初體驗numpy和matplotlib

numpy初認(rèn)識

numpy是數(shù)值化的python，
Python list的替代品：numpy array
可以對整個數(shù)組進(jìn)行計算
操作方便砖织，且快速

height = [1.56,1.75,1.60,1.68]
weight = [45,65,50,52]
print weight / height ** 2

上面的代碼運(yùn)行錯誤

但是有了numpy著淆，這個問題是可以解決的

# 計算身體質(zhì)量指數(shù) (Body Mass Index, 簡稱BMI）
import numpy as np
height = [1.56,1.75,1.60,1.68]
weight = [45,65,50,52]
np_heigh = np.array(height)
np_weigh = np.array(weight)
print np_weigh / np_heigh ** 2
#輸出 [ 18.49112426  21.2244898   19.53125     18.42403628]

注意
numpy數(shù)組的元素的類型是相同的菇存。

>>> np.array([1.0,"is",True])
array(['1.0', 'is', 'True'],
      dtype='|S4')

分清list和numpy數(shù)組的區(qū)別，對list進(jìn)行 “ + ” 運(yùn)算是兩個list連接起來狰域，numpy數(shù)組則是對應(yīng)的元素逐個相加媳拴。

>>> python_list = [1,2,3]
>>> numpy_array = np.array([1,2,3])
>>> python_list + python_list  
[1, 2, 3, 1, 2, 3]        
>>> numpy_array + numpy_array
array([2, 4, 6])
>>> numpy_array + python_list
array([2, 4, 6])

numpy的構(gòu)造子集

先將上述的計算身體質(zhì)量指數(shù)的結(jié)果賦給變量bmi，其中bmi>19輸出了bool類型的list兆览，滿足這個條件的元素對于的值是True屈溉。對于bmi[bmi>19]，則是選取到了值大于19的子集抬探。

>>> bmi = np_weigh / np_heigh ** 2
>>> print bmi
[ 18.49112426  21.2244898   19.53125     18.42403628]
>>> bmi > 19
array([False,  True,  True, False], dtype=bool)
>>> bmi[bmi>19]
array([ 21.2244898,  19.53125  ])
>>> bmi[1]
21.224489795918366

numpy數(shù)組的類型
numpy數(shù)組的類型：ndarray

>>> type(bmi)
<type 'numpy.ndarray'>

ndarray表示n維數(shù)組子巾，下面來看看二維數(shù)組，以及它的構(gòu)造子集是怎樣的小压。

其中的np_2d[:,1:3]线梗，逗號前面沒有指明第幾行，表示所有行都被選取怠益，逗號后是1：3表示選擇第2列和第3列的值仪搔。結(jié)果就是每行的第2列和第3列的值。

np_2d[:1,1:3]根據(jù)切片的特點蜻牢，冒號后面的數(shù)字不包含烤咧，結(jié)果也就是第0（即第一行）的第2列和第3列的值。

>>> np_2d = np.array([[1,2,3,4],[5,6,7,8]])
>>> np_2d
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])
>>> np_2d.shape
(2, 4)
>>> np_2d[0]
array([1, 2, 3, 4])
>>> np_2d[0][2]
3
>>> np_2d[:,1:3]
array([[2, 3],
       [6, 7]])
>>> np_2d[1,:]
array([5, 6, 7, 8])
>>> np_2d[:1,1:3]
array([[2, 3]])

平均數(shù) mean 和中位數(shù) median

>>> np_dd = np.array([[1.56,40],[1.67,50],[1.60,45],[1.75,60],[1.68,53]])
>>> np.mean(np_dd[:,0])
1.6519999999999999
>>> np.median(np_dd[:,0])
1.6699999999999999

np.random.normal(平均數(shù)mean抢呆，標(biāo)準(zhǔn)差stdev煮嫌，size)：給出均值為mean,標(biāo)準(zhǔn)差為stdev的高斯隨機(jī)數(shù)(場)，當(dāng)size賦值時抱虐，例如：size=100立膛，表示返回100個高斯隨機(jī)數(shù)。

高斯分布的概率密度函數(shù) numpy.random.normal( )
numpy中梯码，numpy.random.normal(loc=0.0, scale=1.0, size=None)
參數(shù)的意義為：
　　loc:float
　　概率分布的均值，對應(yīng)著整個分布的中心center
　　scale:float
　　概率分布的標(biāo)準(zhǔn)差好啰，對應(yīng)于分布的寬度轩娶，scale越大越矮胖，scale越小框往，越瘦高
　　size:int or tuple of ints
　　輸出的shape鳄抒，默認(rèn)為None，只輸出一個值
　　我們更經(jīng)常會用到np.random.randn(size)所謂標(biāo)準(zhǔn)正太分布（μ=0, σ=1），對應(yīng)于np.random.normal(loc=0, scale=1, size)

np.column_stack(a,b)：函數(shù)column_stack以列將一維數(shù)組合成二維數(shù)組

>>> height = np.round(np.random.normal(1.75,0.20,5000),2)
>>> weight = np.round(np.random.normal(60.32,15,5000),2)
>>> np_city = np.column_stack((height,weight))
>>> np_city
array([[  1.49,  70.15],
       [  2.12,  61.91],
       [  1.38,  58.53],
       ...,
       [  1.63,  74.36],
       [  1.44,  73.57],
       [  1.95,  52.57]])

可視化matplotlib

>>> import matplotlib.pyplot as plt
>>> year = [1950,1970,1990,2010]
>>> pop = [2.519,3.692,5.263,6.972]
>>> plt.plot(year,pop)
[<matplotlib.lines.Line2D object at 0x10a125110>]
>>> plt.show()

改成是散點圖许溅，改變一下函數(shù)即可

 plt.plot(year,pop)改為
 plt.scatter(year,pop)

直方圖

plt.hist(value,bins=3)

>>> value= [0.12,0.4,1.4,1.2,2.3,3.0,2.5,3.9,2.1,2.7,4.6,4.5,5.6]
>>> plt.hist(value,bins=3)
(array([ 4.,  5.,  4.]), array([ 0.12      ,  1.94666667,  3.77333333,  5.6       ]), <a list of 3 Patch objects>)
>>> plt.show()

個性化圖標(biāo)

顏色填充函數(shù) plt.fill_between()
設(shè)置x軸標(biāo)簽 plt.xlabel()
設(shè)置y軸標(biāo)簽 plt.ylabel()
設(shè)置圖標(biāo)標(biāo)題 plt.title()
設(shè)置y軸的刻度 plt.yticks([0,2,4,6,8,10])

>>> import matplotlib.pyplot as plt
>>> year = [1950,1970,1990,2010]
>>> pop = [1.0,3.9,6.8,9.9]
>>> plt.fill_between(year,pop,0,color='green')
<matplotlib.collections.PolyCollection object at 0x1132eb190>
>>> plt.xlabel('year')
<matplotlib.text.Text object at 0x11331d0d0>
>>> plt.ylabel('population')
<matplotlib.text.Text object at 0x1151b9690>
>>> plt.title('population projections')
<matplotlib.text.Text object at 0x11519b390>
>>> plt.yticks([0,2,4,6,8,10])
([<matplotlib.axis.YTick object at 0x10e85d990>, <matplotlib.axis.YTick object at 0x112f18850>, <matplotlib.axis.YTick object at 0x113365f50>, <matplotlib.axis.YTick object at 0x11336ae90>, <matplotlib.axis.YTick object at 0x1132d5510>, <matplotlib.axis.YTick object at 0x1134e5b90>], <a list of 6 Text yticklabel objects>)
>>> plt.show()