#!/usr/bin/env python
# coding: utf-8

# # Numpy
# 
# ## Numpy特征和导入
# 
# 1. 用于多维数组的第三方Python包
# 2. 更接近于底层和硬件 (高效)
# 3. 专注于科学计算 (方便)
# 4. 导入包：`import numpy as np`
# 
# ## list转为数组
# 
# 1. `a = np.array([0,1,2,3])`
# 2. 输出为：`[0 1 2 3]`
# 3. 数据类型：`<type 'numpy.ndarray'>`
# 
# ## 一维数组
# 
# 1. a = np.array([1,2,3,4])属性
#   `a.ndim`–>维度为1
#   `a.shape`–>形状，返回(4,)
#   `len(a)`–>长度，4
# 2. 访问数组`a[1:5:2]`下标1-5，下标关系+2
# 3. 逆序`a[::-1]`
# 
# ## 多维数组
# 
# 1. 二维：`a = np.array([[0,1,2,3],[1,2,3,4]])`
#   输出为：
#   ```
#  [[0 1 2 3]
#   [1 2 3 4]]
#   ```
#   `a.ndm` –>2
#   `a.shape` –>(2,4)–>行数，列数
#   `len(a)` –>2–>第一维大小
# 
# 2. 三维：`a = np.array([[[0],[1]],[[2],[4]]])`
#   `a.shape`–>(2,2,1)
# 
# ## 用函数创建数组
# 
# 1. np.arange()`
#     ```
#     a = np.arange(0, 10)
#     b = np.arange(10)
#     c = np.arange(0,10,2)
#     ```
#     输出：
#     ```
#     [0 1 2 3 4 5 6 7 8 9]
#     [0 1 2 3 4 5 6 7 8 9]
#     [0 2 4 6 8]
#     ```
# 2. `np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)`
#     等距离产生num个数
# 3. `np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)`
#     以log函数取
# 
# ## 常用数组
# 
# 1. `a = np.ones((3,3))`
#     输出：
#     ```
#     [[ 1. 1. 1.]
#     [ 1. 1. 1.]
#     [ 1. 1. 1.]]
#     ```
# 2. `np.zeros((3,3))`
# 3. `np.eye(2)`单位矩阵
# 4. `np.diag([1,2,3],k=0)`对角矩阵，k为对角线的偏移
# 
# ## 随机数矩阵
# 
# 1. `a = np.random.rand(4)`
#     输出：`[ 0.99890402 0.41171695 0.40725671 0.42501804]`范围在`[0,1]`之间
# 2. `a = np.random.randn(4) `Gaussian函数，
# 3. 生成100个0-m的随机数: `[t for t in [np.random.randint(x-x, m) for x in range(100)]]` 
#     也可以
#     ```
#     m_arr = np.arange(0,m)      # 生成0-m-1
#     np.random.shuffle(m_arr)    # 打乱m_arr顺序
#     ```
#     然后取前100个即可
# 
# ## 查看数据类型
# 
# 1. `a.dtype`
# 
# ## 数组复制
# 
# 1. 共享内存
#     ```
#     a = np.array([1,2,3,4,5])
#     b = a
#     print np.may_share_memory(a,b)
#     ```
#     输出：`True`
#     说明使用的同一个存储区域，修改一个数组同时另外的也会修改
# 
# 2. 不共享内存
#     ```
#     b = a.copy()
#     ```
# ## 布尔型
# 
# ```
# a = np.random.random_integers(0,20,5)
# print a
# print a%3==0
# print a[a % 3 == 0]
# ```
# 输出：
# ```
# [14 3 6 15 4]
# [False True True True False]
# [ 3 6 15]
# ```
# ## 中间数、平均值
# 
# 1. 中间数np.median(a)
# 2. 平均值np.mean(a),
#     若是矩阵，不指定axis默认求所有元素的均值
#     axis=0,求列的均值
#     axis=1，求行的均值
#     
# ## 矩阵操作
# 
# 1. 乘积`np.dot(a,b)`
# ```
# a = np.array([[1,2,3],[2,3,4]])
# b = np.array([[1,2],[2,3],[2,2]])
# print np.dot(a,b)
# ```
# 
# 或者使用`np.matrix()`生成矩阵，相乘需要满足矩阵相乘的条件
# 
# 2. 内积`np.inner(a,b)`
#   行相乘
# 3. 逆矩阵`np.linalg.inv(a)`
# 4. 列的最大值`np.max(a[:,0])`–>返回第一列的最大值
# 5. 每列的和`np.sum(a,0)`
# 6. 每行的平均数`np.mean(a,1)`
# 7. 求交集`p.intersect1d(a,b)`，返回一维数组
# 8. 转置：`np.transpose(a)`
# 9. 两个矩阵对应对应元素相乘（点乘）：`a*b`
# 
# ## 文件操作
# 
# 1. 保存：tofile()
#     ```
#     a = np.arange(10)
#     a.shape=2,5
#     a.tofile("test.bin")
#     ```
#     读取：（需要注意指定保存的数据类型）
#     ```
#     a = np.fromfile("test.bin",dtype=np.int32)
#     print a
#     ```
# 2. 保存：`np.save("test",a)`–>会保存成test.npy文件
#     读取：`a = np.load("test")`
#     
# ## 组合两个数组
# 
# 1. 垂直组合
# ```
# a = np.array([1,2,3])
# b = np.array([[1,2,3],[4,5,6]])
# c = np.vstack((b,a))
# ```
# 2. 水平组合
# ```
# a = np.array([[1,2],[3,4]])
# b = np.array([[1,2,3],[4,5,6]])
# c = np.hstack((a,b))
# ```
# ## 读声音Wave文件
# 
# 1. wave
# ```
# import wave
# from matplotlib import pyplot as plt
# import numpy as np
# # 打开WAV文档
# f = wave.open(r"c:\WINDOWS\Media\ding.wav", "rb")
# # 读取格式信息
# # (nchannels, sampwidth, framerate, nframes, comptype, compname)
# params = f.getparams()
# nchannels, sampwidth, framerate, nframes = params[:4]
# # 读取波形数据
# str_data = f.readframes(nframes)
# f.close()
# #将波形数据转换为数组
# wave_data = np.fromstring(str_data, dtype=np.short)
# wave_data.shape = -1, 2
# wave_data = wave_data.T
# time = np.arange(0, nframes) * (1.0 / framerate)
# # 绘制波形
# plt.subplot(211) 
# plt.plot(time, wave_data[0])
# plt.subplot(212) 
# plt.plot(time, wave_data[1], c="g")
# plt.xlabel("time (seconds)")
# plt.show()
# ```
# ## where
# 
# 找到y数组中=1的位置：np.where(y==1)
# 
# ## np.ravel(y)
# 
# 将二维的转化为一维的，eg:(5000,1)-->(5000,)
# 
# ## ndarray.flat函数
# 
# 将数据展开对应的数组，可以进行访问
# 
# 应用：0/1映射
# ```
# def dense_to_one_hot(label_dense,num_classes):
#     num_labels = label_dense.shape[0]
#     index_offset = np.arange(num_labels)*num_classes
#     labels_one_hot = numpy.zeros((num_labels, num_classes))
#     labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
#     return labels_one_hot
# ```
# ## 数组访问
# ```
# X = np.array([[1,2],[3,4]])
# ```
# `X[0:1]`和`X[0:1,:]`等价，都是系那是第一行数据
# 
# ## `np.c_()`
# 
# 按照第二维度，即列拼接数据
# 
# `np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]`
# 
# 输出：`array([[1, 2, 3, 0, 0, 4, 5, 6]])`
# 
# 两个列表list拼接，长度要一致
# 
# `np.c_[[1,2,3],[2,3,4]]`
# 
# `np.c_[range(1,5),range(2,6)]`