第一个作为集合x坐标，第二个作为集合y坐标 2.基本函数： animation.FuncAnimation(fig, update_point,data) fig是画布 update是绘画函数需自己定义，需要一个参数，会自动接收data，需要返回plt.plot对象，描述比较费解，看例子就好 data种类很多，包括总帧数（例1）、当前帧数（即不设定data的默认参数，例2）、返回迭代器的函数（例3）、list（作业2） frames=200 总帧数（非update参数） interval=20 帧间隔（毫秒） 示例代码 简单调用帧数绘图 from matplotlib import pyplot as plt import matplotlib.animation as animation import numpy as np def update_point(num): fig_points.set_data(data[:, 0:num]) return fig_points, fig1 = plt.figure() num_point = 50 data = np.random.rand(2, num_point) fig_points, = plt.plot([], [], 'ro') plt.xlim(0, 1)

一、组织张量的元素 （1）重排张量元素 本节介绍在不改变 张量元素个数 和 各元素的值的情况下改变张量的大小 torch.Tensor类的成员方法 reshape() 参数是多个int类型的值。 如果想要把一个张量的大小改成 s[0],s[1],s[2],s[3]....那就让s[0],s[1],s[2],s[3]....作为reshape() 方法的n个参数 使用 reshape() 在不改变元素个数和各元素的值的情况下改变张量大小 tc = torch.arange(12) #张量大小 (12,) print('tc={}'.format(tc)) t322 = tc.reshape(3,2,2) #张量大小 (3,2,2) print('t322={}'.format(t322)) t43 = t322.reshape(4,3) #张量大小(4,3) print('t43={}'.format(t43)) tc=tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) t322=tensor([[[ 0, 1], [ 2, 3]], [[ 4, 5], [ 6, 7]], [[ 8, 9], [10, 11]]]) t43=tensor([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]])

上一章中，我们讲了 Python 的一个重要的第三方库 NumPy，今天我来给你介绍 Python 的另一个工具 Pandas。 在数据分析工作中，Pandas 的使用频率是很高的，一方面是因为 Pandas 提供的基础数据结构 DataFrame 与 json 的契合度很高，转换起来就很方便。另一方面，如果我们日常的数据清理工作不是很复杂的话，你通常用几句 Pandas 代码就可以对数据进行规整。 Pandas 可以说是基于 NumPy 构建的含有更高级数据结构和分析能力的工具包。在 NumPy 中数据结构是围绕 ndarray 展开的，那么在 Pandas 中的核心数据结构是什么呢？ 下面主要给你讲下 Series 和 DataFrame 这两个核心数据结构，他们分别代表着一维的序列和二维的表结构。基于这两种数据结构，Pandas 可以对数据进行导入、清洗、处理、统计和输出。 数据结构：Series 和 DataFrame Series 是个定长的字典序列。说是定长是因为在存储的时候，相当于两个 ndarray，这也是和字典结构最大的不同。因为在字典的结构里，元素的个数是不固定的。 Series 有两个基本属性：index 和 values。在 Series 结构中，index 默认是 0,1,2,……递增的整数序列，当然我们也可以自己来指定索引，比如 index=[‘a’,

科学计算概况 科学计算也成计算科学，其主要思路是开发数学模型，通过量化分析技术和计算机解决问题 科学计算的简单处理流程 误差分析是评估近似解对算法或计算过程准确性的影响程度的过程。 计算误差分为两大类：截断误差和舍入误差。 敏感度、稳定性、准确性（问题和算法的重要属性） 科学计算的数学 线性方程 非线性方程 一维非线性方程解法：二分法、牛顿法、割线法、插值法等。 非线性方程组的解法：牛顿法、割线法、阻尼牛顿法、Broyden法。 注释：这些方法都是迭代法，所以收敛的速度至关重要 最优化方法：获得最优可行性解得过程。 内插法：估计样本这个函数在样本范围内的某个位置上的值。估计的过程称为内插法。 分段常数内插法。 线性内插法。 多项式内插法。 样条内插法。 基于高斯过程的内插法。 外插法：估计函数在样本之外的值。 线性外插法。 多项式外插法。 锥外插法。 法国曲线外插法。 数值积分：用数值分析技术求取积分的近似值。 辛普森法则。 梯形法则。 精炼梯形法则。 高斯计分法则。 数值微分：利用已知的函数值估计函数导数的过程。 有限差分近似法。 微分求积法。 有限差分系数。 插值微分法。 微分方程：是一种描述导数与其函数关系的数学方程式。 解常微分方程的方法： 欧拉方法。 泰勒级数法。 龙格-库塔法。 四阶龙格-库塔法。 预估-校正法。 解偏微分方程法： 有限元法。 有限差分法。 有限体积法。

pycharm，python3.7，numpy版本1.15.1 2018年9月11日04:23:06 """ 科学计算库Numpy基础操作 时间：2018\9\11 0011 """ import numpy print("""\n------以矩阵的方式读取数据------\n ------------genfromtxt函数('文件路径',delimiter = '分隔符',dtype = 读取方式)---------------------""") """ numpy.ndarray可以当做一个矩阵 """ np_test = numpy.genfromtxt('Numpy_test.txt', delimiter = ',', dtype = str) # 通常以str方式读取，如果有float，再进行转换 print(type(np_test)) print(np_test) # print(help(numpy.genfromtxt)) # 打印帮助文档 print("""\n------numpy.array------\n ------------numpy中最核心的结构------------------------------------------""") # 传入list结构，转换为ndarray格式 vector = numpy.array([5, 10,

一、NumPy 　　1.NumPy:Numberical Python 　　2.高性能科学计算和数据分析的基础包 　　3.ndarray,多维数组(矩阵)，具有矢量运算的能力，快速、节省空间 　　　　(1)ndarray，N维数组对象(矩阵) 　　　　(2)所有元素必须是相同类型 　　　　(3)ndim属性，维度个数 　　　　(4)shape属性，各维度的大小 　　　　(5)dtype属性，数据类型 　　4.矩阵运算，无需循环，可完成类似Matlab中的矢量计算 　　5.线性代数、随机数生成 　　6.import numpy as np narray多维数组 import numpy as np #生成指定维度的随机多维数组 data = np.random.rand(2,3) //生成一个两行三列的多维数组 print dataprint type(data)　　　　　　//查看数据类型,这个地方数据类型是numpy.ndarray的数据类型 [[0.16088508 0.86321185 0.25653982] [0.42456419 0.33277194 0.30046417]] <class 'numpy.ndarray'># print '维度个数', data.ndim　　　　//维度个数 2 　　　　维度个数有两个，第0个维度大小是2，第一个维度大小是3print

Numpy 一，数据结构 数据类型： ndarray import numpy world_alchol = numpy.genfromtxt('world_alchol.txt',delimiter=',',dtype=str) print(type(world_alchol)) print(world_alchol) print(help(numpy.genfromtxt)) 创建一维的数组： vector = numpy.array([5,10,15,20]) 创建二维的数组： matrix = numpy.array([[5,10,15,20],[15,20,25,30]]) 查看数据的结构： vector.shape ------- (4,) 一行四列 matrix.shape ------- (2,4) 两行四列 在numpy.array中的数据类型是限定的，必须是一种数据结构； 数字，string，浮点数等等... 通过索引获取数组的值，行和列的开始都是0开始； vector[2,] 的值是15； matrix[1,2] 的值是25； 想取数组的某一列； matrix[:,2] 的值是15 ，25 如果取两列的话； matrix[:,0:2] 的值是：array([[ 5, 10],[15, 20]]) 判断一个值是否在，返回值是bool类型； vector ==

今天在kaggle上看到一个很好的数据集，想亲自进行处理，但是在将.csv格式文件转化为数据矩阵时就出现了问题，我在谷歌上查了下，发现了个很好用的东西和大家分享。那就是Numpy包里的genfromtxt。它可以很轻松的实现上述功能。 此函数的完整形式为： numpy.genfromtxt(fname, dtype=<type 'float'>, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, names=None, excludelist=None, deletechars=None, replace_space='_', autostrip=False, case_sensitive=True, defaultfmt='f%i', unpack=None, usemask=False, loose=True, invalid_raise=True, max_rows=None)[source]¶ 今天先介绍几个一定会用到的属性： 1.fname,顾名思义，就是文件名，不详述 2.delimiter:str,int,or sequence,optional

科学计算工具NumPy（1）：ndarray的创建于数据类型 科学计算工具NumPy（2）：ndarray的矩阵处理 科学计算工具NumPy（3）：ndarray的元素处理 ndarray的矩阵运算 数组是编程中的概念，矩阵、矢量是数学概念。 在计算机编程中，矩阵可以用数组形式定义，矢量可以用结构定义! 1. 矢量运算：相同大小的数组间运算应用在元素上 # 矢量与矢量运算 arr = np.array([[1, 2, 3], [4, 5, 6]]) print("元素相乘：") print(arr * arr) print("矩阵相加：") print(arr + arr) 运行结果： 元素相乘： [[ 1 4 9] [16 25 36]] 矩阵相加： [[ 2 4 6] [ 8 10 12]] 2. 矢量和标量运算："广播" - 将标量"广播"到各个元素 # 矢量与标量运算 print(1. / arr) print(2. * arr) 运行结果： [[ 1. 0.5 0.33333333] [ 0.25 0.2 0.16666667]] [[ 2. 4. 6.] [ 8. 10. 12.]] ndarray的索引与切片 1. 一维数组的索引与切片 与Python的列表索引功能相似 # 一维数组 arr1 = np.arange(10) print(arr1) print

1. python 数据分析： Numpy （数组 , 矩阵） ,Pandas, matplotlib 2. Python 爬虫模块： re,urllib, beautifulsoup, request, xpath, lxml,phantomjs,selenium,pymssql time ,thread, scrapy 框架， Pysplider 框架 --------------------numpy 1. arange() 2. linspace() 3. logspace() 4. fromstring() 5. fromfunction() 6. reshape(), shape() 7. tofile()---fromfile(“”,dtype=), np.save()---nvp.load() 3. Numpy------ NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。使用NumPy，开发人员可以执行以下操作： 数组的算数和逻辑运算。 傅立叶变换和用于图形操作的例程。 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数 高级功能：广播 4. Scipy— 数值计算库 SciPy 函数库在 NumPy 库的基础上增加了众多的数学