python--numpy模块、spicy模块、 matplotlib模块

一：numpy模块

ndarray:存储单一数据类型的多维数组

ufunc:可以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/步长来建立一维数组数组，可是数组不包括终值。
 arange_array=np.arange(1,2,0.1)
 re_arange_array=arange_array.reshape(2,5)#使用reshape从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函数经过指定开始值、终值和元素个数来建立一维数组，能够经过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)#建立的是等差数列！
 print "linspace_array is: %s" % linspace_array

#logspace建立等比数列，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从函数建立数组，自定义函数，从函数中建立数组;
 #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：

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

1. 记录的各个数据的名称是什么，怎么获取这个子数据。
2. 每一个子数据的的类型是什么。
3. 每一个子数据都使用哪一部份内存。

5. 若是数据是一个子数组，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：经常使用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能够时int类型也能够是元组类型

>>> 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，对其余非列表型序列不适用。

（2）、sorted是全部类型的内建函数 ,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：建立0矩阵

二：spicy模块