118 lines
4.7 KiB
Python
118 lines
4.7 KiB
Python
"""
|
||
This code is supported by the website: https://www.guanjihuan.com
|
||
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/417
|
||
"""
|
||
|
||
|
||
# 第一部分：Python基本操作（循环，判断，函数，文件写入）
|
||
print('\n第一部分：Python基本操作（循环，判断，函数，文件写入）\n') # \n代表换行
|
||
|
||
for i in range(5): # 循环（这里只举例for循环，还有其他循环）
|
||
print('我是循环产生的数：', i) # Python中没有end，因此每个语句的缩进很重要
|
||
if i == 2: # 判断
|
||
print('判断：我是第三个数 2')
|
||
else:
|
||
pass # pass代表不执行任何语句，用于占位，可以之后再补充，不然空着会报错
|
||
print() # 输出空一行
|
||
|
||
def fun0(arg): # 定义函数
|
||
print('我是函数中的内容，参数值为：', arg)
|
||
return arg*2 # 返回值
|
||
|
||
print('函数返回值：', fun0(5)) # 调用函数
|
||
print()
|
||
|
||
def main(): # “主函数”，其实也是一个普通的函数，也可以起其他名字
|
||
print('我是主函数中的内容。')
|
||
print()
|
||
|
||
if __name__ == '__main__': # 如果直接运行本文件，那么执行以下内容。如果是import本文件，那么不执行。
|
||
main()
|
||
|
||
# 关于类class，这里不举例了。科学计算中主要还是面向过程，面向对象用的比较少。
|
||
|
||
# 文件写入
|
||
# 第一种方式
|
||
with open('test1.txt', 'w') as f1: # 其中'w'为重新写入，改为'a'是补充内容
|
||
f1.write(str(100)+'\n这是第一种方式写入文件') # str()为转换成字符串
|
||
# 第二种方式
|
||
f2 = open('test2.txt', 'w') # 打开文件
|
||
f2.write(str(200)+'\n这是第二种方式写入文件') # 写入文件
|
||
f2.close() # 关闭文件
|
||
print('已写入文件！')
|
||
print()
|
||
|
||
|
||
|
||
|
||
# 第二部分：Numpy库中常用的语句
|
||
print('\n\n\n第二部分：Numpy库中常用的语句\n')
|
||
import numpy as np
|
||
|
||
print('零矩阵：\n', np.zeros((2, 3))) # 注意np.zeros()里需要填元组，因此显示的是两个括号
|
||
print('单位矩阵：\n', np.identity(3)) # 3行3列的单位矩阵,或者可以用np.eye()
|
||
print('把一维数组按对角矩阵排列：\n', np.diag([1, 3, 5]))
|
||
print()
|
||
|
||
print('指定步长的等差数列：\n', np.arange(1, 5, .5)) # 区间是左闭右开[1, 5)，步长为0.5
|
||
print('指定个数的等差数列：\n', np.linspace(-2, 2, 5)) # 区间是左闭右闭[-2, 2], 数量是5
|
||
print()
|
||
|
||
print('随机数：\n', np.random.uniform(-2, 2)) # 随机浮点数
|
||
print('随机整数：\n', np.random.randint(-10, 10)) # 区间是左闭右开[-10, 10)
|
||
print()
|
||
|
||
# 随机数除了使用numpy库，也使用random生成
|
||
import random
|
||
print('使用random库的随机数：\n', random.uniform(-2,2)) # 随机浮点数
|
||
print('使用random库的随机整数：\n', random.randint(-10, 10)) # 区间是左闭右闭[-10, 10]
|
||
print()
|
||
|
||
print('数组从小到大排列：\n', np.sort([1, 7, 0, 3]))
|
||
print('数组从小到大排列对应的索引：\n', np.argsort([1, 7, 0, 3])) # 注意Python中下标是从0开始的
|
||
print()
|
||
|
||
matrix0 = np.array([[1, 2+9j, 3], [2, 5, 7]]) # numpy数组
|
||
print('矩阵0：\n', matrix0)
|
||
print('矩阵的维度：\n', matrix0.shape) # 查看矩阵的维度
|
||
print('矩阵的行数：\n', matrix0.shape[0]) # 查看矩阵的行数
|
||
print('矩阵的列数：\n', matrix0.shape[1]) # 查看矩阵的列数
|
||
print('矩阵转置：\n', matrix0.transpose()) # 矩阵转置
|
||
print('矩阵转置共轭：\n', matrix0.transpose().conj()) # 矩阵转置共轭
|
||
print()
|
||
|
||
matrix1 = np.array([[3, 5], [2, 7]])
|
||
eigenvalue, eigenvector = np.linalg.eig(matrix1) # 求本征值，本征向量
|
||
print('矩阵1：\n', matrix1)
|
||
print('本征值：\n', eigenvalue)
|
||
print('本征向量：\n', eigenvector) # 列向量为本征向量
|
||
print('逆矩阵：\n', np.linalg.inv(matrix1)) # 求逆
|
||
print('计算行列式：\n', np.linalg.det(matrix1)) # 行列式
|
||
print()
|
||
|
||
matrix2 = np.array([[1, 2], [3, 4]])
|
||
print('矩阵2：\n', matrix2)
|
||
print('矩阵1和矩阵2相乘：\n', np.matmul(matrix1, matrix2)) # 矩阵乘积，或者可以用np.dot()
|
||
print()
|
||
|
||
a = np.array([1, 2])
|
||
print('numpy数组a=', a)
|
||
b = np.array([3, 4])
|
||
print('numpy数组b=', b)
|
||
c = np.append(a, b, axis=0) # 增加元素
|
||
print('numpy数组增加元素：\n', c)
|
||
d = np.append([a], [b], axis=0) # 增加行（列数要相同），或者用np.row_stack(([a], [b]))
|
||
print('numpy数组增加行：\n', d)
|
||
e = np.append([a], [b], axis=1) # 增加列（行数要相同），或者用np.column_stack(([a], [b]))
|
||
print('numpy数组增加列：\n', e)
|
||
print('重新观察：a=', a)
|
||
print('重新观察：b=', b)
|
||
print()
|
||
|
||
|
||
# 如果不是numpy数组，原python数组可以直接用以下方法增加元素
|
||
c = [100, 200]
|
||
print('python数组c=', c)
|
||
c.append(300)
|
||
print('增加元素后，c=', c)
|
||
print() |