python学习
import numpy as np x = np.array([1,2,3]) y = np.arange(10) print x #print x print y #res:[0 1 2 3 4 5 6 7 8 9] a = np.linspace(0,3,5) print a #res:[ 0. 0.75 1.5 2.25 3. ] print x**2 #[1 4 9] a = np.linspace(-np.pi,np.pi,100) b = np.sin(a) c = np.cos(a) from numpy.random import rand d = rand(3,3) print d
- numpy
numpy:是python的一个扩展函数库,提供高维数组和矩阵运算。
NumPy参考CPython(一个使用字节码的解释器),而在这个Python实现解释器上所写的数学算法代码通常远比编译过的相同代码要来得慢。为了解决这个难题,NumPy引入了多维数组以及可以直接有效率地操作多维数组的函数与运算符。因此在NumPy上只要能被表示为针对数组或矩阵运算的算法,其运行效率几乎都可以与编译过的等效C语言代码一样快。[1]
NumPy提供了与MATLAB相似的功能与操作方式,因为两者皆为直译语言,并且都可以让用户在针对数组或矩阵运算时提供较标量运算更快的性能。两者相较之下,MATLAB提供了大量的扩充工具箱(例如Simulink);而NumPy则是根基于Python这个更现代、完整并且开放源代码的编程语言之上。此外NumPy也可以结合其它的Python扩充库。例如SciPy,这个库提供了更多与MATLAB相似的功能;以及Matplotlib,这是一个与MATLAB内置绘图功能类似的库。而从本质上来说,NumPy与MATLAB同样是利用BLAS与LAPACK来提供高效率的线性代数运算。
ndarray 数据结构[编辑]
NumPy的核心功能是"ndarray"(即n-dimensional array,多维数组)数据结构。这是一个表示多维度、同质并且固定大小的数组对象。而由一个与此数组相关系的数据类型对象来描述其数组元素的数据格式(例如其字符组顺序、在内存中占用的字符组数量、整数或者浮点数等等)。
- Scipy
SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。与其功能相类似的软件还有MATLAB、GNU Octave和Scilab。
- matplotlib
- sklearn
- iris:
- http://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_iris.html