Chapter4 数值计算与交互式绘图.pptx

数据分析与可视化;4.1NumPy、SciPy和MKL函数

4.2标量选择、切片与索引

4.3数据结构

4.4使用matplotlib进行可视化;4.1.1NumPy介绍

4.1.2Scipy介绍

4.1.3MKL函数介绍;4.1.1NumPy介绍

NumPy通用函数（ufunc）：通过每个元素对ndarray进行操作的函数，支持类型转换

是接受标量输入并产生标量输出的函数的矢量化包装器

运行速度比Python函数快;importnumpyasnp

x=np.random.random(5)

print(x)

print(x+1)#对向量x在每个元素上加1

;4.1NumPy、SciPy和MKL函数;矩阵维度和重塑操作;#接下来改变变量的维度

a.shape=(3,4)

print(a)

[[1234]

[5678]

[9101112]]

shape()函数和reshape()函数的反向操作是ravel()

#ravel()的例子

a=np.array([[1,2,3,4,5,6],[7,8,9,10,11,12]])

a.ravel()

array([1,2,3,4,5,6,7,8,9,10,11,12])

;插值;向量化函数

vectorize()：通过逐元素应用相同的规则，将采用标量作为参数的函数转换为采用数组作为参数的函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;NumPy线性代数常用函数;4.1.2SciPy介绍

SciPy：NumPy在数学、科学和工程方面的扩展，它有许多可用于线性代数、积分、插值、快速傅里叶变换、大矩阵操作、统计计算等的子包;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;解线性方程组

例：解一个有3个变量(x,y,z)的线性方程组;4.1NumPy、SciPy和MKL函数;向量化的数值导数

Python中应用向量化方法来计算导数不需要循环;4.1NumPy、SciPy和MKL函数;4.1NumPy、SciPy和MKL函数;4.1.3MKL函数介绍

MKL：提供了向量和矩阵的高性能例程，包括FFT函数和向量统计函数，可在Intel处理器上高效工作;4.2.1标量选择

从数组中选择元素的最简单方法

一维数组使用[rowindex]，二维数组使用[rowindex,columnindex]等;4.2标量选择、切片与索引;4.2.2切片

数组切片与列表切片相似，但语法更简单

使用[:,:,...:]语法对数组进行切片

切片速记符号：;4.2.1标量选择

4.2.2切片

4.2.3数组索引;4.2标量选择、切片与索引;4.2标量选择、切片与索引;4.2标量选择、切片与索??;4.2.3数组索引

NumPy数组中的元素可以使用4种方法选择：标量选择、切片、数值索引和逻辑（或布尔）索引;数值索引：使用坐标来选择元素，切片表示法的替代方法

数值索引创建的数组会创建数据的副本，而切片只是数据的视图，而不是副本

可以是列表也可以是NumPy数组，并且必须包含整数数据;4.2标量选择、切片与索引;4.2标量选择、切片与索引;逻辑索引：使用逻辑来选择元素、行或列

逻辑数组与原数组大小相同，并且逻辑索引总是返回一个一维数组;4.2标量选择、切片与索引;4.2标量选择、切片与索引;4.3.1堆栈

4.3.2元组

4.3.3集合

4.3.4队列

4.3.5字典

4.3.6矩阵表示的字典

4.3.7字典树;4.3.1堆栈

堆栈：一种抽象数据类型，操作原理是后进先出

常用操作：

append()在栈顶添加项

pop()从栈顶提取项

remove()删除项;4.3数据结构;pop()函数：最有效，因为除出栈元素，其他所有元素都保留在它们的位置

但对于正整数k，当使用pop(k)删除列表的kn索引处的元素时，会移动所有后续元素以填补删除导致的空白

此操作的效率是线性的，因为移位量取决于索引k的选择;4.3.2元组

元组：类似于列表的不可变对象序列

元组为异构数据结构，列表为同