Python的函數(shù)都有哪些

【常見的內(nèi)置函數(shù)】

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對(duì)這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡(jiǎn)單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長(zhǎng)期合作伙伴，公司提供的服務(wù)項(xiàng)目有：主機(jī)域名、虛擬主機(jī)、營(yíng)銷軟件、網(wǎng)站建設(shè)、德保網(wǎng)站維護(hù)、網(wǎng)站推廣。

1、enumerate(iterable,start=0)

是python的內(nèi)置函數(shù)，是枚舉、列舉的意思，對(duì)于一個(gè)可迭代的(iterable)/可遍歷的對(duì)象(如列表、字符串)，enumerate將其組成一個(gè)索引序列，利用它可以同時(shí)獲得索引和值。

2、zip(*iterables,strict=False)

用于將可迭代的對(duì)象作為參數(shù)，將對(duì)象中對(duì)應(yīng)的元素打包成一個(gè)個(gè)元組，然后返回由這些元組組成的列表。如果各個(gè)迭代器的元素個(gè)數(shù)不一致，則返回列表長(zhǎng)度與最短的對(duì)象相同，利用*號(hào)操作符，可以將元組解壓為列表。

3、filter(function,iterable)

filter是將一個(gè)序列進(jìn)行過濾，返回迭代器的對(duì)象，去除不滿足條件的序列。

4、isinstance(object,classinfo)

是用來判斷某一個(gè)變量或者是對(duì)象是不是屬于某種類型的一個(gè)函數(shù)，如果參數(shù)object是classinfo的實(shí)例，或者object是classinfo類的子類的一個(gè)實(shí)例，

返回True。如果object不是一個(gè)給定類型的的對(duì)象， 則返回結(jié)果總是False

5、eval(expression[,globals[,locals]])

用來將字符串str當(dāng)成有效的表達(dá)式來求值并返回計(jì)算結(jié)果，表達(dá)式解析參數(shù)expression并作為Python表達(dá)式進(jìn)行求值(從技術(shù)上說是一個(gè)條件列表)，采用globals和locals字典作為全局和局部命名空間。

【常用的句式】

1、format字符串格式化

format把字符串當(dāng)成一個(gè)模板，通過傳入的參數(shù)進(jìn)行格式化，非常實(shí)用且強(qiáng)大。

2、連接字符串

常使用+連接兩個(gè)字符串。

3、if...else條件語句

Python條件語句是通過一條或多條語句的執(zhí)行結(jié)果(True或者False)來決定執(zhí)行的代碼塊。其中if...else語句用來執(zhí)行需要判斷的情形。

4、for...in、while循環(huán)語句

循環(huán)語句就是遍歷一個(gè)序列，循環(huán)去執(zhí)行某個(gè)操作，Python中的循環(huán)語句有for和while。

5、import導(dǎo)入其他腳本的功能

有時(shí)需要使用另一個(gè)python文件中的腳本，這其實(shí)很簡(jiǎn)單，就像使用import關(guān)鍵字導(dǎo)入任何模塊一樣。

python numpy svd

奇異值分解(svd) 是線性代數(shù)中一種重要的矩陣分解

在Python的numpy包里面直接調(diào)用

其中，u和v是都是標(biāo)準(zhǔn)正交基，問題是v得到的結(jié)果到底是轉(zhuǎn)置之后的呢，還是沒有轉(zhuǎn)置的呢，其實(shí)這個(gè)也很好驗(yàn)證，只要再把u,s,v在乘起來，如果結(jié)果還是A 那么就是轉(zhuǎn)置之后的，結(jié)果確實(shí)是這樣的，但是MATLAB卻與之不同，得到的v是沒有轉(zhuǎn)置過的

奇異值分解可以被用來計(jì)算矩陣的 偽逆 。若矩陣 M 的奇異值分解為

python數(shù)據(jù)分析與應(yīng)用第三章代碼3-5的數(shù)據(jù)哪來的

savetxt

import numpy as np

i2 = np.eye(2)

np.savetxt("eye.txt", i2)

3.4 讀入CSV文件

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

c,v=np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True) #index從0開始

3.6.1 算術(shù)平均值

np.mean(c) = np.average(c)

3.6.2 加權(quán)平均值

t = np.arange(len(c))

np.average(c, weights=t)

3.8 極值

np.min(c)

np.max(c)

np.ptp(c) 最大值與最小值的差值

3.10 統(tǒng)計(jì)分析

np.median(c) 中位數(shù)

np.msort(c) 升序排序

np.var(c) 方差

3.12 分析股票收益率

np.diff(c) 可以返回一個(gè)由相鄰數(shù)組元素的差

值構(gòu)成的數(shù)組

returns = np.diff( arr ) / arr[ : -1] #diff返回的數(shù)組比收盤價(jià)數(shù)組少一個(gè)元素

np.std(c) 標(biāo)準(zhǔn)差

對(duì)數(shù)收益率

logreturns = np.diff( np.log(c) ) #應(yīng)檢查輸入數(shù)組以確保其不含有零和負(fù)數(shù)

where 可以根據(jù)指定的條件返回所有滿足條件的數(shù)

組元素的索引值。

posretindices = np.where(returns 0)

np.sqrt(1./252.) 平方根，浮點(diǎn)數(shù)

3.14 分析日期數(shù)據(jù)

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

dates, close=np.loadtxt('data.csv', delimiter=',', usecols=(1,6), converters={1:datestr2num}, unpack=True)

print "Dates =", dates

def datestr2num(s):

return datetime.datetime.strptime(s, "%d-%m-%Y").date().weekday()

# 星期一 0

# 星期二 1

# 星期三 2

# 星期四 3

# 星期五 4

# 星期六 5

# 星期日 6

#output

Dates = [ 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 1. 2. 4. 0. 1. 2. 3. 4. 0.

1. 2. 3. 4.]

averages = np.zeros(5)

for i in range(5):

indices = np.where(dates == i)

prices = np.take(close, indices) #按數(shù)組的元素運(yùn)算,產(chǎn)生一個(gè)數(shù)組作為輸出。

a = [4, 3, 5, 7, 6, 8]

indices = [0, 1, 4]

np.take(a, indices)

array([4, 3, 6])

np.argmax(c) #返回的是數(shù)組中最大元素的索引值

np.argmin(c)

3.16 匯總數(shù)據(jù)

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

#得到第一個(gè)星期一和最后一個(gè)星期五

first_monday = np.ravel(np.where(dates == 0))[0]

last_friday = np.ravel(np.where(dates == 4))[-1]

#創(chuàng)建一個(gè)數(shù)組，用于存儲(chǔ)三周內(nèi)每一天的索引值

weeks_indices = np.arange(first_monday, last_friday + 1)

#按照每個(gè)子數(shù)組5個(gè)元素，用split函數(shù)切分?jǐn)?shù)組

weeks_indices = np.split(weeks_indices, 5)

#output

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

weeksummary = np.apply_along_axis(summarize, 1, weeks_indices,open, high, low, close)

def summarize(a, o, h, l, c): #open, high, low, close

monday_open = o[a[0]]

week_high = np.max( np.take(h, a) )

week_low = np.min( np.take(l, a) )

friday_close = c[a[-1]]

return("APPL", monday_open, week_high, week_low, friday_close)

np.savetxt("weeksummary.csv", weeksummary, delimiter=",", fmt="%s") #指定了文件名、需要保存的數(shù)組名、分隔符(在這個(gè)例子中為英文標(biāo)點(diǎn)逗號(hào))以及存儲(chǔ)浮點(diǎn)數(shù)的格式。

0818b9ca8b590ca3270a3433284dd417.png

格式字符串以一個(gè)百分號(hào)開始。接下來是一個(gè)可選的標(biāo)志字符：-表示結(jié)果左對(duì)齊，0表示左端補(bǔ)0，+表示輸出符號(hào)(正號(hào)+或負(fù)號(hào)-)。第三部分為可選的輸出寬度參數(shù)，表示輸出的最小位數(shù)。第四部分是精度格式符，以”.”開頭，后面跟一個(gè)表示精度的整數(shù)。最后是一個(gè)類型指定字符，在例子中指定為字符串類型。

numpy.apply_along_axis(func1d, axis, arr, *args, **kwargs)

def my_func(a):

... """Average first and last element of a 1-D array"""

... return (a[0] + a[-1]) * 0.5

b = np.array([[1,2,3], [4,5,6], [7,8,9]])

np.apply_along_axis(my_func, 0, b) #沿著X軸運(yùn)動(dòng)，取列切片

array([ 4., 5., 6.])

np.apply_along_axis(my_func, 1, b) #沿著y軸運(yùn)動(dòng)，取行切片

array([ 2., 5., 8.])

b = np.array([[8,1,7], [4,3,9], [5,2,6]])

np.apply_along_axis(sorted, 1, b)

array([[1, 7, 8],

[3, 4, 9],

[2, 5, 6]])

3.20 計(jì)算簡(jiǎn)單移動(dòng)平均線

(1) 使用ones函數(shù)創(chuàng)建一個(gè)長(zhǎng)度為N的元素均初始化為1的數(shù)組，然后對(duì)整個(gè)數(shù)組除以N，即可得到權(quán)重。如下所示：

N = int(sys.argv[1])

weights = np.ones(N) / N

print "Weights", weights

在N = 5時(shí)，輸出結(jié)果如下：

Weights [ 0.2 0.2 0.2 0.2 0.2] #權(quán)重相等

(2) 使用這些權(quán)重值，調(diào)用convolve函數(shù)：

c = np.loadtxt('data.csv', delimiter=',', usecols=(6,),unpack=True)

sma = np.convolve(weights, c)[N-1:-N+1] #卷積是分析數(shù)學(xué)中一種重要的運(yùn)算，定義為一個(gè)函數(shù)與經(jīng)過翻轉(zhuǎn)和平移的另一個(gè)函數(shù)的乘積的積分。

t = np.arange(N - 1, len(c)) #作圖

plot(t, c[N-1:], lw=1.0)

plot(t, sma, lw=2.0)

show()

3.22 計(jì)算指數(shù)移動(dòng)平均線

指數(shù)移動(dòng)平均線(exponential moving average)。指數(shù)移動(dòng)平均線使用的權(quán)重是指數(shù)衰減的。對(duì)歷史上的數(shù)據(jù)點(diǎn)賦予的權(quán)重以指數(shù)速度減小，但永遠(yuǎn)不會(huì)到達(dá)0。

x = np.arange(5)

print "Exp", np.exp(x)

#output

Exp [ 1. 2.71828183 7.3890561 20.08553692 54.59815003]

Linspace 返回一個(gè)元素值在指定的范圍內(nèi)均勻分布的數(shù)組。

print "Linspace", np.linspace(-1, 0, 5) #起始值、終止值、可選的元素個(gè)數(shù)

#output

Linspace [-1. -0.75 -0.5 -0.25 0. ]

(1)權(quán)重計(jì)算

N = int(sys.argv[1])

weights = np.exp(np.linspace(-1. , 0. , N))

(2)權(quán)重歸一化處理

weights /= weights.sum()

print "Weights", weights

#output

Weights [ 0.11405072 0.14644403 0.18803785 0.24144538 0.31002201]

(3)計(jì)算及作圖

c = np.loadtxt('data.csv', delimiter=',', usecols=(6,),unpack=True)

ema = np.convolve(weights, c)[N-1:-N+1]

t = np.arange(N - 1, len(c))

plot(t, c[N-1:], lw=1.0)

plot(t, ema, lw=2.0)

show()

3.26 用線性模型預(yù)測(cè)價(jià)格

(x, residuals, rank, s) = np.linalg.lstsq(A, b) #系數(shù)向量x、一個(gè)殘差數(shù)組、A的秩以及A的奇異值

print x, residuals, rank, s

#計(jì)算下一個(gè)預(yù)測(cè)值

print np.dot(b, x)

3.28 繪制趨勢(shì)線

x = np.arange(6)

x = x.reshape((2, 3))

x

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

np.ones_like(x) #用1填充數(shù)組

array([[1, 1, 1], [1, 1, 1]])

類似函數(shù)

zeros_like

empty_like

zeros

ones

empty

3.30 數(shù)組的修剪和壓縮

a = np.arange(5)

print "a =", a

print "Clipped", a.clip(1, 2) #將所有比給定最大值還大的元素全部設(shè)為給定的最大值，而所有比給定最小值還小的元素全部設(shè)為給定的最小值

#output

a = [0 1 2 3 4]

Clipped [1 1 2 2 2]

a = np.arange(4)

print a

print "Compressed", a.compress(a 2) #返回一個(gè)根據(jù)給定條件篩選后的數(shù)組

#output

[0 1 2 3]

Compressed [3]

b = np.arange(1, 9)

print "b =", b

print "Factorial", b.prod() #輸出數(shù)組元素階乘結(jié)果

#output

b = [1 2 3 4 5 6 7 8]

Factorial 40320

print "Factorials", b.cumprod()

#output

Python中怎樣實(shí)現(xiàn)奇異值SVD分解

這兩個(gè)命令是完全不同的呀。

S=svd（A）表示對(duì)矩陣A進(jìn)行SVD分解，分解的結(jié)果是得到3個(gè)矩陣，如果返回值只有一個(gè)，那么可以得到A的奇異值向量。

eig（A）表示求矩陣A的特征值。

所以區(qū)別就是，svd得到的是A的奇異值，eig得到的是A的特征值。

A'表示A的轉(zhuǎn)置矩陣，A'*A的n個(gè)非負(fù)特征值的平方根叫作矩陣A的奇異值。記為σi(A)。

希望可以幫助你，望采納！

python內(nèi)置函數(shù)有哪些

python常見的內(nèi)置函數(shù)有：

1. abs()函數(shù)返回?cái)?shù)字的絕對(duì)值。

2. all() 函數(shù)用于判斷給定的參數(shù)中的所有元素是否都為 TRUE，如果是返回 True，否則返回 False。元素除了是 0、空、None、False 外都算 True；空元組、空列表返回值為True。

3. any() 函數(shù)用于判斷給定的參數(shù)是否全部為False，是則返回False，如果有一個(gè)為True，則返回True。 元素除了是 0、空、False外都算 TRUE。

4. bin()函數(shù)返回一個(gè)整數(shù)int或者長(zhǎng)整數(shù)long int的二進(jìn)制表示。

5. bool() 函數(shù)用于將給定參數(shù)轉(zhuǎn)換為布爾類型，如果參數(shù)不為空或不為0，返回True；參數(shù)為0或沒有參數(shù)，返回False。

6. bytearray()方法返回一個(gè)新字節(jié)數(shù)組。這個(gè)數(shù)組里的元素是可變的，并且每個(gè)元素的值范圍: 0 = x 256（即0-255）。即bytearray()是可修改的二進(jìn)制字節(jié)格式。

7. callable()函數(shù)用于檢查一個(gè)對(duì)象是否可調(diào)用的。對(duì)于函數(shù)、方法、lambda函式、類以及實(shí)現(xiàn)了 __call__ 方法的類實(shí)例, 它都返回 True。（可以加括號(hào)的都可以調(diào)用）

8. chr()函數(shù)用一個(gè)范圍在range(256)內(nèi)（即0～255）的整數(shù)作參數(shù)，返回一個(gè)對(duì)應(yīng)的ASCII數(shù)值。

9. dict()函數(shù)用來將元組/列表轉(zhuǎn)換為字典格式。

10. dir()函數(shù)不帶參數(shù)時(shí)，返回當(dāng)前范圍內(nèi)的變量、方法和定義的類型列表；帶參數(shù)時(shí)，返回參數(shù)的屬性、方法列表。

擴(kuò)展資料：

如何查看python3.6的內(nèi)置函數(shù)？

1、首先先打開python自帶的集成開發(fā)環(huán)境IDLE；

2、然后我們直接輸入"dir(__builtins__)",需要注意的是builtins左右的下劃線都是兩個(gè)；

3、回車之后我們就可以看到python所有的內(nèi)置函數(shù)；

4、接下來我們學(xué)習(xí)第二種查看python內(nèi)置函數(shù)的方法，我們直接在IDLE中輸入"import builtins",然后輸入"dir(builtins)"；

5、然后回車，同樣的這個(gè)方法也可以得到所有的python內(nèi)置的函數(shù)；

6、這里我們可以使用python內(nèi)置函數(shù)len（）來查看python內(nèi)置函數(shù)的個(gè)數(shù)，這里我們直接輸入"len(dir(builtins))"；

7、回車之后我們可以看到系統(tǒng)返回值153，說明我們現(xiàn)在這個(gè)版本中有153個(gè)內(nèi)置函數(shù)；

8、最后我們介紹一個(gè)比較有用的內(nèi)置函數(shù)"help"，python內(nèi)置函數(shù)有一百多個(gè)，我們當(dāng)然不能記住所有的函數(shù)，這里python提供了一個(gè)"help"函數(shù)，我們來看一個(gè)例子一起來體會(huì)一下help函數(shù)的用法，這里我們直接輸入"help(len)",然后回車，會(huì)看到系統(tǒng)給我們對(duì)于內(nèi)置函數(shù)"len"的解釋，當(dāng)然對(duì)于其他函數(shù)可能會(huì)有更加詳細(xì)的解釋以及用法提示。

標(biāo)題名稱：python奇異值的函數(shù),python 奇偶
URL網(wǎng)址：http://www.chinadenli.net/article24/dsgghce.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供服務(wù)器托管、商城網(wǎng)站、面包屑導(dǎo)航、微信小程序、網(wǎng)站設(shè)計(jì)公司、外貿(mào)網(wǎng)站建設(shè)

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(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)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(shí)需注明來源： 創(chuàng)新互聯(lián)