1.jupyter notebook的使用

• 优势：交互、支持Markdown语法
• 快捷键：运行-shif+enter

import numpy as np      #查版本

np.__version__

'1.15.1'

from matplotlib import pyplot as plt

x = np.linspace(0,2*np.pi,100)
y = np.sin(x)
plt.plot(x,y)
plt.show()

正弦曲线

• 1.1 绘制饼图
• 生成一个名字列表，9个人 A、B、C、D、E
• 随机生成这九个人的擅长使用王者荣耀英雄池的个数（120）
• 绘制擅长英雄占比图

import string
from random import randint
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = string.ascii_uppercase
x

'ABCDEFGHIJKLMNOPQRSTUVWXYZ'

labels = [i for i in x[:9]]
labels

['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I']

x = [randint(0,120) for i in range(9)]
x

[39, 117, 69, 12, 10, 51, 120, 19, 31]

colors=['red','green','yellow','pink','orange','blue']
plt.pie(x=x,
        labels=labels,
        )
plt.axis('equal')    #设置成标准圆形
plt.legend(loc=2)    #指定象线
plt.title('擅长英雄占比图')
plt.show()

擅长英雄占比图

2.jupyteernotebook魔法命令

#%timeit   用于测量代码的运行时间

%timeit L= [i **2 for i in range(1000)]

527 µs ± 15.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit L= [i **2 for i in range(100000)]#loop 循环次数由jpyter内核自己决定

55.2 ms ± 469 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

• 2.2接多行的写法%%timeit

%%timeit
L = []
for i in range(100000):
    L.append(i**2)

62 ms ± 675 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

#从上面的测试可以看出，列表推导式速度高于普通for循环

• 2.3 NumPy

#导入
import numpy as np

#创建一个ndarray：类型
nparr = np.array([0,1,2,3])
nparr

array([0, 1, 2, 3])

type(nparr)

numpy.ndarray

• 2.4 python 中list

L = [i for i in range(10)]
L

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

#list的特点是对存储数据的类型不做约束，优点是灵活，缺点是性能不足

%timeit L2 = [i*i for i in range(1000000)]

179 ms ± 6.13 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit L3 = np.arange(1000000)

3.21 ms ± 103 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

3. 创建ndarray

#1传入列表
np.array([1,2,6,4])

array([1, 2, 6, 4])

#2.传入列表推导式
np.array([i for i in range(10)])

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#3. 使用arange()   类似于range
x = np.arange(4,10,3)
x

array([4, 7])

#创建矩阵
X = np.arange(0,16).reshape((4,4))
X

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

#ndarray是数据的维度
x.ndim

1

X.ndim

2

x.shape

(2,)

X.shape

(4, 4)

#元素个数
x.size

2

X.size

16