⼀、python2.7⽤法
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
linspace numpy
2import numpy as np
3import matplotlib
4from mpl_toolkits.mplot3d import Axes3D
5from matplotlib import cm
6import time
7from scipy.optimize import leastsq
8import scipy.optimize as opt
9import scipy
10import matplotlib.pyplot as plt
11from scipy.stats import norm, poisson
12from scipy.interpolate import BarycentricInterpolator
13from scipy.interpolate import CubicSpline
14import math
1.使⽤array创建
1# -*- coding: utf-8 -*-
2"""
3Created on Sat May  4 20:09:45 2019
4
5@author: shiruiyu
6"""
7
8# 导⼊NumPy函数库
9import numpy as np
10
11#if __name__ == "__name__":
12# 默认创建list
13 L = [1,2,3,4,5,6]
14print"L = ", L
15print type(L)
16# 通过array函数传递list对象
17 a = np.array(L)
18print"a = ", a
19print type(a)
20#  创建矩阵
21 b = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
22print b
23# 数组size
24print b.shape
25print b.shape[0]
26print b.shape[1]
27# 也可以强制修改shape
28 b.shape = 4,3
29print 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
32print 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))
35print"c = ",c
36print"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
39print"c = ",c
40print"b = ",b
41# 数组的元素类型可以通过dtype属性获得
42print a.dtype
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=npplex)
47print d
48print 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)
6print 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)
9print"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)
12print"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)
15print"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)
18print"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)
22print 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
4print a
5# # # # 切⽚[3,6)，左闭右开
6print a[3:6]
7# # # # 省略开始下标，表⽰从0开始
8print a[:5]
9# 下标为负表⽰从后向前数
10print a[3:]
11# 步长为2，范围:[1,7)
12print a[1:7:2]
13# 步长为-1，即：翻转
14print 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
17print 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
21print 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)
30print a
31 i = np.arange(1,10,2)
32print i
33# 利⽤i取a中的元素
34 b = a[i]
35print b
36# b的元素更改，a中元素不受影响
37 b[2] = 1.6
38print b
39print 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)
45print a
46# ⼤于0.5的元素索引
47print a > 0.5
49 b = a[a > 0.5]
50print 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
53print a
54# b不受影响
55print b
56
57# 3.3 ⼆维数组的切⽚
58 a = np.arange(0,60,10) #⾏向量
59print'a = ', a
60 b = a.reshape((-1,1)) #转为列向量
61print'b = ',b
62 c = np.arange(6)
63print 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)
68print a
69#⼆维数组的切⽚
70print a[(0,1,2,3),(2,3,4,5)]#取出第(0,2)(1,3)(2,4)(3,5)个元素
71print a[3:,[0,2,5]]
72 i = np.array([True, False, True, False, False, True])
73print a[i]
74print 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) 6print x.shape
7print'x = \n', x
8print y.shape
9print'y = \n', y
10 plt.plot(x, y, 'ro-', linewidth=2)
11 plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)
id(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)
id()
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
35def f(x):
36    y = np.ones_like(x)
38    y[i] = np.power(x[i], x[i])
39    i = x < 0
40    y[i] = np.power(-x[i], -x[i])
41return 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)
id()
47 plt.legend(loc = 'upper left')

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。