python--numpy模块、spicy模块、 matplotlib模块

发牌SO

　　一：numpy模块
　　ndarray:存储单一数据类型的多维数组
　　ufunc:能够对数组进行处理的函数(universal function object)



#numpy 中arange用法，指定开始值/终止值/步长来创建一维数组数组，但是数组不包括终值。
arange_array=np.arange(1,2,0.1)
re_arange_array=arange_array.reshape(2,5)#使用reshape重新定义数组的维度或者数组的大小
print "arange_array is array,it's %s " % arange_array
print "re_arange_array is:%s" % re_arange_array


#linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定
#是否包括终值，缺省设置是包括终值:
linspace_array=np.linspace(0, 1, 12)#创建的是等差数列！
print "linspace_array is: %s" % linspace_array



#logspace创建等比数列，产生起始值10^起始值，到10^终止值，n个值的一维数组
logspace_array=np.logspace(0,2,30)
print "logspace array is: %s" % logspace_array


def fun2(i,j):
return (i+1)*(j+1)
b=np.fromfunction(fun2,(9,9))
#fromfunction从函数创建数组，自定义函数，从函数中创建数组;
#frompyfunc的调用格式为frompyfunc(func, nin, nout),nin是此函数的输入参数的个数，nout是此函数的返回值的个数。
print 'b is:%s' %b
Data type objects (dtype) and 结构数组
　　数据类型（data type object, ie. numpy.dtype的实例）描述的是array对象怎样解析内存中的固定大小的内存段。它描素了数据的一下几个方面：

• 数据的类型(integer, float, Python object, etc.)
  
• 数据的大小(how many bytes is in e.g. the integer)
  
• 二进制位的存储顺序(little-endian or big-endian)
  
• 如果数据类型（data type）是一条记录，即其他数据类型的组合(e.g., describing an array item consisting of an integer and a float),这和C语言里面的struct类似。
  

• 记录的各个数据的名称是什么，怎么获取这个子数据。
  
• 每个子数据的的类型是什么。
  
• 每个子数据都使用哪一部分内存。
  

• 如果数据是一个子数组，它的形状是什么。
  

import numpy as np;
persontype=np.dtype({ 'names':['name','age','weight'], 'formats':['S32','i','f']})
a = np.array([("zhuang",32,75.5),("wang",24,65.2)],dtype=persontype)
print a[1]['name']
print a.strides
　　扩展：常用tile函数和repeat函数扩展numpy模块
　　1:numpy.tile(A,B)函数：重复A，B次，这里的B可以时int类型也可以是元组类型



>>> import numpy
>>> numpy.tile([0,0],5)#在列方向上重复[0,0]5次，默认行1次
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
>>> numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次，行1次
array([[0, 0]])
>>> numpy.tile([0,0],(2,1))#在列方向上重复[0,0]1次，行2次
array([[0, 0],
[0, 0]])
>>> numpy.tile([0,0],(3,1))
array([[0, 0],
[0, 0],
[0, 0]])
>>> numpy.tile([0,0],(1,3))#在列方向上重复[0,0]3次，行1次
array([[0, 0, 0, 0, 0, 0]])
>>> numpy.tile([0,0],(2,3))<span style="font-family: Arial, Helvetica, sans-serif;">#在列方向上重复[0,0]3次，行2次</span>
array([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])
　　2:repeat(A):重复A次  repeat([A,B]):对应重复A次，B次



>>> from numpy import *
>>> repeat(7.,4)
array([ 7.,  7.,  7.,  7.])
>>> a=array([10,20])
>>> a.repeat([3,2])
array([10, 10, 10, 20, 20])
>>> repeat(a,[3,2])
array([10, 10, 10, 20, 20])
>>> a=array([[10,20],[30,40]])
>>> a.repeat([3,2],axis=0)
array([[10, 20],
[10, 20],
[10, 20],
[30, 40],
[30, 40]])
>>> a.repeat([3,2],axis=1)
array([[10, 10, 10, 20, 20],
[30, 30, 30, 40, 40]])
>>>
　　3:sum函数：
　　sum（a，axis=0）:普通的相加
　　sum(axis=1) ：将一个矩阵的每一行向量相加
　　4:argsort函数：返回排序后元素在原对象中的下标，属于numpy中的函数
　　区别于sort函数和sorted函数
　　（1）、sort 只是list类型的内建函数，对其他非列表型序列不适用。
　　（2）、sorted是所有类型的内建函数 ,返回排序后的对象，原对象不改变。进阶：sorted(a,key=...,reversed=True)



a=array([(5,4,3,2,6),(7,8,0,1,9)])
>>> a
array([[5, 4, 3, 2, 6],
[7, 8, 0, 1, 9]])
>>> a.argsort()
array([[3, 2, 1, 0, 4],
[2, 3, 0, 1, 4]], dtype=int64)
　　5:zeros：创建0矩阵
　　二：spicy模块