Numpy
创建列表
a = [1, 2, 3, 4,5,6,7]
a[ : :-1] # reversed a [7, 6, 5, 4, 3, 2, 1]
将列表转换为数组
b = np.array(a) 输出=>array([1, 2, 3, 4, 5])
数组基本操作 universal functions(ufunc)
b.sum()： #求和 10
b.min(),b.max(): #最小最大值
b[:6:2] = -10: # equivalent to a[0:6:2] = -10; array([-10,2,-10,4,-10,6,-10])
from start to position 6, exclusive, set every 2nd element to -10
b.ravel(): # returns the array, flattened.拉伸成一行
b.T: # returns the array, transposed转置
a = np.floor(10*np.random.random((2,8))): #两行两列 随机 向下取整
array([[1., 2., 6., 3., 6., 7., 5., 2.],
[2., 1., 9., 9., 1., 0., 0., 5.]])
np.hsplit(a,2): # Split a into 2 均分拆成2个数组
[array([[1., 2., 6., 3.],[2., 1., 9., 9.]]),
array([[6., 7., 5., 2.],[1., 0., 0., 5.]])]
np.hsplit(a,(3,4)): # Split a after the third and the fourth column 3 4 列开始切
np.hsplit(a,(3,5)): # Split a after the third and the fifth column 切成3份
np.hsplit(a,(3,4,5)): # Split a after the third ,forth, and fifth column 切成4份
np.abs(x)、np.fabs(x)： 计算数组各元素的绝对值
np.sqrt(x)： 计算数组各元素的平方根
np.square(x)： 计算数组各元素的平方
np.log(x),np.log10(x),np.log2(x)： 计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x)： 计算数组各元素的ceiling值（向上）
np.floor(x)： 计算数组各元素的floor值（向下）
np.rint(x) ： 计算数组各元素的四舍五入值
np.add(b,c)： 数组b c相加
np.exp(b)： #b，c是数组 以自然常数e为底的指数函数，返回e的n次方，e 2.71828
np.modf(x) ： 将数组各元素的小数和整数部分以两个独立数组形式返回
c=np.array([2.5,1.3,-4.7])=>(array([ 0.5, 0.3, -0.7]), array([ 2., 1., -4.]))
np.cos(x)、 np.cosh(x)、np.sin(x)、 np.sinh(x)、np.tan(x) 、np.tanh(x) ： 计算数组各元素的普通型和双曲型三角函数
np.sign(x) ： 计算数组各元素的符号值，1(正数), 0, -1(负数)
np.ones([10, 10])： 创建10行10列的数值为浮点1的矩阵
np.zeros([10, 10])： 创建10行10列的数值为浮点0的矩阵
Array Creation:
arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity,
linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros, zeros_like
Numpy查看数组属性
数组元素个数 b.size 输出=>5
数组形状 b.shape（行，列数） 输出=>(5,)
数组维度（维数） b.ndim 输出=>1
数组元素类型 b.dtype 输出=>dtype('int64')
itemsize： b.itemsize 输出=>8(type /8)
array(深拷贝Deep Copy)
d = a.copy()
asarray(浅拷贝Shallow Copy)
c = a.view()
Numpy创建随机数组np.random 均匀分布
np.random.rand(10, 10)创建指定形状(示例为10行10列)的数组(范围在0至1之间)
np.random.uniform(0, 100)创建指定范围内的一个数 50.502704296553915
np.random.randint(0, 100) 创建指定范围内的一个整数 25
正态分布 给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))
array([[1.69776327, 1.77925925, 1.64313181, 1.58202955, 1.75463511],
[1.82200004, 1.6600281 , 1.71285888, 1.73226195, 1.88572285],
[1.74169649, 1.7785425 , 1.6278489 , 1.67284158, 1.71138916],
[1.69907805, 1.73646882, 1.71581448, 1.82025122, 2.0067373 ]])
改变数组形状(要求前后元素个数匹配),须得整除
a1=np.ones([10]) 输出=>array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
a2=a1.reshape([2,5])（变成2行5列）
输出=>array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
a2=a1.reshape([3,])（变成3行，列未指定或为-1，由行计算出，此例不能被整除，报错）
Traceback (most recent call last):
File "", line 1, in
ValueError: cannot reshape array of size 10 into shape (3,)
a1.resize([2，5]): a1直接变为2行5列
Manipulations:
array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack,
ndarray.item, newaxis, ravel, repeat, reshape, resize, squeeze, swapaxes, take,
transpose, vsplit, vstack
条件运算
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
stus_score > 80#符合为true，否则为false
np.where(stus_score < 80, 0, 90)#符合为0，否则90 三目运算符
统计运算
指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)：
np.amax(stus_score, axis=0) =>array([86, 88])
指定轴最小值amin：
np.amin(stus_score, axis=0) =>array([75, 75])
指定轴平均值mean：
np.mean(stus_score, axis=1) =>array([84. , 81.5, 79.5, 84.5, 78. ])
方差std：
np.std(stus_score, axis=0) =>array([3.77359245, 4.1761226 ])
数组与数的运算
# 为所有第一列都加5分
stus_score[:, 0] = stus_score[:, 0]+5
# 第一列减半
stus_score[:, 0] = stus_score[:, 0]*0.5
数组间也支持加减乘除运算,但基本用不到
a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])
c = a + b
d = a - b
e = a * b #elementwise product
f = a / b
b**2(b的每项平方)
10*np.sin(a)
b = np.linspace(0,pi,3)#从0到pi，均分，3个数
矩阵运算np.dot()
(M行, N列) * (N行, Z列) = (M行, Z列)matrix product
q = np.array([[0.4], [0.6]])
result = np.dot(stus_score, q)
矩阵拼接Vector Stacking
x = np.arange(0,10,2) # x=([0,2,4,6,8])
y = np.arange(5) # y=([0,1,2,3,4])
矩阵垂直拼接列数（列数须得相等，否则报错）
m = np.vstack([x,y]) # m=([[0,2,4,6,8],
# [0,1,2,3,4]])
矩阵水平拼接：（行数须得相等，否则报错）
xy = np.hstack([x,y]) # xy =([0,2,4,6,8,0,1,2,3,4])
Numpy读取数据np.genfromtxt
csv文件以逗号分隔数据
构建csv文件，输入4行7列的内容，以逗号分隔
re=np.genfromtxt("a.csv",delimiter=",")
re
array([[ 1. , 2. , 3. , 6. , 4. , 5. , 6. ],
[ 2. , 6. , 3. , 6. , 3. , 6. , 3. ],
[ 3. , 66.3, 33.3, 33. , 3.3, 6. , 6.9],
[ 4. , 2. , 3. , 5. , 3.3, 6.5, 9. ]])
如果数值据有无法识别的值出现,会以nan显示,nan相当于np.nan,为float类型（输入的是s）：
array([[ 1. , nan, 3. , 6. , 4. , 5. , 6. ],
[ 2. , 6. , 3. , 6. , 3. , 6. , 3. ],
[ 3. , 66.3, 33.3, 33. , 3.3, 6. , 6.9],
[ 4. , 2. , 3. , 5. , 3.3, 6.5, 9. ]])
Matplotlib
Matplotlib是Python下著名的绘图库，它提供了一整套和Matlab相似的API，十分适合交互式绘图。它的官方网站上的文档相当完备，并且 Gallery页面（matplotlib.org/gallery.html）中有上百幅缩略图，打开之后都有源程序。因此如果需要绘制某种类型的图，只需要在这个页面中浏览、复制、粘贴一下，基本上都能满足日常需要。
为了方便快速绘图，Matplotlib通过pyplot模块提供了一套和Matlab类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。Matplotlib库导入pyplot模块方法如下，示例代码：
from matplotlib import pyplot as plt
通过以上代码，我们将pyplot模块重命名为plt，也可以如下形式导入，示例代码：
import matplotlib.pyplot as plt绘图是将数据集可视化的过程，本节利用pyplot模块在同一个图形中绘制余弦和正弦函数，我们将从默认设置开始，逐步充实图形，使其变得更好。
首先，获取正弦和余弦数据，示例代码：
import numpy as np
X = np.linspace(-np.pi, np.pi, 256, endpoint=True) #endpoint参数表示是否包含终结值 C, S = np.cos(X), np.sin(X) X现在是一个numpy数组，有256个值，范围从-π到+π（包括），C是余弦（256个值），S是正弦（256个值）。然后通过使用pyplot模块里的plot()函数，使用默认设置绘图，示例代码：
plt.plot(X, C)
plt.plot(X, S)
plt.show()
运行结果：
正弦和余弦曲线
matplotlib的使用 由各种可视化类构成，内部结构复杂，受matlab库启发，matplotlab.pyplot是绘制种类可视化图形的命令子库，相当于快捷方式
import matplotlib.pyplot as plt
成绩雷达图
