有关于python，和Matlab一样属于脚本类型语言。用作数据分析时，要求熟悉Numpy、Matplotlib、Scipy等库就行。python入门较为简单，仅此一篇博客作为入门练习。
- 1.使用array创建
- 2.使用函数创建
- 3.存取
- 4. numpy与Python数学库的时间比较
- 5.绘图
- 6. 概率分布
- 7. 绘制三维图像
- 8 scipy
库引入
1 # 导入NumPy函数库 2 import numpy as np 3 import matplotlib 4 from mpl_toolkits.mplot3d import Axes3D 5 from matplotlib import cm 6 import time 7 from scipy.optimize import leastsq 8 import scipy.optimize as opt 9 import scipy 10 import matplotlib.pyplot as plt 11 from scipy.stats import norm, poisson 12 from scipy.interpolate import BarycentricInterpolator 13 from scipy.interpolate import CubicSpline 14 import math
1.使用array创建
1 # -*- coding: utf-8 -*- 2 """ 3 Created on Sat May 4 20:09:45 2019 4 5 @author: shiruiyu 6 """ 7 8 # 导入NumPy函数库 9 import numpy as np 10 11 #if __name__ == "__name__": 12 # 默认创建list 13 L = [1,2,3,4,5,6] 14 print "L = ", L 15 print type(L) 16 # 通过array函数传递list对象 17 a = np.array(L) 18 print "a = ", a 19 print type(a) 20 # 创建矩阵 21 b = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) 22 print b 23 # 数组size 24 print b.shape 25 print b.shape[0] 26 print b.shape[1] 27 # 也可以强制修改shape 28 b.shape = 4,3 29 print b 30 # 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度 31 b.shape = 2,-1 32 print b 33 # 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变 34 c = b.reshape((4,-1)) 35 print "c = ",c 36 print "b = ",b 37 # 数组b和c共享内存，修改任意一个将影响另外一个 38 b[0][0] = 999 39 print "c = ",c 40 print "b = ",b 41 # 数组的元素类型可以通过dtype属性获得 42 print a.dtype 43 print b.dtype 44 # 可以通过dtype参数在创建时指定元素类型 45 d = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]],dtype=np.float) 46 f = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]],dtype=np.complex) 47 print d 48 print f 49 # 但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型 50 #d.dtype = np.int 51 #print d
2.使用函数创建
1 # 2.使用函数创建 2 # 如果生成一定规则的数据，可以使用NumPy提供的专门函数 3 # arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组 4 # 和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型 5 a = np.arange(1,10,0.5) 6 print a 7 # # # linspace函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值 8 b = np.linspace(1,10,10) 9 print "b = ",b 10 # 可以通过endpoint关键字指定是否包括终值 11 c = np.linspace(1,10,10, endpoint = False) 12 print "c = ", c 13 # 下面函数创建起始值为10^1，终止值为10^2，有10个数的等比数列 14 d = np.logspace(1,2,10,endpoint = True) 15 print "d = ", d 16 # # # 下面创建起始值为2^0，终止值为2^10(包括)，有11个数的等比数列 17 f = np.logspace(0, 10, 11, endpoint=True, base=2) 18 print "f = ",f 19 # 使用 frombuffer, fromstring, fromfile等函数可以从字节序列创建数组 20 s = 'abcd' 21 g = np.fromstring(s, dtype=np.int8) 22 print g
3.存取
1 # 3.1常规办法：数组元素的存取方法和Python的标准方法相同 2 a = np.arange(10) 3 a[8] = 888 4 print a 5 # # # # 切片[3,6)，左闭右开 6 print a[3:6] 7 # # # # 省略开始下标，表示从0开始 8 print a[:5] 9 # 下标为负表示从后向前数 10 print a[3:] 11 # 步长为2,范围:[1,7) 12 print a[1:7:2] 13 # 步长为-1，即：翻转 14 print a[::-1] 15 # # # # 切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值 16 a[2:4] = 10,20 17 print a 18 # 因此，在实践中，切实注意原始数据是否被破坏，如： 19 b = a[2:5] 20 b[0] = 200 21 print a 22 23 24 # # 3.2 整数/布尔数组存取 25 # # 3.2.1 26 # 根据整数数组存取：当使用整数序列对数组元素进行存取时， 27 # 将使用整数序列中的每个元素作为下标，整数序列可以是列表(list)或者数组(ndarray)。 28 # 使用整数序列作为下标获得的数组不和原始数组共享数据空间。 29 a = np.logspace(0,9,10, base=2) 30 print a 31 i = np.arange(1,10,2) 32 print i 33 # 利用i取a中的元素 34 b = a[i] 35 print b 36 # b的元素更改，a中元素不受影响 37 b[2] = 1.6 38 print b 39 print a 40 41 # # 3.2.2 42 # 使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素 43 # # 生成10个满足[0,1)中均匀分布的随机数 44 a = np.random.rand(10) 45 print a 46 # 大于0.5的元素索引 47 print a > 0.5 48 #大于0.5的元素 49 b = a[a > 0.5] 50 print b 51 # 将原数组中大于0.5的元素截取成0.5 52 a[a > 0.5] = 0.5 53 print a 54 # b不受影响 55 print b 56 57 # 3.3 二维数组的切片 58 a = np.arange(0,60,10) #行向量 59 print 'a = ', a 60 b = a.reshape((-1,1)) #转为列向量 61 print 'b = ',b 62 c = np.arange(6) 63 print c 64 # 行 + 列 65 f = b + c 66 #合并上述代码 67 a = np.arange(0,60,10).reshape((-1,1))+np.arange(6) 68 print a 69 #二维数组的切片 70 print a[(0,1,2,3),(2,3,4,5)]#取出第(0,2)(1,3)(2,4)(3,5)个元素 71 print a[3:,[0,2,5]] 72 i = np.array([True, False, True, False, False, True]) 73 print a[i] 74 print a[i,3]
4. numpy与Python数学库的时间比较
1 #for j in np.logspace(0, 7, 10): 2 # j = int(j) 3 # x = np.linspace(0, 10, j) 4 # #记住是怎么计算程序运行时间 5 # start = time.clock() 6 # y = np.sin(x) 7 # t1 = time.clock() - start 8 # 9 # x = x.tolist() 10 # start = time.clock() 11 #for i, t in enumerate(x): 12 # x[i] = math.sin(t) 13 # t2 = time.clock() - start 14 # print j, ": ", t1, t2, t2/t1
5.绘图
1 # 5.1 绘制正态分布概率密度函数
2 mu = 0
3 sigma = 1
4 x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 50)
5 y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma)
6 print x.shape
7 print 'x = \n', x
8 print y.shape
9 print 'y = \n', y
10 plt.plot(x, y, 'ro-', linewidth=2)
11 plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)
12 plt.grid(True)
13 plt.show()
14
15 # 5.2 损失函数：Logistic损失(-1,1)/SVM Hinge损失/ 0/1损失
16 x = np.array(np.linspace(start=-2, stop=3, num=1001, dtype=np.float))
17 y_logit = np.log(1 + np.exp(-x)) / math.log(2)
18 y_boost = np.exp(-x)
19 y_01 = x < 0
20 y_hinge = 1.0 - x
21 y_hinge[y_hinge < 0] = 0
22 plt.plot(x, y_logit, 'r-', label='Logistic Loss', linewidth=2)
23 plt.plot(x, y_01, 'g-', label='0/1 Loss', linewidth=2)
24 plt.plot(x, y_hinge, 'b-', label='Hinge Loss', linewidth=2)
25 plt.plot(x, y_boost, 'm--', label='Adaboost Loss', linewidth=2)
26 plt.grid()
27 plt.legend(loc='upper right')
28 # plt.savefig('1.png')
29 plt.show()
30
31 #5.3 x^x
32
33 # x ** x x > 0
34 # (-x) ** (-x) x < 0
35 def f(x):
36 y = np.ones_like(x)
37 i = x > 0
38 y[i] = np.power(x[i], x[i])
39 i = x < 0
40 y[i] = np.power(-x[i], -x[i])
41 return y
42
43 x = np.linspace(-1.3, 1.3, 101)
44 y = f(x)
45 plt.plot(x, y, 'g-', label='x^x', linewidth = 2)
46 plt.grid()
47 plt.legend(loc = 'upper left')
来源：https://www.cnblogs.com/winslam/p/10809736.html