>>>import numpy as np

>>>import numpy as np   #把列表转化为数组
>>> np.array([0,1,2,3,4])
array([0, 1, 2, 3, 4])

>>>np.array((0,1,2,3,4))   # 元组转化为数组array([0, 1, 2, 3, 4])

>>>np.array(range(5))     # 把range对象转换成数组
  array([0, 1, 2, 3, 4])

>>>np.array([[1,2,3,4,],[5,6,7,8]])  #二维数组
  array([[1, 2, 3, 4],
        [5, 6, 7, 8]])

>>>np.arange(8)   # 类似于内置函数range()

array([0,1,2,3,4,5,6,7])

>>>np.arange(1,10,1)   #以步长为二的数组
  array([1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> np.linspace(0, 10, 11)         # 等差数组，包含11个数
array([  0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.])>>> np.linspace(0, 10, 11, endpoint=False) # 不包含终点
array([ 0.        ,  0.90909091,  1.81818182,  2.72727273,  3.63636364,4.54545455,  5.45454545,  6.36363636,  7.27272727,  8.18181818,9.09090909])>>> np.logspace(0, 100, 10)        # 对数数组
array([ 1.00000000e+000,   1.29154967e+011,   1.66810054e+022,2.15443469e+033,   2.78255940e+044,   3.59381366e+055,4.64158883e+066,   5.99484250e+077,   7.74263683e+088,1.00000000e+100])>>> np.logspace(1,6,5, base=2)     # 对数数组，相当于2 ** np.linspace(1,6,5)
array([  2.        ,   4.75682846,  11.3137085 ,  26.90868529,  64.        ])>>> np.zeros(3)                    # 全0一维数组
array([ 0.,  0.,  0.])>>> np.ones(3)                     # 全1一维数组
array([ 1.,  1.,  1.])

>>> np.zeros((3,3))              # 全0二维数组，3行3列
[[ 0.  0.  0.][ 0.  0.  0.][ 0.  0.  0.]]>>> np.zeros((3,1))              # 全0二维数组，3行1列
array([[ 0.],[ 0.],[ 0.]])>>> np.zeros((1,3))              # 全0二维数组，1行3列
array([[ 0.,  0.,  0.]])>>> np.ones((1,3))               # 全1二维数组
array([[ 1.,  1.,  1.]])>>> np.ones((3,3))               # 全1二维数组
array([[ 1.,  1.,  1.],[ 1.,  1.,  1.],[ 1.,  1.,  1.]])>>> np.identity(3)      # 单位矩阵
array([[ 1.,  0.,  0.],[ 0.,  1.,  0.],[ 0.,  0.,  1.]])>>> np.identity(2)
array([[ 1.,  0.],[ 0.,  1.]])>>> np.empty((3,3))     # 空数组，只申请空间而不初始化，元素值是不确定的
array([[ 0.,  0.,  0.],[ 0.,  0.,  0.],[ 0.,  0.,  0.]])

>>> x = np.array((1, 2, 3, 4, 5))    # 创建数组对象
>>> x
array([1, 2, 3, 4, 5])>>> x * 2                            # 数组与数值相乘，返回新数组
array([ 2, 4, 6, 8, 10])>>> x / 2                            # 数组与数值相除
array([ 0.5, 1. , 1.5, 2. , 2.5])>>> x // 2                           # 数组与数值整除
array([0, 1, 1, 2, 2], dtype=int32)>>> x ** 3                           # 幂运算
array([1, 8, 27, 64, 125], dtype=int32)>>> x + 2                            # 数组与数值相加
array([3, 4, 5, 6, 7])>>> x % 3                            # 余数
array([1, 2, 0, 1, 2], dtype=int32)

>>> 2 ** x array([2, 4, 8, 16, 32], dtype=int32)

>>> 2 / x array([2. ,1. ,0.66666667, 0.5, 0.4])

>>> 63 // x array([63, 31, 21, 15, 12], dtype=int32)

>>> a = np.array((1, 2, 3))
>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
>>> c = a * b                   # 数组与数组相乘
>>> c                           # a中的每个元素乘以b中的对应列元素
array([[ 1, 4, 9],[ 4, 10, 18],[ 7, 16, 27]])>>> c / b                       # 数组之间的除法运算
array([[ 1.,  2.,  3.],[ 1.,  2.,  3.],[ 1.,  2.,  3.]])>>> c / a
array([[ 1.,  2.,  3.],[ 4.,  5.,  6.],[ 7.,  8.,  9.]])>>> a + a                         # 数组之间的加法运算
array([2, 4, 6])>>> a * a                         # 数组之间的乘法运算
array([1, 4, 9])>>> a - a                         # 数组之间的减法运算
array([0, 0, 0])>>> a / a                         # 数组之间的除法运算
array([ 1.,  1.,  1.])

>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
>>> b
array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])>>> b.T                           # 转置
array([[1, 4, 7],[2, 5, 8],[3, 6, 9]])>>> a = np.array((1, 2, 3, 4))
>>> a
array([1, 2, 3, 4])>>> a.T                           # 一维数组转置以后和原来是一样的
array([1, 2, 3, 4])

>>> a = np.array((5, 6, 7))
>>> b = np.array((6, 6, 6))
>>> a.dot(b)                                # 向量内积
108>>> np.dot(a,b)
108>>> c = np.array(([1,2,3],[4,5,6],[7,8,9])) # 二维数组
>>> c.dot(a)                                # 二维数组的每行与一维向量计算内积
array([ 38, 92, 146])>>> a.dot(c)                # 一维向量与二维向量的每列计算内积
array([78, 96, 114])

>>> b = np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> b
array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])>>> b[0]              # 第0行
array([1, 2, 3])>>> b[0][0]           # 第0行第0列的元素值
1>>> b[0,2]            # 第0行第2列的元素值
3>>> b[[0,1]]          # 第0行和第1行
array([[1, 2, 3],[4, 5, 6]])>>> b[[0,1], [1,2]]   #第0行第1列的元素和第1行第2列的元素
array([2, 6])

>>> a_list = [3, 5, 7]
>>> a_mat = np.matrix(a_list)            # 创建矩阵
>>> a_mat
matrix([[3, 5, 7]])>>> a_mat.T                              # 矩阵转置
matrix([[3],[5],[7]])>>> a_mat.shape                          # 矩阵形状
(1, 3)>>> a_mat.size                           # 元素个数
3>>> a_mat.mean()                         # 元素平均值
5.0>>> a_mat.sum()                          # 所有元素之和
15>>> a_mat.max()                          # 最大值
7>>> a_mat.max(axis=1)                    # 横向最大值
matrix([[7]])>>> a_mat.max(axis=0)                    # 纵向最大值
matrix([[3, 5, 7]])###------------------------------------------------------------###
>>> b_mat = np.matrix((1, 2, 3))         # 创建矩阵
>>> b_mat
matrix([[1, 2, 3]])>>> a_mat * b_mat.T                      # 矩阵相乘
matrix([[34]])###------------------------------------------------------------###
>>> c_mat = np.matrix([[1, 5, 3], [2, 9, 6]]) # 创建二维矩阵
>>> c_mat
matrix([[1, 5, 3],[2, 9, 6]])>>> c_mat.argsort(axis=0)                     # 纵向排序后的元素序号
matrix([[0, 0, 0],[1, 1, 1]], dtype=int64)>>> c_mat.argsort(axis=1)                     # 横向排序后的元素序号
matrix([[0, 2, 1],[0, 2, 1]], dtype=int64)>>> d_mat = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> d_mat.diagonal()                          # 矩阵对角线元素
matrix([[1, 5, 9]])

>>> x = np.matrix(np.arange(0,10).reshape(2,5))  # 二维矩阵
>>> x
matrix([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])>>> x.sum()                                      # 所有元素之和
45>>> x.sum(axis=0)                                # 纵向求和
matrix([[ 5,  7,  9, 11, 13]])>>> x.sum(axis=1)                                # 横向求和
matrix([[10],[35]])>>> x.mean()                                     # 平均值
4.5>>> x.mean(axis=1)
matrix([[ 2.],[ 7.]])>>> x.mean(axis=0)
matrix([[ 2.5,  3.5,  4.5,  5.5,  6.5]])>>> x.max()                                # 所有元素最大值
9>>> x.max(axis=0)                          # 纵向最大值
matrix([[5, 6, 7, 8, 9]])>>> x.max(axis=1)                          # 横向最大值
matrix([[4],[9]])>>> weight = [0.3, 0.7]                    # 权重
>>> np.average(x, axis=0, weights=weight)
matrix([[ 3.5,  4.5,  5.5,  6.5,  7.5]])###——————————————-----------------------###
>>> x = np.matrix(np.random.randint(0, 10, size=(3,3)))   #建立矩阵
>>> x
matrix([[3, 7, 4],[5, 1, 8],[2, 7, 0]])>>> x.std()                         # 标准差
2.6851213274654606>>> x.std(axis=1)                   # 横向标准差
matrix([[ 1.69967317],[ 2.86744176],[ 2.94392029]])>>> x.std(axis=0)                   # 纵向标准差
matrix([[ 1.24721913,  2.82842712,  3.26598632]])>>> x.var(axis=0)                   # 纵向方差
matrix([[  1.55555556,   8.        ,  10.66666667]])

>>> from scipy import special as S
>>> S.cbrt(8)                # 立方根
2.0>>> S.exp10(3)               # 10**3
1000.0>>> S.sindg(90)              # 正弦函数，参数为角度
1.0>>> S.round(3.1)             # 四舍五入函数
3.0>>> S.round(3.5)
4.0>>> S.round(3.499)
3.0>>> S.comb(5,3)               # 从5个中任选3个的组合数
10.0>>> S.perm(5,3)               # 排列数
60.0>>> S.gamma(4)                # gamma函数
6.0>>> S.beta(10, 200)           # beta函数
2.839607777781333e-18>>> S.sinc(0)                 # sinc函数
1.0>>> S.sinc(1)
3.8981718325193755e-17

>>>import  matplotlib.pyplot as plt

>>>import matplotlib
>>>matplotlib.rcParams['font.family']='SimHei'
>>>matplotlib.rcParams['font.sans-serif']=['SimHei']

>>>plt.figure(figsize=(8,4))

>>>plt.figure(figsize=(8,4))
>>>plt.show()

>>>plt.subplot(324)
>>>plt.show()

>>>plt.axes([0.1,  0.1, 0.7,  0.3 ],axisbg='y')
>>>plt.show()

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0,6,100)
y=np.cos(2*np.pi*x)*np.exp(-x)+0.8
plt.plot(x,y,'k',color='r',linewidth=3,linestyle='-')
plt.show()

>>>import matplotlib.pyplot as plt
>>>plt.plot([1,2,4],[1,2,3])
>>>plt.axis()   #获取当前坐标轴范围
(0.85, 4.15, 0.9, 3.1)
>>>plt.axis([0,5,0,8])  #4个变量分别是[xmin,xmax,ymin,ymax]
[0, 5, 0, 8]
plt.show()

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('yyp')     #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()

import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,1000)
y=np.cos(2*np.pi*x)*np.exp(-x)+0.8
plt.plot(x,y,'k',color='r',label="$exp-decay$",linewidth=3)
plt.axis([0,6,0,1.8])
ix=(x>0.8)&(x<3)
plt.fill_between(x,y,0,where=ix, \facecolor='grey',alpha=0.25)
plt.text(0.5*(0.8+3),0.2,r"$\int_a^b f(x)\mathrm{d}x$",\horizontalalignment='center')
plt.legend()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family']='simHei'
matplotlib.rcParams['font.sans-serif']=['simHei']   #显示中文
labels=np.array(['综合','KDA','发育','推进','生存','输出'])
nAttr=6
date=np.array([7,5,6,9,8,7])     #数据值
angles=np.linspace(0,2*np.pi,nAttr,endpoint=False)     #画出极坐标（角度）
date=np.concatenate((date,[date[0]]))
angles=np.concatenate((angles,[angles[0]]))
fig=plt.figure(facecolor="white")     #创建一个全局绘图区域，背景色为白色
plt.subplot(111,polar=True)     #创建子绘图区域，1*1网格，在第1个位置绘图（极坐标），
plt.plot(angles,date,'bo-',color='g',linewidth=2)
plt.fill(angles,date,facecolor='g',alpha=0.25)    #填充颜色
plt.thetagrids(angles*180/np.pi,labels)   #设置极坐标网络 theta 的位置
plt.figtext(0.52,0.95,'DOTA能力值雷达图',ha='center')    #标签
plt.grid(True)   # 显示背景的网格线
plt.savefig('dota_radar.JPG')  #保存图片
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family']='simHei'
matplotlib.rcParams['font.sans-serif']=['simHei']
labels=np.array(['第二周','第三周','第四周','第五周','第六周'])
nAttr=5
date=np.array([100,97.5,85,55,70])#数据值
angles=np.linspace(0,2*np.pi,nAttr,endpoint=False)
date=np.concatenate((date,[date[0]]))
angles=np.concatenate((angles,[angles[0]]))
fig=plt.figure(facecolor="white")
plt.subplot(111,polar=True)
plt.plot(angles,date,'bo-',color='g',linewidth=2)
plt.fill(angles,date,facecolor='g',alpha=0.25)
plt.thetagrids(angles*180/np.pi,labels)
plt.figtext(0.52,0.95,'17杨宇平',ha='center')
plt.grid(True)
plt.savefig('grade.JPG')
plt.show()

from PIL import Image
import numpy as npa = np.asarray(Image.open("D:/Python练习/小宠物.jpg").convert('L')).astype('float')depth = 10.                      # (0-100)
grad = np.gradient(a)             #取图像灰度的梯度值
grad_x, grad_y =grad               #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./Avec_el = np.pi/2.2                   # 光源的俯视角度，弧度值
vec_az = np.pi/4.                    # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az)   #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az)   #光源对y 轴的影响
dz = np.sin(vec_el)              #光源对z 轴的影响

b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)     #光源归一化
b = b.clip(0,255)im = Image.fromarray(b.astype('uint8'))  #重构图像
im.show()

# Python实现正态分布
# 绘制正态分布概率密度函数
import math
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
u = 0     # 均值μ
u01 = -2
sig = math.sqrt(0.2)     # 标准差δ
sig01 = math.sqrt(1)
sig02 = math.sqrt(5)
sig_u01 = math.sqrt(0.5)
x = np.linspace(u - 3*sig, u + 3*sig, 50)
x_01 = np.linspace(u - 6 * sig, u + 6 * sig, 50)
x_02 = np.linspace(u - 10 * sig, u + 10 * sig, 50)
x_u01 = np.linspace(u - 10 * sig, u + 1 * sig, 50)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)
y_sig01 = np.exp(-(x_01 - u) ** 2 /(2* sig01 **2))/(math.sqrt(2*math.pi)*sig01)
y_sig02 = np.exp(-(x_02 - u) ** 2 / (2 * sig02 ** 2)) / (math.sqrt(2 * math.pi) * sig02)
y_sig_u01 = np.exp(-(x_u01 - u01) ** 2 / (2 * sig_u01 ** 2)) / (math.sqrt(2 * math.pi) * sig_u01)
plt.plot(x, y_sig, "r-", linewidth=2)
plt.plot(x_01, y_sig01, "g-", linewidth=2)
plt.plot(x_02, y_sig02, "b-", linewidth=2)
plt.plot(x_u01, y_sig_u01, "m-", linewidth=2)
# plt.plot(x, y, 'r-', x, y, 'go', linewidth=2,markersize=8)
plt.grid(True)
plt.show()