目录
1、Matplotlib
import matplotlib.pyplot as plt
import random
from pylab import *
mpl.rcParams['font.sans-serif'] = ['SimHei']
# 生成数据
x = range(60)
y = [uniform(15,18) for i in x]
# 创建画布 figsize 画布大小 dpi 像素密度
plt.figure(figsize=(20,8))
# 绘制图像
plt.plot(x,y)
# 添加描述信息
plt.xlabel('时间',fontsize=20)
plt.ylabel('温度',fontsize=20)
plt.title('折线图',fontsize=30)
# 添加坐标轴刻度
x_tick_lable = ['9点{}分'.format(i) for i in x]
plt.xticks(x[::5], x_tick_lable[::5])
y_range = range(40)
plt.yticks(y_range[::5])
# 添加网格线
plt.grid(linestyle='-',alpha=0.9)
# 保存图像(保存图像必须在显示图像之前)
plt.savefig('./text.png')
# 显示图像
plt.show()2、Numpy
Numpy的优势：
（1）内存直接存数值，取数快；
（2）支持并行化运算；
（3）用C语言编写底层代码，效率高。
ndarray：
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = np.array([1,2,3,4,5])
c = np.array([[[1,2,3],[2,3,4]],[[5,6,7],[8,9,10]]])
# 数组元组的维度
a.shape
# 数组维数
a.ndim
# 数组中的元素数量
a.itemsize
# 一个数组元素的长度（字节）
a.dtype
# 数组中的元素数量
a.size
# 生成全0数组
np.zeros((6,6,6))
# 生成全1数组
np.ones((6,6,6))
# 生成和d形状一样的全0，1数组
d = np.array([[1,2,3],[4,5,6]])
np.zeros_like(d)
np.ones_like(d)
# 复制的形式生成新数组
e = np.array(d)
# 引用的形式生成新数组
f = np.asarray(d)
# 从指定范围内等间隔取指定数量的元素
np.linspace(1,10,10)
# 从指定范围内从开始值按照指定步长取数，一直到结束值为止（不包括结束值）
np.arange(1,9,2)
# 生成等比数列，前三个参数为底数，最后一个参数为幂
np.logspace(1,10,10,base=3)
# 均匀抽样生成随机数组
np.random.rand(1,10)
np.random.uniform(1,10,(2,3))
np.random.randint(1,10,(2,3))
# 正态分布抽样生成随机数组
np.random.randn(2,3) # 标准正态分布抽样
np.random.normal(loc=1, scale=2, size=(2,3)) # loc 平均值，scale 方差
np.random.standard_normal((2,3)) # 标准正态分布抽样
# 随机生成一个8行5列的数据
stock_change = np.random.standard_normal((8,5))
# 修改第一行第一列的元素的数值
stock_change[0,0] = 6
# 切片，每个维度用冒号索引切片，有多少维度，就传多少个冒号索引 开始索引：结束索引：步长值
stock_change[:4:2,:]
# 生成新的数组，不修改原数组
temp = np.linspace(1,12,12)
res = temp.reshape((3,4))
#生成新的数组，修改原数组
temp.resize((3,4))
# 转置，行列互换
temp.T
# 修改dtype
res = temp.astype(np.int64)
# 把ndarray对象序列化
s = temp.tostring()
# 把序列化数据转为ndarray对象
np.frombuffer(s, dtype=np.float64).reshape((3,4))
# 去重，返回一维数组
temp = np.array([[1,2,3,4],[3,4,5,6]])
np.unique(temp)
