专门做招商的网站是什么意思家具网站asp

专门做招商的网站是什么意思,家具网站asp,敬请期待用英语怎么说,广州电商网站建设认识Numpy NumPy 是 Python 科学计算的基础库#xff0c;专为高效处理多维数值数据设计#xff0c;是 Pandas、Matplotlib 等库的底层依赖。它将 Python 列表升级为同质化、连续内存的多维数组#xff08;ndarray#xff09;#xff0c;通过向量化运算和底层优化#xff…认识NumpyNumPy 是 Python 科学计算的基础库专为高效处理多维数值数据设计是 Pandas、Matplotlib 等库的底层依赖。它将 Python 列表升级为同质化、连续内存的多维数组ndarray通过向量化运算和底层优化解决纯 Python 循环的低效问题大幅提升数学运算、线性代数等操作速度。因为numpy的底层用C语言所以处理数据如数字矩阵处理的速度比较快importnumpyasnpprint(np.sin(1))#这里参数为弧度角度D和弧度R之间的关系D (180/π) × Rprint(np.abs(-1))#计算绝对值安装和配置环境通过 pip 安装pip install numpy创建数组创建一维数组importnumpyasnp list1[1,2,3,4,5]#python自带的列表数据类型print(list1)vnp.array(list1)#将参数转换位矩阵创建一个一维数组print(v)array可以进行强制类型转化创建二维数组多个一维数组构成importnumpyasnp list1[1,2,3,4,5]print(list1)vnp.array(list1)print(v)mnp.array([list1,list1,list1])#创建一个二维数组print(m)创建三维数组多个二维数组构成importnumpyasnp list1[1,2,3,4,5]print(list1)vnp.array(list1)print(v)mnp.array([list1,list1,list1])print(m)znp.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])#创建一个三维数组print(z)如果是更高维的可以写成z np.array([m,m,m])数组的基本属性一维数组av.shape#查询数组的形状bv.ndim#查询数组的维度cv.size#查询数组中数据个数print(type(v))dv.dtype#查询数组中的元素类型int8, int16, int32, int64: 表示不同长度的有符号整数。float16, float32, float64 (float 是 float64 的简写): 表示不同精度的浮点数。二维数组am.shape#是描绘m矩阵的形状bm.ndim#表示数据的维度 2cm.sizeprint(type(m))dm.dtype数组的升维NumPy 的 reshape方法通过 a.reshape(newshape, order‘C’)实现数组升维其中 a是待重塑的数组newshape为定义新形状的整数或元组如 (4,4)或 (1,-1,2)-1表示自动计算该维度大小order参数默认 C’按行优先控制元素排列顺序能在不改变数据内容的前提下将低维数组如一维转换为高维数组如二维、三维满足复杂数据处理需求。先创建一个一维数组importnumpyasnp list1[1,2,3,4,5,6,7,8,1,2,3,4,5,6,7,8]#vnp.array(list1)print(v)在NumPy中升维是指通过reshape方法将低维数组转换为高维数组其代码形式为a.reshape(newshape, order‘C’)其中a代表要进行形状重塑的原始数组newshape是一个整数或者元组用于定义新数组的形状比如(4, 4)表示4行4列(4, -1)中-1表示该维度大小由NumPy根据总元素数和其他已知维度自动确定order是可选参数用于指定元素在数组中的读取顺序默认为’C’按行优先即先行后列也可以是’F’按列优先、‘A’按原顺序、‘K’按元素在内存中的出现顺序 。一维变二维r1v.reshape(4,4)r1v.reshape(4,-1)#-1表示任意。print(r1)r1 v.reshape(4,4)表示将数组改为4行4列即4×4的形式r1 v.reshape(4,-1)表示将数组改为4行任意几列都可以的形式一维变三维r2 v.reshape(1,-1,2)表示将数组改成1个任意行2列的形式r2v.reshape(1,-1,2)print(r2)注意括号里的1表示新形状的第一维度大小为 1即结果数组的第一维度长度为 1-1表示任意行NumPy 会根据总元素数和其他已知维度自动确定该维度的大小。 2表示2列通俗来说就是新的数组里面有1个任意行2列的数组二维变三维r3r1.reshape(2,2,4)print(r3)r3 r1.reshape(2,2,4)表示将数组改成2个2行4列的形式resize方法r4v.resize(2,4)print(r4)print(v)resize方法在NumPy中resize()方法用于改变数组的形状即维度与 reshape()不同resize()会直接修改原数组如果原数组可被修改或返回一个新数组并且它不保证原数组的数据不被改动。数组的降维先创建一个一维数组importnumpyasnp list1[1,2,3,4,5,6,7,8]vnp.array(list1)vv.reshape(2,2,2)print(v)v.ndim三维降到二维r1v.reshape(1,8)print(r1)r1.ndim将高维数据降到一维r2v.ravel()print(r2)r3v.flatten()#非常重要print(r3)在NumPy中数组降维可以通过多种方法实现其中flatten方法会将多维数组转换为一维数组并返回一个原数组的副本这意味着对返回的一维数组所做的任何修改都不会影响到原始的多维数组而ravel方法如果可能则返回一个原始数组的视图对这个视图所做的修改可能会影响原始的多维数组因为ravel仅改变了数组的形状和步长而没有复制数据。此外还可以通过直接修改数组的shape属性例如使用v.shape (2,4)来实现数组的降维这种方法同样会直接作用于原数组。v.shape(2,4)#通过直接对array数据的属性进行修改。print(v)创建特殊数组创建全为0的数组anp.zeros(5)bnp.zeros((2,2))#(2,2)np.zeros((2,2))#zeros只能接受1个参数cnp.zeros((3,2,2))print(a,\n,b,\n,c)创建全为1的数组dnp.ones(5)enp.ones((2,2))fnp.ones((2,2,2))创建全为2的数组#创建全为2的数组 矩阵中全部填充指定的数据gnp.full((2,2,2),5)numpy中常用的两个函数importnumpyasnp#1.arange(start, end, step) - range(start, end, step)# [左闭右开的区间]一次性产生规律的数据。r1np.arange(0,9,3)print(r1)#2.linspace(start, end, nums)# [左右都是闭区间]r2np.linspace(0,1,21)print(r2)一维数组元素的选取与修改importnumpyasnp array1np.arange(1,9,1)print(array1)#选取某个元素aarray1[1]#选取某些元素barray1[[1,3,5]]#切片(左闭右开)carray1[0:6]print(a,b,c)#修改某个元素print(array1)array1[0]10#批量修改某些元素array1[[1,3,5]]20print(array1)array1[0:6]100print(array1)二维数组元素的选取与修改importnumpyasnp array1np.arange(24).reshape(4,6)#array数据 .reshape()print(array1)#选取某个元素aarray1[1,4]#第2行第5列#选取某行元素barray1[3,:]#逗号是用分隔行和列#选取某些行carray1[0:2,:]darray1[[0,2],:]#如果不是获取连续的行[]#选取某列earray1[:,3]#选取某些列farray1[:,0:3]garray1[:,[0,3]]print(a)print(b)print(c)print(d)print(e)print(f)print(g)#修改元素#修改某个元素array1[1,4]100print(array1)#修改某行元素array1[3,:]100print(array1)array1[[0,2],:]50print(array1)冒号表示选取所有三维数组元素的选取与修改importnumpyasnp array1np.arange(48).reshape(2,4,6)print(array1)#选取某个元素#首先确定选取哪一个二维数组aarray1[1,0,0]#选取某行元素barray1[0,1,:]#选取某些行元素carray1[0,1:3,:]darray1[0,[1,3],:]#选取某列earray1[1,:,1]#选取某些列farray1[1,:,1:4]garray1[1,:,[1,4]]#修改array1[1,0,0]100print(array1)vnp.array([array1,array1,array1,array1])av[2,1,2:,1:3]print(a)数组的组合importnumpyasnp#生成基数组array1np.arange(9).reshape(3,3)array22*array1print(array1)print(array2)#水平组合a3np.hstack((array1,array2))a4np.hstack((array2,array1))a5np.hstack((array1,array2,array1))a6np.concatenate((array1,array2),axis1)#连接#axis表示连接的方向#垂直组合a7np.vstack((array2,array1))a8np.concatenate((array1,array2),axis0)print(1)numpy内数组元素的切割importnumpyasnp array1np.arange(16).reshape(4,4)print(array1)#水平切割anp.hsplit(array1,2)#其中第2个参数 2表示将矩阵array1进行2等份切分bnp.split(array1,2,axis1)#垂直切割cnp.vsplit(array1,2)#dnp.split(array1,2,axis0)#强制切割array_split#水平切割enp.array_split(array1,3,axis1)#垂直切割fnp.array_split(array1,3,axis0)array1np.arange(25).reshape(5,5)print(array1)gnp.array_split(array1,3,axis1)hnp.array_split(array1,3,axis0)数组的算数运算importnumpyasnp array1np.arange(1,5,1).reshape(2,2)array22*array1print(array1)print(array2)#数组的加法【对应位置的元素求和】print(array1array2)#前提 矩阵shape必须一致#数组的减法[对应位置元素相减]print(array1-array2)#数组的乘法【对应位置相乘】print(array1*array2)#数组的除法[对应位置相除]print(array1/array2)#数组的取余(%)print(array2%array1)#数组的取整print(array1//array2)数组的深拷贝和浅拷贝importnumpyasnp array1np.array([1,2,3])#浅拷贝array2array1#更改array2的元素的值array2[0]100print(array2)print(#####################)print(array1)#深拷贝array3array1.copy()array3[0]10print(array3)print(##################)print(array1)numpy内的随机模块儿(一)importmatplotlib.pyplotasplt randint(start,end): 产生一个随机整数 (0,10) -左闭右开的区间 #随机种子np.random.seed(1000)#random 矩阵类型随机1、只能来管理numpy中的随机值2、随机种子只能对下面的随机函数产生1次种子效果r1np.random.randint(0,10)#print(r1)#a[]foriinrange(100):a0np.random.randint(0,10)a.append(a0)print(a)plt.hist(a,colorr)#绘制直方图plt.show()numpy内的随机模块儿(二importnumpyasnp rand() -(0,1)之间的随机浮点数 #np.random.seed(100)r1np.random.rand()print(r1) normal() -生成一些符合正态分布的数据 N~(0,1) numpy.random.normal(loc0.0, scale1.0, sizeNone) 参数说明 loc正态分布的均值期望值决定了分布的中心位置默认值为 0.0 scale正态分布的标准差决定了分布的离散程度默认值为 1.0 size输出数组的形状可以是整数表示一维数组长度或元组表示多维数组形状默认值为 None返回单个值 r2np.random.normal()print(r2)##################################生成随机数矩阵r3np.random.randint(0,10,size(5,5))print(r3)r4np.random.rand(5,5)print(r4)r5np.random.normal(5,10,size(5,5))print(r5)numpy内一些函数的使用importnumpyasnp array1np.random.normal(size(3,3))print(array1)#一些函数#求方差print(array1.var())#求标准差aarray1.std()#求均值barray1.mean()#求和carray1.sum()#求中位数#array1.median()dnp.median(array1)#求和运算#对矩阵的行求和earray1.sum(axis1)#对矩阵的列进行求和farray1.sum(axis0)矩阵的运算\importnumpyasnp#生成两个基数组anp.arange(4).reshape(2,2)ba.copy()#矩阵的运算#加减乘除(求逆)#加减 -对应元素加减#矩阵的乘法【点乘】#a * ba1a.dot(b)a2np.dot(a,b)#矩阵求逆 inv(): 并不是所有的矩阵都有逆; 即使你没有逆给你一个逆【伪逆】 a3np.linalg.inv(a)a4a.dot([[-1.5,0.5],[1.,0.]])print(a4)读取文件# numpy.loadtxt()从文本文件中加载数据。这个函数假定文件中的每一行都有相同数量的值并将这些值分隔开。# 你可以使用 delimiter 参数指定分隔符如逗号、制表符等。例如importnumpyasnp datanp.loadtxt(datingTestSet2.txt,delimiter\t)print(data)#将数组保存到txt文件中importnumpyasnp arraynp.array([[1,2,3],[4,5,6],[7,8,9]])# 创建一个 NumPy 数组np.savetxt(array.txt,array)# 使用 savetxt() 将数组保存到文本文件中