python数组

参照： https://www.cnblogs.com/wuxinyan/p/8615127.html 　　　 https://www.cnblogs.com/onepixel/articles/7674659.html 一.排序算法分类： 　 比较类排序 ：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破O(nlogn)，因此也称为非线性时间比较类排序。 非比较类排序 ：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此也称为线性时间非比较类排 　　 二.算法复杂度 　　 注（相关概念）： 稳定 ：如果a原本在b前面，而a=b，排序之后a仍然在b的前面。 不稳定 ：如果a原本在b的前面，而a=b，排序之后 a 可能会出现在 b 的后面。 时间复杂度 ：对排序数据的总的操作次数。反映当n变化时，操作次数呈现什么规律。 空间复杂度： 是指算法在计算机内执行时所需存储空间的度量，它也是数据规模n的函数。 内部排序 ：据记录在内存中进行排序。（插入排序，希尔排序，冒泡排序等）【归并排序既可以实现内部排序，也可以实现外部排序，如多路归并排序等】 外部排序： 一般数据量较大 ， 排序过程中需要访问外存。（计数排序，桶排序，基数排序） 三.十大经典排序及实现（Python/Java） 　　1.冒泡排序（Bubble Sort）： 　　　

数据分析 　　把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规则 数据分析三剑客　　 　　NumPy Pandas Matplotlib 安装： 1 pip3 install numpy -i https://pypi.mirrors.ustc.edu.cn/simple/ NumPy 一个强大的N维数组对象 复杂的（广播）功能 用于集成C / C ++和Fortran代码的工具 有用的线性代数，傅里叶变换和随机数功能 ndarray 对象更重要的属性是： ndarray.ndim 数组的轴数（尺寸）。 ndarray.shape 数组的大小。 这是一个整数元组，表示每个维度中数组的大小。 对于具有 n 行和 m 列 的矩阵 ， shape 将是 (n,m) 。 shape 因此 ， 元组 的长度 是轴的数量 ndim 。 ndarray.size 数组的元素总数。 这等于元素的乘积 shape 。 ndarray.dtype 描述数组中元素类型的对象。 可以使用标准Python类型创建或指定dtype。 此外，NumPy还提供自己的类型。 numpy.int32，numpy.int16和numpy.float64就是一些例子。 ndarray.itemsize 数组中每个元素的大小（以字节为单位）。 例如，类型的元素数组 float64 有

NumPy 　　NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 - 创建ndarray 　　1 使用np.array（）创建 　　　　1.1 一维数组的创建　　　　　 import numpy as np np.array([1,2,3,4,5]) 来源： https://www.cnblogs.com/lulin9501/p/11338062.html

数组与链表是数据存储方式的概念，数组在连续的空间中存储数据，而链表可以在非连续的空间中存储数据； 队列和堆栈是描述数据存取方式的概念，队列是先进先出，而堆栈是后进先出；队列和堆栈可以用数组来实现，也可以用链表实现。 ''' 栈的理解：先进后出，后进先出 栈也可以实现先进先出，前提是添加一个，删除一个 ''' #通过添加与删除的形式，来验证栈的特点 mystack=[] mystack.append('1') print(mystack) mystack.append('2') print(mystack) mystack.append('3') print(mystack) mystack.append('4') print(mystack) mystack.pop() print(mystack) mystack.pop() print(mystack) mystack.pop() print(mystack) mystack.pop() print(mystack) 输出结果： ['1'] ['1', '2'] ['1', '2', '3'] ['1', '2', '3', '4'] ['1', '2', '3'] ['1', '2'] ['1'] [] 来源： https://www.cnblogs.com/liangliangzz/p/11340613.html

NumPy 是 Python 数值计算非常重要的一个包。很多科学计算包都是以 NumPy 的数组对象为基础开发的。 本文用代码快速过了一遍 NumPy 的基本操作，对 NumPy 整体有一个把握。希望能对读者有帮助。 NumPy ndarray：多维数组对象 ndarray 是 NumPy 很重要的特性，它是快速而灵活的数据集容器。ndarray 可以在整个数据集上进行类似于标量的运算，既快速又方便。 在 Jupyter Notebook 上，首先引入 NumPy 包： 1 import numpy as np 创建 ndarray，其中包含随机值（ np.random.randn ）： 1 np.random.seed(666) # 设置随机种子 2 data = np.random.randn(2, 3) 3 data array([[ 0.82418808, 0.479966 , 1.17346801], [ 0.90904807, -0.57172145, -0.10949727]]) 进行一些运算（乘法和加法）： 1 data * 10 2 data + data array([[ 8.24188083, 4.79966003, 11.73468012], [ 9.09048069, -5.71721452, -1.09497268]]) array([[ 1

思路：参考https://blog.csdn.net/u010005281/article/details/80200398 # -*- coding:utf-8 -*- class Solution: def multiply(self, A): # write code here B = [1]*len(A) for i in range(len(A)): mult = mult*A[i-1] if i >0 else 1 b = 1 for ii in range(i+1, len(A)): b *= A[ii] B[i] = mult*b return B 来源： https://www.cnblogs.com/dolisun/p/11336438.html

【leetcode】（初级算法-数组）两个数组的交集II【Python】 两个数组的交集II 说明 示例1 示例2 方法一：遍历两个数组，没有考虑到第一个数组重复的情况，36/61 方法二：简洁版应该遍历一个数组，并且remove就不会出现方法一的情况了 方法三：利用collections.Counter的&运算 两个数组的交集II 给定两个数组，编写一个函数来计算它们的交集。 说明 输出结果中每个元素出现的次数，应与元素在两个数组中出现的次数一致。 我们可以不考虑输出结果的顺序。 示例1 输入: nums1 = [1,2,2,1], nums2 = [2,2] 输出: [2,2] 示例2 输入: nums1 = [4,9,5], nums2 = [9,4,9,8,4] 输出: [4,9] 方法一：遍历两个数组，没有考虑到第一个数组重复的情况，36/61 # 两个数的交集 # Nums1 , Nums2 = [ 1 , 2 , 2 , 1 ] , [ 2 , 2 ] Nums1 , Nums2 = [ 4 , 9 , 5 ] , [ 9 , 4 , 9 , 8 , 4 ] # 方法一：遍历两个数组 # 没有考虑到第一个数组重复的情况， 36 / 61 def insersect ( nums1 , nums2 ) : temp = [ ] for i in nums1 : for

定义一个矩阵，并赋值 得到由matrix的每一列组成的嵌套列表，此时外层循环变量是i，内层循环变量是row numpy中的数组 返回数组第二列的值组成的一维数组 数组的形状，几行，几列 来源： CSDN 作者： dadanyin 链接： https://blog.csdn.net/u014493630/article/details/51728341

1、普通创建—— np.array() 创建数组最简单的方法就是使用array函数。它接收一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。 1 import numpy as np 2 a1 = np.array([1, 2, 3]) 3 print(a1) 4 a2 = np.array([[1, 2, 3], [2, 3, 4]], dtype=np.float) 5 print(a2, a2.dtype, a2.shape) 运行结果： import numpy as np a1 = np.array([1, 2, 3]) print(a1) a2 = np.array([[1, 2, 3], [2, 3, 4]], dtype=np.float) print(a2, a2.dtype, a2.shape) 2、内置方法—— np.asarray() np.fromiter() numpy.asarray # 类似于numpy.array numpy.fromiter # 此函数从任何可迭代对象构建一个ndarray对象，返回一个新的一维数组。 2.1 numpy.asarray 语法： numpy.asarray(a, dtype = None, order = None) 参数： 参数 描述 a 任意形式的输入参数，比如列表、列表的元组

"""np.arrayobject 数组或嵌套的数列dtype 数组元素的数据类型，可选copy 对象是否需要复制，可选order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）subok 默认返回一个与基类类型一致的数组ndmin 指定生成数组的最小维度"""## num = np.array([[x * x for x in range(10)], [x for x in range(20, 30)]], dtype=np.float32)# print num.ndim# print num.shape# print num.size# print num.dtype# print num.itemsize# print num.flags# # print num.data# num = np.empty([4, 3], dtype=np.int32, order="F")# print num# num = np.zeros([4, 3], order="F")# print num# num = np.ones([4, 3], order="C")# print num# asarray a 可以是列表 元祖 多维数组# lis = [x for x in range(10)]# num = np.asarray(a=lis, dtype=None,