python常用函数

一、math模块

math模块是python中用于科学计算的内建模块，其中的函数都经过了特殊的算法优化，效率较高。

1、常规数学运算函数

import math
math.ceil(x)   #向上取整
math.floor(x)  #向下取整
math.fabs(x)   #求绝对值

2、幂函数与对数函数

math.exp(x)       #返回e^x
math.log(x,base)       
math.log(16,4)    #输出为2
math.pow(x,y)     #返回x^y
math.sqrt(x)      #返回x的平方根

3、三角函数

math.sin(x)
math.cos(x)
math.tan(x)

4、常用函数

math.pi    #返回圆周率
math.e     #e
math.inf   #无穷大
math.nan   #空值

二、time模块

time模块是python中用于处理时间的一个内建模块。

struct_time的元素

属性	值
tm_year	年（例如2021）
tm_mon	月（1-12）
tm_mday	日（1-31）
tm_hour	时（0-23）
tm_min	分（0-59）
tm_sec	秒（0-6）
tm_wday	周几（0-6）0是周日
tm_yday	一年中的第几天（1-366）
tm_isdst	是否夏令时（默认-1）

 

import time
start = time.time()
a = 1566897866           #类型1：时间戳数据，常见的时间输入格式
c = time.localtime(a)
print(c)
#输出结果：
#time.struct_time(tm_year=2019, tm_mon=8, tm_mday=27, tm_hour=17, tm_min=24, tm_sec=26, tm_wday=1, tm_yday=239, tm_isdst=0)
a = '2017-6-11 17:51:30' #类型2：字符型时间数据
c = time.strptime(a,'%Y-%m-%d %H:%M:%S')
print(c)
#输出结果：
#time.struct_time(tm_year=2017, tm_mon=6, tm_mday=11, tm_hour=17, tm_min=51, tm_sec=30, tm_wday=6, tm_yday=162, tm_isdst=-1)
end = time.time()        #运行结束时间
timeSpent = end - start  #计算运行时间
print('共用时：{0}s'.format(timeSpent))
#输出结果：
#共用时：0.0004961490631103516s

 

三、random模块

random模块是python内建的用于生成随机数的模块。

import random
random.random()                                  #生成0-1之间均匀分布的随机浮点数
random.normalvariate(0,1)
[random.normalvariate(0,1) for x in range(10)]   #生成长度为10的正态分布序列
random.uniform(a,b)                              #生成[a,b]区间内的随机浮点数
random.randint(a,b)                              #生成[a,b]区间内的随机整数
random.choice(s)                                 #从序列s中随机获得一个值
random.sample(s,k)                               #从序列s中中获取长度为k的片段

四、NumPy模块

NumPy是一个用于科学计算的基础模块，它提供了高性能的数组对象、矩阵对象，以及众多的基础数学、线性代数、基本统计运算等领域所需的相关函数，是基于python进行大数据处理中常用的第三方模块。

import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]]) #定义一个ndarray对象
#输出：
#[[1,2,3],
#[4,5,6],
#[7,8,9]]
print(a.ndim)      #查看ndarray的维数（阶），输出为2
print(a.shape)     #查看ndarray的形状，输出为(3,3),对应（行数，列数）
print(a.size)      #查看ndarray的元素个数，输出为9

对于ndarray进行复制有三种形式，分别为：引用，浅复制和深复制。引用不会创建一个新的数组，新的数组只是原对象的一个别名，通过引用创建新数组和原数组指向的内存是相同的；浅复制会创建一个新的对象，具有独立的形状等属性，但数据仍与原数组共享，对于引用和浅复制，修改原数组，新创建的数组也会发生变化对新创建的素组进行修改亦是如此；而深复制则是完全创建一个新的对象，具有独立的属性数据。

b = a                  #引用
print(id(a)==id(b))    #id()能够输出对象的内存地址，输出为True
c = a.view()           #浅复制
print(id(a)==id(c))    #输出为False
d = a.copy()

多维数组的下表存取

NumPy中数组的下标存取方法如下，与内置的list对象存取和切片方法类似：

a[0,1]              #输出2 （行、列的索引都是由0开始）
a[[0,2],[1,2]]      #输出为array([2,9]),等价于np.array([a[0,1],a[2,2]])
a[:2,1:3]           #第0至1行，第1至2行array([[2,3],[5,6]])
a[:-1]              #第0至倒数第2行
a[1,:]              #第1行，shape为(3,),一维，array([4,5,6])
a[1:2,:]            #第1行，shape为(1,3),二维，array([[4,5,6]])
a[:,1]              #第1列，shape为(3,)，一维，arraay([2,5,8])
a[:,1:2]            #第1列，shape为(3,1),二维，array([[2],[5],[8]])

NumPy中还能直接用判断条件（布尔矩阵）取出符合某些条件的元素：

a>2
#array([[False, False,  True],
#       [ True,  True,  True],
#       [ True,  True,  True]])
a[a>2]           #输出数组中大于2的值，为一个一维数组
a[(a>2)&(a<6)]   #使用逻辑运算符连接多个条件，注意不能使用and，or之类的关键词进行连接，否则会报错

数组运算

#逐元素运算    
a + b    
a * b    
a/b     
a ** 2    
np.sin(a)    
# 矩阵运算    
a.dot(b)                               #a与b矩阵相乘    
a = np.mat(a)                          #转换为矩阵对象    
a.I                                    #逆矩阵    
a.T                                    #转置    
a.trace()                              #迹    
np.linalg.det(a)                       #矩阵a的行列式    
np.linalg.norm(a,ord=None)             #矩阵a的范数    
np.linalg.eig(a)                       #矩阵a的特征值和特征向量    
np.linalg.cond(a,p=None)               #矩阵a的条件数    

随机数生成

np.random.norm(0, 1, 100)  #生成均值为0，方差为1（不是标准差），长度为100的正态分布样本
np.random.poisson(5, 100)  #生成均值为5，长度为100的泊松分布样本
np.random.negative_binomial(1, 0.1, 100)  #生成n=1, p=0.1，长度为100的负二项分布样本

NumPy常用函数

np.sum(a,axis=0)            #输出为array([12, 15, 18])   按照列进行累计求和计算
a.sum(axis = 0)             #输出为array([12, 15, 18])   按照列进行累计求和计算
np.sum(a,axis=1)            #输出为array([ 6, 15, 24])   按照行进行累计求和计算
a.ndim                      #返回array的维度 
np.ndim([[1,2,3],[4,5,6]])  #返回值为2
np.ndim([4,5,6])            #返回值为1
a.sum()                     #对整个array数组求和
np.prod(a,axis=0)           #计算array数组的乘积，可以指定按行或列进行计算
a.min()                      #查找最小值
a.min(axis=1)               #按照行或列查找最小值，axis = 0(列)| = 1（行）
a.max()
a.max(axis=1)               #求最大值与min函数相同
a.argmin()                  #返回最小值的索引，也可以指定axis来获取行或列的最小值索引
a.argmax()                   #返回最大值的索引
a.mean()                    #返回均值
a.std()                     #返回标准差，也可以指定axis来获取行或列的标准差
a.var()                     #计算方差
a.clip()                    #可以将数组限制在指定范围值内，小于范围的值替换为范围中的最小值，大于范围的值替换为范围中的最大值
a.round()                   #取近似值
a.sort()                    #排序，同样可以指定axis、
a.reshape(a,b)              #调整array数组的形状
np.concatenate((a,b))       #连接两个array数组
np.vstack((a,b))            #上下拼接两个array数组
np.hstack((a,b))            #左右拼接两个array数组
a.flatten()                 #把所有数组合并成一列
np.dot(x,y)                 #矩阵计算