python常用函數(shù)包有哪些？

一些python常用函數(shù)包：

壽光ssl適用于網(wǎng)站、小程序/APP、API接口等需要進行數(shù)據(jù)傳輸應(yīng)用場景，ssl證書未來市場廣闊！成為成都創(chuàng)新互聯(lián)公司的ssl證書銷售渠道，可以享受市場價格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：13518219792（備注：SSL證書合作）期待與您的合作！

1、Urllib3

Urllib3是一個 Python 的 HTTP 客戶端，它擁有 Python 標準庫中缺少的許多功能：

線程安全

連接池

客戶端 SSL/TLS 驗證

使用分段編碼上傳文件

用來重試請求和處理 HTTP 重定向的助手

支持 gzip 和 deflate 編碼

HTTP 和 SOCKS 的代理支持

2、Six

six 是一個是 Python 2 和 3 的兼容性庫。這個項目旨在支持可同時運行在 Python 2 和 3 上的代碼庫。它提供了許多可簡化 Python 2 和 3 之間語法差異的函數(shù)。

3、botocore、boto3、s3transfer、awscli

Botocore是 AWS 的底層接口。Botocore是 Boto3 庫（#22）的基礎(chǔ)，后者讓你可以使用 Amazon S3 和 Amazon EC2 一類的服務(wù)。Botocore 還是 AWS-CLI 的基礎(chǔ)，后者為 AWS 提供統(tǒng)一的命令行界面。

S3transfer（#7）是用于管理 Amazon S3 傳輸?shù)?Python 庫。它正在積極開發(fā)中，其介紹頁面不推薦人們現(xiàn)在使用，或者至少等版本固定下來再用，因為其 API 可能發(fā)生變化，在次要版本之間都可能更改。Boto3、AWS-CLI和其他許多項目都依賴s3transfer。

4、Pip

pip是“Pip Installs Packages”的首字母遞歸縮寫。

pip很容易使用。要安裝一個包只需pip install package name即可，而刪除包只需pip uninstall package name即可。

最大優(yōu)點之一是它可以獲取包列表，通常以requirements.txt文件的形式獲取。該文件能選擇包含所需版本的詳細規(guī)范。大多數(shù) Python 項目都包含這樣的文件。

如果結(jié)合使用pip與virtualenv（列表中的 #57），就可以創(chuàng)建可預(yù)測的隔離環(huán)境，同時不會干擾底層系統(tǒng)，反之亦然。

5、Python-dateutil

python-dateutil模塊提供了對標準datetime模塊的強大擴展。我的經(jīng)驗是，常規(guī)的Python datetime缺少哪些功能，python-dateutil就能補足那一塊。

6、Requests

Requests建立在我們的 #1 庫——urllib3基礎(chǔ)上。它讓 Web 請求變得非常簡單。相比urllib3來說，很多人更喜歡這個包。而且使用它的最終用戶可能也比urllib3更多。后者更偏底層，并且考慮到它對內(nèi)部的控制級別，它一般是作為其他項目的依賴項。

7、Certifi

近年來，幾乎所有網(wǎng)站都轉(zhuǎn)向 SSL，你可以通過地址欄中的小鎖符號來識別它。加了小鎖意味著與該站點的通信是安全和加密的，能防止竊聽行為。

8、Idna

根據(jù)其 PyPI 頁面，idna提供了“對 RFC5891 中指定的應(yīng)用程序中國際化域名（IDNA）協(xié)議的支持。”

IDNA的核心是兩個函數(shù)：ToASCII和ToUnicode。ToASCII會將國際 Unicode 域轉(zhuǎn)換為 ASCII 字符串。ToUnicode則逆轉(zhuǎn)該過程。在IDNA包中，這些函數(shù)稱為idna.encode()和idna.decode()

9、PyYAML

YAML是一種數(shù)據(jù)序列化格式。它的設(shè)計宗旨是讓人類和計算機都能很容易地閱讀代碼——人類很容易讀寫它的內(nèi)容，計算機也可以解析它。

PyYAML是 Python 的YAML解析器和發(fā)射器，這意味著它可以讀寫YAML。它會把任何 Python 對象寫成YAML：列表、字典，甚至是類實例都包括在內(nèi)。

10、Pyasn1

像上面的IDNA一樣，這個項目也非常有用：

ASN.1 類型和 DER/BER/CER 編碼（X.208）的純 Python 實現(xiàn)

所幸這個已有數(shù)十年歷史的標準有很多信息可用。ASN.1是 Abstract Syntax Notation One 的縮寫，它就像是數(shù)據(jù)序列化的教父。它來自電信行業(yè)。也許你知道協(xié)議緩沖區(qū)或 Apache Thrift？這就是它們的 1984 年版本。

11、Docutils

Docutils是一個模塊化系統(tǒng)，用來將純文本文檔處理為很多有用的格式，例如 HTML、XML 和 LaTeX 等。Docutils能讀取reStructuredText格式的純文本文檔，這種格式是類似于 MarkDown 的易讀標記語法。

12、Chardet

你可以用chardet模塊來檢測文件或數(shù)據(jù)流的字符集。比如說，需要分析大量隨機文本時，這會很有用。但你也可以在處理遠程下載的數(shù)據(jù)，但不知道用的是什么字符集時使用它。

13、RSA

rsa包是一個純 Python 的 RSA 實現(xiàn)。它支持：

加密和解密

簽名和驗證簽名

根據(jù) PKCS#1 1.5 版生成密鑰

它既可以用作 Python 庫，也能在命令行中使用。

14、Jmespath

JMESPath，發(fā)音為“James path”，使 Python 中的 JSON 更容易使用。它允許你聲明性地指定如何從 JSON 文檔中提取元素。

15、Setuptools

它是用于創(chuàng)建 Python 包的工具。不過，其文檔很糟糕。它沒有清晰描述它的用途，并且文檔中包含無效鏈接。最好的信息源是這個站點，特別是這個創(chuàng)建 Python 包的指南。

16、Pytz

像dateutils一樣，這個庫可幫助你處理日期和時間。有時候，時區(qū)處理起來可能很麻煩。幸好有這樣的包，可以讓事情變得簡單些。

17、Futures

從 Python 3.2 開始，python 提供current.futures模塊，可幫助你實現(xiàn)異步執(zhí)行。futures 包是該庫適用于 Python 2 的 backport。它不適用于 Python3 用戶，因為 Python 3 原生提供了該模塊。

18、Colorama

使用 Colorama，你可以為終端添加一些顏色：

更多Python知識請關(guān)注Python自學網(wǎng)

python shap pypi變量分布

有幾種不同的分布方式。

01兩點分布0-1分布（兩點分布），它的隨機變量的取值為1或0即離散型隨機變量X的概率分布為：P{X=0}=1-p，P{X=1}=p，二項分布Binomialdistribution，泊松分布Poissondistribution正態(tài)分布，均勻分布Uniformdistribution，。

離散型隨機變量如果隨機變量X的所有取值都可以逐個列舉出來，則稱X為離散型隨機變量相應(yīng)的概率分布有二項分布，泊松分布連續(xù)型隨機變量如果隨機變量X的所有取值無法逐個列舉出來，而是取數(shù)軸上某一區(qū)間內(nèi)的任一點，則稱X為連續(xù)型隨機變量相應(yīng)的概率分布有正態(tài)分布，均勻分布，指數(shù)分布，伽馬分布，偏態(tài)分布，卡方分布，beta分布等(真多分布，好恐怖~~)期望值在離散型隨機變量X的一切可能值中，各可能值與其對應(yīng)概率的乘積之和稱為該隨機變量X的期望值，記作E(X)比如有隨機變量，取值依次為：2，2，2，4，5求其平均值：(2+2+2+4+5)/5=3。

什么是python的偏函數(shù)

偏函數(shù)是將所要承載的函數(shù)作為partial()函數(shù)的第一個參數(shù)，原函數(shù)的各個參數(shù)依次作為partial()函數(shù)后續(xù)的參數(shù)，除非使用關(guān)鍵字參數(shù)。

通過語言描述可能無法理解偏函數(shù)是怎么使用的，那么就舉一個常見的例子來說明。在這個例子里，我們實現(xiàn)了一個取余函數(shù)，對于整數(shù)100，取得對于不同數(shù)m的100%m的余數(shù)。

python:5種正態(tài)性檢驗方法

1.直方圖

由于正態(tài)分布具有非常典型的中間高，兩邊低的圖形特征，如果樣本數(shù)據(jù)并不服從正態(tài)分布，我們可以通過直方圖很快地分辨出來。更進一步地，Python可以輔助生成基于樣本數(shù)據(jù)估計的正態(tài)曲線，這樣就容易輔助我們進行判斷。

圖形觀察雖然直觀，但是部分研究者認為單純觀察圖形過于主觀，因此我們也可以選擇使用統(tǒng)計檢驗的方法去研究數(shù)據(jù)是否服從正態(tài)分布。

操作步驟：

導(dǎo)入相關(guān)的包及數(shù)據(jù)

2 P-P圖及Q-Q圖

直方圖是最長用于觀察數(shù)據(jù)分布的常用圖形選項，尤其是帶正態(tài)曲線的直方圖，可以非常直觀地看到實際數(shù)據(jù)分布和正態(tài)曲線的對比，而P-P圖及Q-Q圖則是另一種選擇，它可以直觀給出實際數(shù)據(jù)分布和理論的差距。

值得注意的是，雖然P-P圖及Q-Q圖常用用于判斷數(shù)據(jù)樣本是否服從正態(tài)分布，但實際上它們也能判斷數(shù)據(jù)樣本是否服從其他的分布

P-P圖:反映的是數(shù)據(jù)的實際累積概率與假定所服從分布的理論累積概率的符合程度。在此處，我們所假定的分布就是正態(tài)分布，如果數(shù)據(jù)樣本是服從正態(tài)分布的話，那么實際的累積概率與理論的累積概率應(yīng)該是相對一致的，放映在圖形中就是數(shù)據(jù)點應(yīng)該沿著圖形的對角線分布。

Q-Q圖的原理與P-P圖幾乎一致。P-P圖考察的是實際分布與理論分布的累積概率分布差異，而Q-Q圖考察的是實際百分位數(shù)與理論百分位數(shù)的差異。同理在此處，我們所假定的分布就是正態(tài)分布，如果數(shù)據(jù)樣本是服從正態(tài)分布的話，那么實際的分布應(yīng)該是相對一致的，反映在圖形中就是數(shù)據(jù)點應(yīng)該沿著圖形的對角線分布。

在Python中，statsmodels包中目前主要提供的是Q-Q圖的繪制

柯爾莫戈洛夫-斯米諾夫檢驗（Kolmogorov-Smirnov test），一般又稱K-S檢驗，是一種基于累計分布函數(shù)的非參數(shù)檢驗，用以檢驗兩個經(jīng)驗分布是否不同或一個經(jīng)驗分布與另一個理想分布是否不同。

K-S檢驗的原假設(shè)是“樣本數(shù)據(jù)來自的分布與正態(tài)分布無顯著差異”，因此一般來說，KS檢驗最終返回兩個結(jié)果，分別是檢驗統(tǒng)計量及P值,檢驗結(jié)果P0.05才是我們的目標。

實際上，GraphPad不推薦使用單純的Kolmogorov-Smirnov test方法

夏皮洛-威爾克檢驗（Shapiro—Wilk test），一般又稱W檢驗。W檢驗是一種類似于利用秩進行相關(guān)性檢驗的方法。同樣需要注意的是，W檢驗與K-S檢驗一樣，原假設(shè)是“樣本數(shù)據(jù)來自的分布與正態(tài)分布無顯著差異”，因此一般來說，W檢驗最終返回兩個結(jié)果，分別是檢驗統(tǒng)計量及P值。,檢驗結(jié)果P0.05才是我們的目標。

當數(shù)據(jù)集中的數(shù)據(jù)無重復(fù)值時，該方法的檢驗效果比較好，但是當數(shù)據(jù)集中有些數(shù)據(jù)不是獨一無二的，即有些數(shù)據(jù)的數(shù)值是相同的，那么該方法的檢驗效果就不是很好

GraphPad官方推薦使用該方法。

首先計算 偏度和峰度以便在不對稱和形狀方面量化分布離高斯分布的距離。然后，其計算這些值中的每一個與高斯分布的預(yù)期值之間的差異，并基于這些差異的總和，計算各P值。這是一種通用和強大的正態(tài)性檢驗，推薦使用。請注意，D'Agostino開發(fā)了幾種正態(tài)性檢驗。Prism使用的其中一個是“綜合K2”檢驗。

安德森-達令檢驗樣本數(shù)據(jù)是否來自特定分布，包括分布：'norm', 'expon', 'gumbel', 'extreme1' or 'logistic'.

原假設(shè) H0：樣本服從特定分布； 備擇假設(shè) H1：樣本不服從特定分布

實際上，從已有的文獻表明，對于數(shù)據(jù)分布的正態(tài)性研究，首選方法是圖形觀察，即利用直方圖、P-P圖或Q-Q圖進行觀察，如果分布嚴重偏態(tài)和尖峰分布則建議進行進一步的假設(shè)檢驗。如果圖形分布結(jié)果不好判斷，則再進行正態(tài)性檢驗。

實際上，從已有的文獻表明，對于數(shù)據(jù)分布的正態(tài)性研究，首選方法是圖形觀察，即利用直方圖、P-P圖或Q-Q圖進行觀察，如果分布嚴重偏態(tài)和尖峰分布則建議進行進一步的假設(shè)檢驗。如果圖形分布結(jié)果不好判斷，則再進行正態(tài)性檢驗。

其次，對于檢驗方法來說，對于K-S檢驗及W檢驗結(jié)果來說，有文獻采用蒙特卡羅模擬方法進行多次驗證，結(jié)果表明W檢驗結(jié)果相比于大部分方法都有較大的檢驗功效，而K-S方法的檢驗結(jié)果相對不佳。并且部分學者認為，K-S檢驗的實用性遠不如圖形工具，因為在樣本量少時，該檢驗不太敏感，但是在樣本量大時，該檢驗卻過于敏感。因此正常情況下，我們更常采用W檢驗的結(jié)果。

值得注意的是，雖然說K-S檢驗結(jié)果相對不佳，但是不同檢驗方法對于樣本量的敏感度是不一樣的。在樣本量較小的情況下（小于50個樣本的情況下），請優(yōu)先選擇W檢驗；在樣本量50-5000的情況下，可以酌情使用W檢驗及K—S檢驗；在樣本量大于5000的情況下，請使用K-S檢驗結(jié)果，尤其是在SPSS中，當樣本量大于5000的情況下，將只顯示K-S檢驗結(jié)果，而不顯示W(wǎng)檢驗結(jié)果。

統(tǒng)計學入門級：常見概率分布+python繪制分布圖

如果隨機變量X的所有取值都可以逐個列舉出來，則稱X為離散型隨機變量。相應(yīng)的概率分布有二項分布，泊松分布。

如果隨機變量X的所有取值無法逐個列舉出來，而是取數(shù)軸上某一區(qū)間內(nèi)的任一點，則稱X為連續(xù)型隨機變量。相應(yīng)的概率分布有正態(tài)分布，均勻分布，指數(shù)分布，伽馬分布，偏態(tài)分布，卡方分布，beta分布等。(真多分布，好恐怖~~)

在離散型隨機變量X的一切可能值中，各可能值與其對應(yīng)概率的乘積之和稱為該隨機變量X的期望值，記作E(X) 。比如有隨機變量，取值依次為：2，2，2，4，5。求其平均值：(2+2+2+4+5)/5 = 3。

期望值也就是該隨機變量總體的均值。 推導(dǎo)過程如下：

= (2+2+2+4+5)/5

= 1/5 2 3 + 4/5 + 5/5

= 3/5 2 + 1/5 4 + 1/5 5

= 0.6 2 + 0.2 4 + 0.2 5

= 60% 2 + 20% 4 + 20%*5

= 1.2 + 0.8 + 1

= 3

倒數(shù)第三步可以解釋為值為2的數(shù)字出現(xiàn)的概率為60%，4的概率為20%，5的概率為20%。 所以E(X) = 60% 2 + 20% 4 + 20%*5 = μ = 3。

0-1分布（兩點分布），它的隨機變量的取值為1或0。即離散型隨機變量X的概率分布為：P{X=0} = 1-p, P{X=1} = p，即：

則稱隨機變量X服從參數(shù)為p的0-1分布，記作X~B（1，p)。

在生活中有很多例子服從兩點分布，比如投資是否中標，新生嬰兒是男孩還是女孩，檢查產(chǎn)品是否合格等等。

大家非常熟悉的拋硬幣試驗對應(yīng)的分布就是二項分布。拋硬幣試驗要么出現(xiàn)正面，要么就是反面，只包含這兩個結(jié)果。出現(xiàn)正面的次數(shù)是一個隨機變量，這種隨機變量所服從的概率分布通常稱為 二項分布 。

像拋硬幣這類試驗所具有的共同性質(zhì)總結(jié)如下：（以拋硬幣為例）

通常稱具有上述特征的n次重復(fù)獨立試驗為n重伯努利試驗。簡稱伯努利試驗或伯努利試驗概型。特別地，當試驗次數(shù)為1時，二項分布服從0-1分布(兩點分布)。

舉個栗子：拋3次均勻的硬幣，求結(jié)果出現(xiàn)有2個正面的概率 。

已知p = 0.5 (出現(xiàn)正面的概率) ，n = 3 ，k = 2

所以拋3次均勻的硬幣，求結(jié)果出現(xiàn)有2個正面的概率為3/8。

二項分布的期望值和方差 分別為：

泊松分布是用來描述在一 指定時間范圍內(nèi)或在指定的面積或體積之內(nèi)某一事件出現(xiàn)的次數(shù)的分布 。生活中服從泊松分布的例子比如有每天房產(chǎn)中介接待的客戶數(shù)，某微博每月出現(xiàn)服務(wù)器癱瘓的次數(shù)等等。 泊松分布的公式為 ：

其中 λ 為給定的時間間隔內(nèi)事件的平均數(shù)，λ = np。e為一個數(shù)學常數(shù)，一個無限不循環(huán)小數(shù)，其值約為2.71828。

泊松分布的期望值和方差 分別為：

使用Python繪制泊松分布的概率分布圖：

因為連續(xù)型隨機變量可以取某一區(qū)間或整個實數(shù)軸上的任意一個值，所以通常用一個函數(shù)f(x)來表示連續(xù)型隨機變量，而f(x)就稱為 概率密度函數(shù) 。

概率密度函數(shù)f(x)具有如下性質(zhì) ：

需要注意的是，f(x)不是一個概率，即f(x) ≠ P(X = x) 。在連續(xù)分布的情況下，隨機變量X在a與b之間的概率可以寫成：

正態(tài)分布（或高斯分布）是連續(xù)型隨機變量的最重要也是最常見的分布，比如學生的考試成績就呈現(xiàn)出正態(tài)分布的特征，大部分成績集中在某個范圍（比如60-80分），很小一部分往兩端傾斜（比如50分以下和90多分以上）。還有人的身高等等。

正態(tài)分布的定義 ：

如果隨機變量X的概率密度為( -∞x+∞)：

則稱X服從正態(tài)分布，記作X~N(μ,σ2)。其中-∞μ+∞，σ0， μ為隨機變量X的均值，σ為隨機變量X的標準差。 正態(tài)分布的分布函數(shù)

正態(tài)分布的圖形特點 ：

使用Python繪制正態(tài)分布的概率分布圖：

正態(tài)分布有一個3σ準則，即數(shù)值分布在(μ-σ,μ+σ)中的概率為0.6827，分布在（μ-2σ,μ+2σ)中的概率為0.9545，分布在(μ-3σ,μ+3σ)中的概率為0.9973，也就是說大部分數(shù)值是分布在(μ-3σ,μ+3σ)區(qū)間內(nèi)，超出這個范圍的可能性很小很小，僅占不到0.3%，屬于極個別的小概率事件，所以3σ準則可以用來檢測異常值。

當μ=0，σ=1時，有

此時的正態(tài)分布N(0,1) 稱為標準正態(tài)分布。因為μ，σ都是確定的取值，所以其對應(yīng)的概率密度曲線是一條 形態(tài)固定 的曲線。

對標準正態(tài)分布，通常用φ(x)表示概率密度函數(shù)，用Φ(x)表示分布函數(shù)：

假設(shè)有一次物理考試特別難，滿分100分，全班只有大概20個人及格。與此同時語文考試很簡單，全班絕大部分都考了90分以上。小明的物理和語文分別考了60分和80分，他回家后告訴家長，這時家長能僅僅從兩科科目的分值直接判斷出這次小明的語文成績要比物理好很多嗎？如果不能，應(yīng)該如何判斷呢？此時Z-score就派上用場了。 Z-Score的計算定義 ：

即 將隨機變量X先減去總體樣本均值，再除以總體樣本標準差就得到標準分數(shù)啦。如果X低于平均值，則Z為負數(shù)，反之為正數(shù) 。通過計算標準分數(shù)，可以將任何一個一般的正態(tài)分布轉(zhuǎn)化為標準正態(tài)分布。

小明家長從老師那得知物理的全班平均成績?yōu)?0分，標準差為10，而語文的平均成績?yōu)?2分，標準差為4。分別計算兩科成績的標準分數(shù)：

物理：標準分數(shù) = (60-40)/10 = 2

語文：標準分數(shù) = (85-95)/4 = -2.5

從計算結(jié)果來看，說明這次考試小明的物理成績在全部同學中算是考得很不錯的，而語文考得很差。

指數(shù)分布可能容易和前面的泊松分布混淆，泊松分布強調(diào)的是某段時間內(nèi)隨機事件發(fā)生的次數(shù)的概率分布，而指數(shù)分布說的是 隨機事件發(fā)生的時間間隔 的概率分布。比如一班地鐵進站的間隔時間。如果隨機變量X的概率密度為：

則稱X服從指數(shù)分布，其中的參數(shù)λ0。 對應(yīng)的分布函數(shù) 為：

均勻分布的期望值和方差 分別為：

使用Python繪制指數(shù)分布的概率分布圖：

均勻分布有兩種，分為 離散型均勻分布和連續(xù)型均勻分布 。其中離散型均勻分布最常見的例子就是拋擲骰子啦。拋擲骰子出現(xiàn)的點數(shù)就是一個離散型隨機變量，點數(shù)可能有1，2，3，4，5，6。每個數(shù)出現(xiàn)的概率都是1/6。

設(shè)連續(xù)型隨機變量X具有概率密度函數(shù)：

則稱X服從區(qū)間(a,b)上的均勻分布。X在等長度的子區(qū)間內(nèi)取值的概率相同。對應(yīng)的分布函數(shù)為：

f(x)和F(x)的圖形分別如下圖所示：

均勻分布的期望值和方差 分別為：

Python基礎(chǔ) numpy中的常見函數(shù)有哪些

有些Python小白對numpy中的常見函數(shù)不太了解，今天小編就整理出來分享給大家。

Numpy是Python的一個科學計算的庫，提供了矩陣運算的功能，其一般與Scipy、matplotlib一起使用。其實，list已經(jīng)提供了類似于矩陣的表示形式，不過numpy為我們提供了更多的函數(shù)。

數(shù)組常用函數(shù)

1.where()按條件返回數(shù)組的索引值

2.take(a,index)從數(shù)組a中按照索引index取值

3.linspace(a,b,N)返回一個在(a,b)范圍內(nèi)均勻分布的數(shù)組，元素個數(shù)為N個

4.a.fill()將數(shù)組的所有元素以指定的值填充

5.diff(a)返回數(shù)組a相鄰元素的差值構(gòu)成的數(shù)組

6.sign(a)返回數(shù)組a的每個元素的正負符號

7.piecewise(a,[condlist],[funclist])數(shù)組a根據(jù)布爾型條件condlist返回對應(yīng)元素結(jié)果

8.a.argmax(),a.argmin()返回a最大、最小元素的索引

改變數(shù)組維度

a.ravel(),a.flatten():將數(shù)組a展平成一維數(shù)組

a.shape=(m,n),a.reshape(m,n):將數(shù)組a轉(zhuǎn)換成m*n維數(shù)組

a.transpose,a.T轉(zhuǎn)置數(shù)組a

數(shù)組組合

1.hstack((a,b)),concatenate((a,b),axis=1)將數(shù)組a,b沿水平方向組合

2.vstack((a,b)),concatenate((a,b),axis=0)將數(shù)組a,b沿豎直方向組合

3.row_stack((a,b))將數(shù)組a,b按行方向組合

4.column_stack((a,b))將數(shù)組a,b按列方向組合

數(shù)組分割

1.split(a,n,axis=0),vsplit(a,n)將數(shù)組a沿垂直方向分割成n個數(shù)組

2.split(a,n,axis=1),hsplit(a,n)將數(shù)組a沿水平方向分割成n個數(shù)組

數(shù)組修剪和壓縮

1.a.clip(m,n)設(shè)置數(shù)組a的范圍為(m,n),數(shù)組中大于n的元素設(shè)定為n,小于m的元素設(shè)定為m

2.a.compress()返回根據(jù)給定條件篩選后的數(shù)組

數(shù)組屬性

1.a.dtype數(shù)組a的數(shù)據(jù)類型

2.a.shape數(shù)組a的維度

3.a.ndim數(shù)組a的維數(shù)

4.a.size數(shù)組a所含元素的總個數(shù)

5.a.itemsize數(shù)組a的元素在內(nèi)存中所占的字節(jié)數(shù)

6.a.nbytes整個數(shù)組a所占的內(nèi)存空間7.a.astype(int)轉(zhuǎn)換a數(shù)組的類型為int型

數(shù)組計算

1.average(a,weights=v)對數(shù)組a以權(quán)重v進行加權(quán)平均

2.mean(a),max(a),min(a),middle(a),var(a),std(a)數(shù)組a的均值、最大值、最小值、中位數(shù)、方差、標準差

3.a.prod()數(shù)組a的所有元素的乘積

4.a.cumprod()數(shù)組a的元素的累積乘積

5.cov(a,b),corrcoef(a,b)數(shù)組a和b的協(xié)方差、相關(guān)系數(shù)

6.a.diagonal()查看矩陣a對角線上的元素7.a.trace()計算矩陣a的跡，即對角線元素之和

以上就是numpy中的常見函數(shù)。更多Python學習推薦:PyThon學習網(wǎng)教學中心。

當前名稱：python偏態(tài)分布函數(shù),偏態(tài)分布特征
網(wǎng)站路徑：http://chinadenli.net/article21/dseesjd.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供云服務(wù)器、Google、建站公司、外貿(mào)建站、電子商務(wù)、ChatGPT

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)