Python numpy
1.1Python科学计算的介绍
参考资料： http://old.sebug.net/paper/books/scipydoc/numpy_intro.html
numpy是一个与数学模型构建、定量分析方法以及利用计算机分析和解决科学问题相关领域。
常用库： Numpy Scipy Pandas matplotlib
1.2 Numpy之ndarray对象
标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。
此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。
NumPy的诞生弥补了这些不足，NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。
1.3 ndarray计算速度
1.4 ndarray基本操作
1.4.1 导入模块
导入Numpy模块
import numpy as np
import Numpy as np
1.4.2 对data进行数学操作
1. 生成随机数
np.random.randn(2,3)
# 产生随机数，参数控制几行几列
data = np.random.randn(2,3)
data
与np.arange()相比，可以模拟出更加符合要求的随机数。
2. 对data进行数学操作
因为是数组，会自动广播到所有的元素中。
1.4.3 ndarray的属性方法
1.创建以及结构变换
np.array([1,2],[3,,4])
#生成11等分的0-1的12个数
np.linspace(0,1,12)
#生成等差序列
a=np.arange(12)
#生成等比数列 10^0-10^2有20个元素的等比数列
np.logspace(0, 2, 20)
NumPy 提供了常用的对 ndarray 进行变换的方法.
-
np.reshape: 返回一个按照给定的维度改变的 ndarray.
-
np.resize: 在原位修改 ndarray 的维度.
-
np.repeat: 复制 ndarray 的每个元素的值, 返回一个延长的 ndarray, 需要传入复制的次数作为参数. 当 ndarray 不是一维的时候, 返回的 ndarray 也会是一维的.
# 新生成一个对象，但是不修改原对象
a.reshape((2,6))
np.ones, np.ones_like
np.zeros, np.zeros_like
创建一个数组, 其中的元素全为 1. np.ones 根据参数设定的纬度创建一个元素为 1 的数组, 而 np.ones_like 则根据一个已有的数组创建和其有相同纬度的元素全为 1 的数组.
np.ones((4, 3))
np.ones_like(data)
2. 与列表区别
ndarray内元素只能是同类型的。
3. 查看元素个数
data.size
4. 查看结构（几行几列）
data.shape
查看维数
data.ndim
5. 查看元素类型
data.dtype
1.4.4 基础切片索引
所有切片索引都可以用来修改元素
1. 切片方式与Python标准方法相同
a[5]、a[:5]、a[-1]、a[1:-1:]#间隔为2
>>> a = np.arange(10)
>>> a[5] # 用整数作为下标可以获取数组中的某个元素
5
>>> a[3:5] # 用范围作为下标获取数组的一个切片，包括a[3]不包括a[5]
array([3, 4])
>>> a[:5] # 省略开始下标，表示从a[0]开始
array([0, 1, 2, 3, 4])
>>> a[:-1] # 下标可以使用负数，表示从数组后往前数
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> a[2:4] = 100,101 # 下标还可以用来修改元素的值
>>> a
array([ 0, 1, 100, 101, 4, 5, 6, 7, 8, 9])
>>> a[1:-1:2] # 范围中的第三个参数表示步长，2表示隔一个元素取一个元素
array([ 1, 101, 5, 7])
>>> a[::-1] # 省略范围的开始下标和结束下标，步长为-1，整个数组头尾颠倒
array([ 9, 8, 7, 6, 5, 4, 101, 100, 1, 0])
>>> a[5:1:-2] # 步长为负数时，开始下标必须大于结束下标
array([ 5, 101])
2. 与python列表序列不同，通过下标获取的新数组是原始数组的一个视图，与原始数组共享一块数据空间。
>>>b = a[3:7] # 通过下标范围产生一个新的数组b，b和a共享同一块数据空间
>>> b
array([101, 4, 5, 6])
>>> b[2] = -10 # 将b的第2个元素修改为-10
>>> b
array([101, 4, -10, 6])
>>> a # a的第5个元素也被修改为10
array([ 0, 1, 100, 101, 4, -10, 6, 7, 8, 9])
3. 使用整数数列
x[[3,3,1]]
>>>x = np.arange(10,1,-1)
>>> x
array([10, 9, 8, 7, 6, 5, 4, 3, 2])
>>> x[[3, 3, 1, 8]] # 获取x中的下标为3, 3, 1, 8的4个元素，组成一个新的数组
array([7, 7, 9, 2])
>>> b = x[np.array([3,3,-3,8])] #下标可以是负数
>>> b[2] = 100
>>> b
array([7, 7, 100, 2])
>>> x # 由于b和x不共享数据空间，因此x中的值并没有改变
array([10, 9, 8, 7, 6, 5, 4, 3, 2])
>>> x[[3,5,1]] = -1, -2, -3 # 整数序列下标也可以用来修改元素的值
>>> x
array([10, -3, 8, -1, 6, -2, 4, 3, 2])
4. 使用布尔数组
x[[True,False,True]]
从头开始匹配，不够的部分默认为false
>>>x = np.arange(5,0,-1)
>>> x
array([5, 4, 3, 2, 1])
>>> x[np.array([True, False, True, False, False])]
>>> # 布尔数组中下标为0，2的元素为True，因此获取x中下标为0,2的元素
array([5, 3])
>>> x[[True, False, True, False, False]]
>>> # 如果是布尔列表，则把True当作1, False当作0，按照整数序列方式获取x中的元素
array([4, 5, 4, 5, 5])
>>> x[np.array([True, False, True, True])]
>>> # 布尔数组的长度不够时，不够的部分都当作False
array([5, 3, 2])
>>> x[np.array([True, False, True, True])] = -1, -2, -3
>>> # 布尔数组下标也可以用来修改元素
>>> x
array([-1, 4, -2, -3, 1])
5. 通过布尔运算切片
x[x>0.5]
1.4.5 多维数组切片索引
两个轴方向，分别进行切片，中间用逗号隔开。
a[2::2,2::2]
#多维数组的创建方式和显示方式
>>>arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>>arr2d
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
1.4.6 布尔型索引
1. ~表示T和F反过来
~("a"=="a")结果是False
2. ！= 不等于
1.5 数组运算
1. 与数字的运算
广播到每一个元素
2. 数组函数
np.sqrt(ndarray)#开方
np.exp(ndarray)#e为底的元素次幂
np.maximum(ndarr_x,ndarr_y)#对应元素比较，留下大的
np.where(ndarray > 0,2,-2)#if 布尔运算 then 2 else -1
3. 数组方法
ndarray.mean(axis=1)#按照行求均值
ndarray.sum(axis=0)#按照列求和
ndarray.cumsum(axis=0)#按照列累加
ndarray.cumprod(axis=1)#按照行累乘
4. 排序
ndarray.sort(axis=1)
1.6 日期和时间的包
1. from datetime import datetime
用来计算时间
start = datetime.now()
c = function(x)
delta = datetime.now() - start
2. import time
time.clock()