Yleina

numpy、scipy、pandas、matplotlib的讀書報(bào)告：

一、基本函數(shù)的用法

numpy

numpy是Python中用于進(jìn)行科學(xué)計(jì)算的基礎(chǔ)模塊，它提供了高效的多維數(shù)組對(duì)象ndarray，以及相關(guān)的數(shù)學(xué)運(yùn)算和線性代數(shù)函數(shù)。numpy的主要功能有：

• 創(chuàng)建和操作多維數(shù)組，如使用np.array()，np.arange()，np.zeros()，np.ones()，np.reshape()等函數(shù)。
• 對(duì)數(shù)組進(jìn)行索引和切片，如使用a[i]，a[i,j]，a[:,j]，a[i:j:k]等語(yǔ)法。
• 對(duì)數(shù)組進(jìn)行數(shù)學(xué)運(yùn)算，如使用+，-，*，/，**，np.dot()，np.sin()，np.exp()等函數(shù)或運(yùn)算符。
• 對(duì)數(shù)組進(jìn)行統(tǒng)計(jì)分析，如使用np.sum()，np.mean()，np.std()，np.min()，np.max()，np.argmin()，np.argmax()等函數(shù)。
• 對(duì)數(shù)組進(jìn)行排序，如使用np.sort()，np.argsort()，np.partition()，np.argpartition()等函數(shù)。
• 對(duì)數(shù)組進(jìn)行廣播，即根據(jù)一定的規(guī)則，使得不同形狀的數(shù)組可以進(jìn)行運(yùn)算。
• 對(duì)數(shù)組進(jìn)行線性代數(shù)運(yùn)算，如使用np.linalg.inv()，np.linalg.det()，np.linalg.eig()，np.linalg.solve()等函數(shù)。

scipy

scipy是基于numpy的一個(gè)科學(xué)計(jì)算庫(kù)，它提供了更多的高級(jí)函數(shù)和模塊，涵蓋了優(yōu)化，積分，插值，傅里葉變換，信號(hào)處理，圖像處理，常微分方程等領(lǐng)域。scipy的主要功能有：

• 使用scipy.optimize模塊進(jìn)行優(yōu)化，如使用scipy.optimize.minimize()，scipy.optimize.curve_fit()，scipy.optimize.root()等函數(shù)。
• 使用scipy.integrate模塊進(jìn)行積分，如使用scipy.integrate.quad()，scipy.integrate.odeint()，scipy.integrate.solve_ivp()等函數(shù)。
• 使用scipy.interpolate模塊進(jìn)行插值，如使用scipy.interpolate.interp1d()，scipy.interpolate.splrep()，scipy.interpolate.splev()等函數(shù)。
• 使用scipy.fftpack模塊進(jìn)行傅里葉變換，如使用scipy.fftpack.fft()，scipy.fftpack.ifft()，scipy.fftpack.fftshift()等函數(shù)。
• 使用scipy.signal模塊進(jìn)行信號(hào)處理，如使用scipy.signal.convolve()，scipy.signal.correlate()，scipy.signal.firwin()，scipy.signal.lfilter()等函數(shù)。
• 使用scipy.ndimage模塊進(jìn)行圖像處理，如使用scipy.ndimage.imread()，scipy.ndimage.rotate()，scipy.ndimage.zoom()，scipy.ndimage.filters.gaussian_filter()等函數(shù)。

pandas

pandas是一個(gè)用于數(shù)據(jù)分析和處理的庫(kù)，它提供了兩種主要的數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame。Series是一維的帶標(biāo)簽的數(shù)組，DataFrame是二維的帶標(biāo)簽的表格。pandas的主要功能有：

• 創(chuàng)建和操作Series和DataFrame，如使用pd.Series()，pd.DataFrame()，pd.read_csv()，pd.read_excel()，pd.to_csv()，pd.to_excel()等函數(shù)。
• 對(duì)Series和DataFrame進(jìn)行索引和切片，如使用a.loc[]，a.iloc[]，a.at[]，a.iat[]，a[]，a[[ ]]等語(yǔ)法。
• 對(duì)Series和DataFrame進(jìn)行數(shù)學(xué)運(yùn)算，如使用+，-，*，/，**，np.dot()，np.sin()，np.exp()等函數(shù)或運(yùn)算符。
• 對(duì)Series和DataFrame進(jìn)行統(tǒng)計(jì)分析，如使用a.sum()，a.mean()，a.std()，a.min()，a.max()，a.idxmin()，a.idxmax()，a.describe()等函數(shù)。
• 對(duì)Series和DataFrame進(jìn)行排序，如使用a.sort_values()，a.sort_index()等函數(shù)。
• 對(duì)Series和DataFrame進(jìn)行清理，轉(zhuǎn)換，合并，重塑，分組，聚合等操作，如使用a.dropna()，a.fillna()，a.apply()，a.map()，pd.concat()，pd.merge()，a.pivot()，a.stack()，a.unstack()，a.groupby()，a.agg()等函數(shù)。

matplotlib

matplotlib是一個(gè)用于繪制圖形和可視化數(shù)據(jù)的庫(kù)，它提供了一個(gè)類似于MATLAB的接口，以及一個(gè)面向?qū)ο蟮慕涌凇atplotlib的主要功能有：

• 創(chuàng)建和操作圖形對(duì)象，如使用plt.figure()，plt.subplot()，plt.subplots()，plt.axes()等函數(shù)。
• 繪制各種類型的圖形，如使用plt.plot()，plt.scatter()，plt.bar()，plt.hist()，plt.pie()，plt.boxplot()等函數(shù)。
• 設(shè)置圖形的樣式和屬性，如使用plt.title()，plt.xlabel()，plt.ylabel()，plt.legend()，plt.grid()，plt.xlim()，plt.ylim()，plt.xticks()，plt.yticks()，plt.text()，plt.annotate()等函數(shù)。
• 保存和顯示圖形，如使用plt.savefig()，plt.show()等函數(shù)。

二、解決一些具體問題的代碼

numpy

計(jì)算兩個(gè)矩陣的乘積

import numpy as np
# 創(chuàng)建兩個(gè)矩陣
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[7,8],[9,10],[11,12]])
# 計(jì)算矩陣乘積
c = np.dot(a,b)
# 打印結(jié)果
print(c)

輸出：

[[ 58  64]
 [139 154]]

scipy

求解一個(gè)非線性方程組

import scipy.optimize as opt
# 定義方程組的函數(shù)
def f(x):
    return [x[0]**2 + x[1]**2 - 1, x[0] - x[1] + 0.5]
# 用fsolve函數(shù)求解，給定初始值
x = opt.fsolve(f, [0,0])
# 打印結(jié)果
print(x)

輸出：

[ 0.78867513 -0.21132487]

pandas

從一個(gè)txt文件中讀取數(shù)據(jù)，輸出到excel文件中

import pandas as pd

# 讀取txt文檔中的內(nèi)容
with open('B2006data/附件2.txt', 'r') as f:
    lines = f.readlines()

# 跳過(guò)前面幾行
skip_lines = 13
data = []
for line in lines[skip_lines:]:
    line = line.strip()
    # 使用split()函數(shù)將每一行的數(shù)據(jù)分割成多個(gè)元素
    row = line.split()
    row_data = []
    for element in row:
        try:
            # 嘗試將元素轉(zhuǎn)換為浮點(diǎn)數(shù)
            row_data.append(float(element))
        except ValueError:
            # 如果轉(zhuǎn)換失敗，將元素作為字符串存儲(chǔ)
            row_data.append(element)
    # 將每一行的數(shù)據(jù)儲(chǔ)存在嵌套列表中
    data.append(row_data)

# 將數(shù)據(jù)寫入Excel
df = pd.DataFrame(data)
df.to_excel('附件2.xlsx', index=False, header=False)

結(jié)果展示：

matplotlib

繪制阻尼曲線

import matplotlib.pyplot as plt
import numpy as np


plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['font.sans-serif'] = ['SimHei']


def draw(pcolor, nt_point, nt_text, nt_size):
    plt.plot(x, y, label='$exp_decay$', color=pcolor, linewidth=3, linestyle="-")
    plt.plot(x, z, "b--", label='$cos(x^2)$', linewidth=1)
    plt.xlabel('時(shí)間(s)')
    plt.ylabel('幅度(mv)')
    plt.title("阻尼衰減曲線繪制")
    plt.annotate('$\cos(2 \pi t) \exp(-t)$', xy=nt_point, xytext=nt_text, fontsize=nt_size,
                 arrowprops=dict(arrowstyle='->', connectionstyle="arc3, rad=.1"))


def shadow(a, b):
    ix = (x > a) & (x < b)
    plt.fill_between(x, y, 0, where=ix, facecolor='grey', alpha=0.25)
    plt.text(0.5 * (a + b), 0.2, r"$\int_a^b f(x) \mathrmw0obha2h00x$", horizontalalignment='center')


def xy_axis(x_start, x_end, y_start, y_end):
    plt.xlim(x_start, x_end)
    plt.ylim(y_start, y_end)
    plt.xticks([np.pi/3, 2 * np.pi/3, 1 * np.pi, 4 * np.pi/3, 5 * np.pi/3],
               ['$\pi/3$', '$2\pi/3$', '$\pi$', '$4\pi/3$', '$5\pi/3$'])


x = np.linspace(0.0, 6.0, 100)
y = np.cos(2 * np.pi * x) * np.exp(-x) + 0.8
z = 0.5 * np.cos(x ** 2) + 0.8
note_point, note_text, note_size = (1, np.cos(2*np.pi)*np.exp(-1)+0.8), (1, 1.4), 14
fig = plt.figure(figsize=(8, 6), facecolor="white")
plt.subplot(111)
draw("red", note_point, note_text, note_size)
xy_axis(0, 5, 0, 1.8)
shadow(0.8, 3)
plt.legend()
plt.show()