randn

这篇文章主要介绍了Python内置random模块生成随机数的方法,本文给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下 本文我们详细地介绍下两个模块关于生成随机序列的其他使用方法。 随机数参与的应用场景大家一定不会陌生，比如密码加盐时会在原密码上关联一串随机数，蒙特卡洛算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法，使用这些方法时需要导入random模块。 import random 下面介绍下Python内置的random模块的几种生成随机数的方法。 1、random.random()随机生成 0 到 1 之间的浮点数[0.0, 1.0)。注意的是返回的随机数可能会是 0 但不可能为 1，即左闭右开的区间。 print ( "random: " , random.random ( )) #random: 0.5714025946899135 2、random.randint(a , b)随机生成 a 与 b 之间的整数[a, b]，a<=n<=b，随机整数不包含 b 时[a, b)可以使用 random.randrange() 方法。 print ( "randint: " , random.randint ( 6,8 )) #randint: 8 3、random.randrange(start,stop,step

在Python中，使用Random方法有random.rand(), random.random(), random.randn()等几种用法，这篇文章整理下他们的区别： Random.rand(x,y) 在[0,1)平均分布中，随机生成x行y列的数组 import numpy as np a = np . random . rand ( 3 , 4 ) a #返回结果： array ( [ [ 0.21910559 , 0.05793295 , 0.7849145 , 0.05153582 ] , [ 0.30389682 , 0.6197685 , 0.15432231 , 0.28394065 ] , [ 0.02324611 , 0.57761753 , 0.32870006 , 0.23687286 ] ] ) #返回结果中，所有元素都是在[0,1)范围内 Random.random((x,y)) 在[0,1)连续均匀分布中，随机生成x行y列的数组，表达时，括号中需要是元素(x,y) import numpy as np b = np . random . random ( ( 3 , 4 ) ) b #返回结果： array ( [ [ 0.78222625 , 0.33768558 , 0.71446672 , 0.87338934 ] , [ 0.05477066

matplotlib模块 matplotlib官方文档： https://matplotlib.org/contents.html?v=20190307135750 matplotlib是一个绘图库，它可以创建常用的统计图，包括条形图、箱型图、折线图、散点图、饼图和直方图。 一、条形图 import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties %matplotlib inline font = FontProperties(fname='/Library/Fonts/Heiti.ttc') # 修改背景为条纹 plt.style.use('ggplot') classes = ['3班', '4班', '5班', '6班'] classes_index = range(len(classes)) print(list(classes_index)) [0, 1, 2, 3] student_amounts = [66, 55, 45, 70] # 画布设置 fig = plt.figure() # 1,1,1表示一张画布切割成1行1列共一张图的第1个；2,2,1表示一张画布切割成2行2列共4张图的第一个（左上角） ax1 = fig.add_subplot(1, 1, 1)

import numpy as npimport pandas as pdindex = pd.date_range('1/1/2000',periods=8)s = pd.Series(np.random.randn(5),index = ['a','b','c','d','e'])df = pd.DataFrame(np.random.randn(8,3),index = index,columns=['A','B','C'])# -------------------------------------------------------------------------# 目录：# 属性和底层数据# 加速操作# 广播操作-加减乘除# 缺失值与填充缺失值# 比较操作# 布尔简化----> df和Series的对比# 描述性他统计 ----> 求和等函数# 最大值与最小值对应的索引-离散化与分位数# 函数应用# 重置索引与更换标签-align--填充# 迭代 for i in object# .dt 访问器 -访问时间的工具# 排序# -------------------------------------------------------------------------# -----------------------------------------------

又到一年总结季，下周要考Python啦，整理一下老师给的ppt Python Programing 03 代码块 分支语句的作用范围可以是有限的 使用代码块表示该作用范围 代码块由 缩进 定义 注意使用冒号 同一代码块的缩进空格数要一致 Python Programing 04 函数，模块，简单文件读写 函数 程序可能会很长很长 同样的功能可能会多次执行 把执行特定功能的模块封装起来就是函数 便于修改，逻辑更加清晰，代码可以重用 lambda函数 lambda语句创建一个无名函数，并将该函数作为返回值 只能包含一个表达式，连 if 这样的结构都不支持 def语句中的函数名是预先设定好的。lambda语句则可以把产生的函数赋给任意一个变量名 lambda语句产生的函数也可以不占用变量名 模块 将一些函数或变量封装在 .py 文件中，以供调用 比函数更高层次的封装 .py 文件的名字就是模块的名字 通过这种封装，可以避免单个 .py 文件过长 自定义的模块应该放在主程序目录下 模块的调用 模块被载入后成为了一个对象 模块的意义：代码重用和管理（同函数）；模块提供 命名空间 （作为对象来实现） 读取文本文件 #打开一个文件 input = open ( ‘file_name’ , ‘r’ ) #读取文件中的内容到一个字符串 content = input . read ( ) #关闭文件

numpy数组堆叠,连接,转list 1.numpy 数组->list 2.拼接多个格式相同的numpy.array->list 3.np.vstack(),np.hstack() 3.numpy.stack() 1.numpy 数组->list 直接用list()函数 # 转换成 第0维的每一个元素(Numpy.array) 组成的list 用array.tolist()函数 # 与原来的array的数据形式是一样的,只不过每一维度都是一个list 总之:tolist() 方法转换的更彻底,list()方法只转换了源数据的第一个维度. 如果np.array是一维，两者没有区别。但如果是二维结果是不同的。 >> > import numpy >> > a1 = numpy . random . rand ( 3 ) >> >> > a1 array ( [ 0.26546725 , 0.27424911 , 0.18618962 ] ) >> > list ( a1 ) [ 0.26546725247934855 , 0.27424910895802035 , 0.18618962270208705 ] >> > a1 . tolist ( ) [ 0.26546725247934855 , 0.27424910895802035 , 0.18618962270208705 ] >

matplotlib模块 matplotlib官方文档 matplotlib是一个绘图库，它可以创建常用的统计图，包括条形图、箱型图、折线图、散点图、饼图和直方图。 一、条形图 import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties %matplotlib inline font = FontProperties(fname='/Library/Fonts/Heiti.ttc') # 修改背景为条纹 plt.style.use('ggplot') classes = ['3班', '4班', '5班', '6班'] classes_index = range(len(classes)) print(list(classes_index)) [0, 1, 2, 3] student_amounts = [66, 55, 45, 70] # 画布设置 fig = plt.figure() # 1,1,1表示一张画布切割成1行1列共一张图的第1个；2,2,1表示一张画布切割成2行2列共4张图的第一个（左上角） ax1 = fig.add_subplot(1, 1, 1) ax1.bar(classes_index, student_amounts, align='center',

当有了滚动，扩展和 ewm 对象创建了以后，就有几种方法可以对数据执行聚合。 DataFrame应用聚合 可以通过向整个DataFrame传递一个函数来进行聚合，或者通过标准的获取项目方法来选择一个列。 在整个数据框上应用聚合 import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(10, 4), index = pd.date_range('1/1/2000', periods=10), columns = ['A', 'B', 'C', 'D']) print(df) print('\n') r = df.rolling(window=3,min_periods=1) print(r) print('\n') print(r.aggregate(np.sum)) 输出结果： A B C D2000-01-01 1.081883 -1.133242 -0.477461 0.6699002000-01-02 -1.120673 -0.889724 0.232907 0.3918792000-01-03 -0.050530 -0.213853 0.100309 0.2967232000-01-04 0.165836 -0.015513 -1.008884 -1.8776932000-01-05

统计方法有助于理解和分析数据的行为。可以将这些统计函数应用到 Pandas 的对象上。 pct_change()函数 系列，DatFrames和Panel都有 pct_change() 函数。此函数将每个元素与其前一个元素进行比较，并计算变化百分比。 import pandas as pd import numpy as np s = pd.Series([1,2,3,4,5]) print(s) print (s.pct_change()) print('\n') df = pd.DataFrame(np.random.randn(5, 2)) print(df) print (df.pct_change()) 输出结果： 0 11 22 33 44 5dtype: int640 NaN1 1.0000002 0.5000003 0.3333334 0.250000dtype: float64 0 10 1.055808 1.3510571 1.458762 0.2293092 0.392842 -0.0432683 0.700352 0.8842584 0.120823 -0.329024 0 10 NaN NaN1 0.381654 -0.8302742 -0.730702 -1.1886863 0.782782 -21.4369894 -0.827482 -1.372090

Pandas 现在支持三种类型的多轴索引; 编号 索引 描述 1 .loc() 基于标签 2 .iloc() 基于整数 3 .ix() 基于标签和整数 .loc() Pandas 提供了各种方法来完成基于标签的索引。 切片时，也包括起始边界。整数是有效的标签，但它们是指标签而不是位置。 .loc() 具有多种访问方式，如 - 单个标量标签 标签列表 切片对象 一个布尔数组 loc 需要两个单/列表/范围运算符，用 "," 分隔。第一个表示行，第二个表示列。 示例1 import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(8, 4), index = ['a','b','c','d','e','f','g','h'], columns = ['A', 'B', 'C', 'D']) print(df) print('\n') print (df.loc[:,'A']) 输出结果： 　　　A 　　　　B　　 　　C 　　　　　D a 0.128933 1.113168 -2.908401 0.825420 b -1.386837 0.757495 1.632173 0.293825 c -0.131808 -1.372547 -0.623156 -0.090892 d 0.849492 -0