4.Python科学计算与数据处理.pptVIP

使用缺省参数的好处是，如果某个参数大部分情况下都取某个固定的值，那么就可以为这个参数定义一个默认值，这样在以后使用这个函数时带来很大的便利，因为我们大部分时间都不用给它传参数；如果偶尔情况有变，还可以给它传递更适合的值——真是一举两得呀！ * * 先创建一个dtype对象persontype，通过其字典参数描述结构类型的各个字段。字典有两个关键字：names，formats。每个关键字对应的值都是一个列表。names定义结构中的每个字段名，而 formats则定义每个字段的类型： ? S32 : 32个字节的字符串类型，由于结构中的每个元素的大小必须固定，因此需要指定字符串的长度? i : 32bit的整数类型，相当于32? f : 32bit的单精度浮点数类型，相当于np.float32 然后我们调用array函数创建数组，通过关键字参数dtype=persontype， 指定所创建的数组的元素类型为结构persontype。运行上面程序之后，我们可以在IPython中执行如下的语句查看数组a的元素类型 * 数据存储区域保存着数组中所有元素的二进制数据，dtype对象则知道如何将元素的二进制数据转换为可用的值。数组的维数、大小等信息都保存在ndarray数组对象的数据结构中。图中显示的是如下数组的内存结构： a = np.array([[0,1,2],[3,4,5],[6,7,8]], dtype=np.float32) strides中保存的是当每个轴的下标增加1时，数据存储区中的指针所增加的字节数。 * * n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor=green, alpha=0.75) arr: 需要计算直方图的一维数组 bins: 直方图的柱数，可选项，默认为10 normed: 是否将得到的直方图向量归一化。默认为0 facecolor: 直方图颜色 alpha: 透明度 返回值 ：n: 直方图向量，是否归一化由参数设定 bins: 返回各个bin的区间范围 patches: 返回每个bin里面包含的数据，是一个list * numpy.linalg模块 在numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解。该函数返回3个矩阵——U、Sigma和V，其中U和V是正交矩阵，Sigma包含输入矩阵的奇异值。 * import numpy as np A = np.mat(4 11 14;8 7 -2) print A\n, A U, Sigma, V = np.linalg.svd(A, full_matrices=False) print U print U print Sigma print Sigma print V print V print Product\n, U * np.diag(Sigma) * V numpy.linalg模块 广义逆矩阵 摩尔·彭罗斯广义逆矩阵（Moore-Penrose pseudoinverse）可以使用numpy.linalg模块中的pinv函数进行求解。计算广义逆矩阵需要用到奇异值分解。inv函数只接受方阵作为输入矩阵，而pinv函数则没有这个限制。 * import numpy as np A = np.mat(4 11 14;8 7 -2) print A\n, A pseudoinv = np.linalg.pinv(A) print Pseudo inverse\n, pseudoinv print Check, A * pseudoinv numpy.linalg模块 行列式 numpy.linalg模块中的det函数可以计算矩阵的行列式。 * import numpy as np A = np.mat(3 4;5 6) print A\n, A print Determinant, np.linalg.det(A) numpy.linalg模块 矩阵的秩 * import numpy as np I = np.eye(3)#先创建一个单位阵 I array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]]) np.linalg.matrix_rank(I)#秩 3 I[1, 1] = 0#将该元素置为0 I array([[ 1., 0., 0.], [ 0., 0., 0.], [ 0., 0., 1.]]) np.linalg.matrix_rank(I)#此时秩变成2 2 N