pythonnumpy階乘

㈠ python可以做什麼

用Python可以算n的階乘，下面是n的階乘的代碼（自帶格式）。

def factorial(n):

result = n

for i in range(1,n):

result *= i

return result

def main():

print factorial(4)

if __name__ == '__main__':

main()

階乘介紹：

基斯頓·卡曼（Christian Kramp，1760～1826）於 1808 年發明的運算符號，是數學術語。

一個正整數的階乘（factorial）是所有小於及等於該數的正整數的積，並且0的階乘為1。自然數n的階乘寫作n!。1808年，基斯頓·卡曼引進這個表示法。

亦即n!=1×2×3×...×(n-1)×n。階乘亦可以遞歸方式定義：0!=1，n!=(n-1)!×n。

㈡ numpy的矩陣乘法

你的問題是否可以轉化為對這個式子求導(x+1)/x*2 (x+1)除以x的平方
對分子求導：對存在x的項求導保留x項的倍數，常數求導為0 所以對分子求導結果為1
對分母求導：因為分母為x*2 所以導數為2x (若對x*n x的n次方求導，則為nx*(n-1) n倍的x的n-1次方）

㈢ python自帶及pandas、numpy數據結構(一)

1.python自帶數據結構：序列（如list）、映射（如字典）、集合（set）。
以下只介紹序列中的list：
創建list：
list1 = []
list1 = [1,2,3,4,5,6,7,8,9] #逗號隔開
list2 = [[1,2],[3,4],[5,6],[7,8]] #list2長度(len(list2))為2,list2[0] = [1,2]
liststring = list(「thisisalist」) #只用於創建字元串列表
索引list：
e = list1[0] #下標從零開始，用中括弧
分片list：
es = list1[0:3]
es = list1[0:9:2] #步長在第二個冒號後
list拼接（list1.append(obj)、加運算及乘運算）：

list長度：

list每個元素乘一個數值：
list2 = numpy.dot(list2,2)
list類似矩陣相乘（每個元素對應相乘取和）：
list3 = numpy.dot(list1,list1)
#要求相乘的兩個list長度相同
list3 = numpy.dot(list2,list22)
#要求numpy.shape(list2)和numpy.shape(list22)滿足「左行等於右列」的矩陣相乘條件，相乘結果numpy.shape(list3)滿足「左列右行」

2.numpy數據結構：

Array：
產生array：
data=np.array([[1, 9, 6], [2, 8, 5], [3, 7, 4]])
data=np.array(list1)
data1 = np.zeros(5) #data1.shape = (5,),5列
data1 = np.eye(5)
索引array:
datacut = data[0,2] #取第零行第二列，此處是6
切片array：
datacut = data[0:2,2] # array([6, 5])
array長度：
data.shape
data.size
np.shape(data)
np.size(data)
len(data)
array拼接：
#括弧內也有一個括弧（中括弧或者小括弧）！
d = np.concatenate((data,data))
d = np.concatenate((data,data),axis = 1) #對應行拼接
array加法：逐個相加
array乘法：
d = data data #逐個相乘
d = np.dot(data,data) #矩陣相乘
d = data 3 #每個元素乘3
d = np.dot(data,3) #每個元素乘3
array矩陣運算：
取逆 : np.linalg.inv(data)
轉置：data.T
所有元素求和 : np.sum(data)
生成隨機數：np.random.normal(loc=0, scale=10, size=None)
生成標准正態分布隨機數組：np.random.normal(size=(4,4))
生成二維隨機數組：
np.random.multivariate_normal([0,0],np.eye(2))
生成范圍在0到1之間的隨機矩陣(M,N)：
np.random.randint(0,2,(M,N))

Matrix:
創建matrix：
mat1 = np.mat([[1, 2, 3], [4, 5, 6]])
mat1 = np.mat(list)
mat1 = np.mat(data)
matrix是二維的，所有+，-，*都是矩陣操作。
matrix索引和分列：
mat1[0:2，1]
matrix轉置：
np.transpose(mat1)
mat1.transpose()
matrix拼接：
np.concatenate([mat1,mat1])
np.concatenate([mat1,mat1],axis = 1)

numpy數據結構總結：對於numpy中的數據結構的操作方法基本相同：
創建：np.mat(list),np.array(list)
矩陣乘：np.dot(x,y)
轉置：x.T or np.transpose(x)
拼接：np.concatenate([x,y],axis = 1)
索引：mat[0:1,4],ary[0:1,4]

3.pandas數據結構:
Series:
創建series：
s = pd.Series([[1,2,3],[4,5,6]],index = [『a』,『b』])
索引series：
s1 = s[『b』]
拼接series：
pd.concat([s1,s1],axis = 1) #也可使用s.append(s)

DataFrame:
創建DaraFrame:
df = pd.DataFrame([[1,2,3],[1,2,3]],index = ['a','b'],columns = ['x','y','z'])
df取某一列：
dfc1 =df.x
dfc1 = df[『x』]
dfc2 = df.iloc[:,0] #用.iloc方括弧里是數字而不是column名！
dfc2 = df.iloc[:,0:3]
df取某一行：
dfr1 = df.iloc[0]
df1 = df.iloc[0:2]
df1 = df[0:2] #這種方法只能用於取一個區間
df取某個值：
dfc2 = df.iloc[0,0]
dfc2 = df.iloc[0:2,0:3]

㈣ Python-Numpy基礎

如果你已經裝有 Anaconda，那麼你可以使用以下命令通過終端或命令提示符安裝 NumPy：
conda install numpy
如果你沒有 Anaconda，那麼你可以使用以下命令從終端上安裝 NumPy：
pip install numpy
安裝好 NumPy 後，你就可以啟動 Jupyter notebook 開始學習了。接下來從 NumPy 數組開始

就好比一個矩陣

numpy.empty 方法用來創建一個指定形狀（shape）、數據類型（dtype）且未初始化的數組：

參數說明：
參數 描述
shape 數組形狀
dtype 數據類型，可選
order 有"C"和"F"兩個選項,分別代表，行優先和列優先，在計算機內存中的存儲元素的順序。
舉例

輸出結果

創建指定大小的數組，數組元素以 0 來填充：

舉例

結果輸出

創建指定形狀的數組，數組元素以 1 來填充：

舉例

同樣是類型，但是注意這個和上邊的區別，一個是數組的形式，一個是矩陣的形式。

㈤ Python科學計算包numpy用法

本文實例講述了Python科學計算包numpy用法。分享給大家供大家參考，具體如下：
1 數據結構
numpy使用一種稱為ndarray的類戚亂似Matlab的矩陣式數據結構管理數據，比python的列表和標准庫的array類更為強大，處理數據更為方便。
1.1 數組的生成
在numpy中，生成數組需要指定數據類型，默認是int32，即整數，可以通過dtype參數來指定，一般用到的有int32、bool、float32、uint32、complex，分別代旦念表整數、布爾值、浮模仔困點型、無符號整數和復數
一般而言，生成數組的方法有這么幾種：
以list列表為參數生成(用tolist方法即可轉換回list)：
?
1
234
5
In[
3
]: a
=
array([
1
,
2
,
3
])
In[
4
]: a
Out[
4
]: array([
1
,
2
,
3
])
In[
5
]: a.tolist()
Out[
5
]: [
1
,
㈥ Numpy array數組的常見運算