526互联

numpy、scipy、pandas、matplotlib的读书报告

发布时间 2023-12-29 00:21:54作者: Antea

读书报告

在本次的学习中，我深入研究了NumPy、SciPy、Pandas和Matplotlib这几个Python库。这些库在数据处理、科学计算和可视化方面发挥着重要作用。

首先，我学习了这些库的基本函数用法。NumPy提供了强大的数组处理功能，如创建数组、进行数组运算以及利用数组进行数据分析。SciPy库则在科学计算领域发挥着重要作用，比如积分、求解微分方程等。使用Pandas库让能够更轻松地处理和分析数据，如读取数据、进行数据清洗和数据筛选等操作。最后，Matplotlib库提供了丰富的绘图功能，如制作折线图、散点图、直方图等，使得数据可视化变得更加直观和生动。

在学习过程中，我也尝试用这些库来解决一些具体的问题。例如，在书本上的一些题目中，我通过使用Python和这些库成功地求解了一些具体问题。这使我对这些库的理解更加深入，并且加强了我的实际应用能力。

Numpy：

  1. 创建数组：NumPy提供了np.array()函数来创建多维数组，也可以使用np.zeros()、np.ones()、np.arange()等函数来创建特定类型的数组。

  2. 数组操作：对数组进行索引、切片和迭代，改变数组形状，合并和分割数组等。

  3. 数学运算：NumPy包含了丰富的数学函数，如三角函数、指数函数、对数函数、四则运算、矩阵乘法等。

  4. 统计函数：计算数组的均值、方差、标准差，最大值、最小值等统计量。

  5. 线性代数：进行矩阵和向量的运算，求解线性方程组，计算行列式、特征值和特征向量等线性代数运算。

  6. 随机数生成：生成各种分布的随机数，如均匀分布、正态分布等。

  7. 广播功能：NumPy的广播功能能够对不同形状的数组进行运算，使得数组之间的运算更加灵活和便捷。

  8. 文件输入输出：NumPy可以读取和写入数组数据到磁盘，并支持多种格式，如文本文件、二进制文件等。

from PIL import Image
import numpy as np
vec_el = np.pi/2.2
vec_az = np.pi/4.
depth = 10.
im = Image.open('天安门.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a)
grad_x, grad_y = grad
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
dx = np.cos(vec_el)*np.cos(vec_az)
dy = np.cos(vec_el)*np.sin(vec_az)
dz = np.sin(vec_el)
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z)
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8'))
im2.save('fcityHandDraw.jpg')

 

 

 

Matplotlib：

它提供了丰富的绘图功能，可以用于生成各种类型的图表，包括折线图、散点图、柱状图、饼图、直方图等。

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family']='SimHei'
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
plt.plot([1,2,4], [1,2,3])
plt.title("坐标系标题")
plt.xlabel('时间(s)')
plt.ylabel('范围(m)')
plt.xticks([1,2,3,4,5],[r'$\pi/3$', r'$2\pi/3$', r'$\pi$', r'$4\pi/3$', r'$5\pi/3$'])
plt.show()

 

 

 

 

SciPy:

SciPy 是一个开源的 Python 科学计算库，建立在 NumPy 之上，提供了许多科学和工程计算中常用的功能。它包含了许多模块，用于解决各种问题，包括数值积分、优化、信号处理、线性代数、统计等。

from scipy import stats
import numpy as np

# 创建一个示例数据集
data = np.array([3, 5, 7, 2, 8, 10, 15])

# 计算均值
mean = np.mean(data)
print("Mean:", mean)

# 计算方差
variance = np.var(data)
print("Variance:", variance)

 

 

 

Pandas:

Pandas 是一个强大的数据分析工具，提供了数据结构和数据分析工具，特别适用于处理结构化数据。以下是 Pandas 中一些常见功能和用法：

  1. 创建数据：可以使用 Pandas 创建 Series 和 DataFrame 数据结构，用于存储一维或二维的数据。

  2. 读取和写入数据：Pandas 支持从各种数据源读取数据，如 CSV 文件、Excel 文件、数据库，也可以将数据写入到这些数据源中。
  3. 数据索引和选择：可以使用标签或位置进行数据的选择和索引。
  4. 数据清洗和处理：可以对数据进行缺失值处理、重复值处理、数据转换等操作。
  5. 数据分组和聚合：可以对数据进行分组并进行聚合操作，如求和、平均值、计数等。
  6. 数据可视化：Pandas 结合 Matplotlib 可以进行数据的可视化操作。
  7. 时间序列分析：Pandas 提供了丰富的时间序列分析功能，包括日期范围生成、频率转换、移动窗口统计等。

 

 

import pandas as pd
import numpy as np
data = np.array(['a','b','c','d'])
s = pd.Series(data)
print (s)