import cmath

a = cmath.sin(1)  # 计算正弦

b = cmath.exp(1)  # 计算指数

c = cmath.pi  # 内置的圆周率常数

print(a)  # (0.8414709848078965+0j)

print(b)  # (2.718281828459045+0j)

print(c)  # 3.141592653589793

print(3/2, type(3/2))  # 1.5 <class 'float'>

print(1.2-0.2,type(1.2-0.2))  # 1.0 <class 'float'>

import numpy as np

a = np.array([2, 0, 1, 9])

print(a)

print(a[:3])  # 切片

print(a.min())  # 计算列表的最小值,min(self, iterable)

a.sort()  # 调用列表的排序方法

b = np.array([[1, 2, 3], [4, 5, 6]])  # 创建二维数组

print(b * b)

"""

[

    [1,2,3],

    [4,5,6]

]

相乘

[

    [1,2,3],

    [4,5,6]

]

[

    [1,4,9],------>[1*1, 2*2, 3*3]

    [16,25,36]----->[4*4,5*5,6*6]

]

数组是一致的数组

"""

# 求解非线性方程组2x1-x2^2=1,x1^2-x2 = 2

from scipy.optimize import fsolve

def func(x):# 定义要求解的方程组

    x1 = x[0]

    x2 = x[1]

    return [2*x1 - x2**2 -1, x1**2 -x2 -2]

result = fsolve(func,[1, 1])  # 输入初始值1,1并求解

print(result)  # 输出结果[1.91963957 1.68501606]

# 数值积分

from scipy import integrate

def g(x):  # 定义被积函数

    return (1-x**2)**0.5

pi_2, err = integrate.quad(g, -1, 1)  # 积分结果和误差

print(pi_2*2)  # 有微积分知识知道积分结果为uan周吕PI的一半

# 3.1415926535897967

import numpy as np

import matplotlib.pyplot as plt  # 导入matplotlib

x = np.linspace(0, 10, 1000)  # 作图的变量自变量

y = np.sin(x)  # 因变量y

z = np.cos(x*2)  # 因变量z

plt.figure(figsize=(8, 4))  # 设置图像大小

plt.plot(x, y, label='$\sin x+1$', color='red', linewidth=2)  # 作图,设置标签、线条颜色、线条大小

plt.plot(x, z, 'b--', label='$\cos x^2+1$')  # 作图,设置标签、线条类型

plt.xlabel('Time(s)')  # x轴名称

plt.ylabel('Volt')  # y轴名称

plt.title('A Simple Example')  # 标题

plt.ylim(0, 2.2)  # 显示y轴范围

plt.legend()  # 显示图例

plt.show()  # 显示作图结果

import pandas as pd

s = pd.Series([1, 2, 3], index=["a", "b", "c"])  # 创建一个序列s

d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns=["a", "b", "c"])  # 创建一个二维列表

d2 = pd.DataFrame(s)  # 也可以用已经有的序列来创建表格

d.head()  # 预览前5行数据

d.describe()  # 数据基本统计量

# 读取文件,注意文件的存储路径不能带有中文,否则读取可能会出错

pd.read_excel("data.xls")  # 读取excel文件,创建DataFraame

pd.read_csv("data.csv", encoding="utf-8")  # 读取文本格式的数据,一般用encoding指定编码

from statsmodels.tsa.stattools import adfuller as ADF  # 导入ADF检验

import numpy as np

print(ADF(np.random.rand(100)))  # 返回的结果有ADF值, p值等
"""

(-7.516108057146661,

 3.899499612937967e-11,

 2,

 97,

 {'1%': -3.4996365338407074,

  '10%': -2.5829283377617176,

  '5%': -2.8918307730370025},

 33.01000991650656)

"""

from sklearn.linear_model import LinearRegression  # 导入线性回归模型

model = LinearRegression()  # 建立线性回归模型

print(model)  # LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None,normalize=False) 

from sklearn import svm  # 导入svm模型

clf = svm.LinearSVC()  # 建立线性SVM分类器

clf.fit(iris.data, iris.target)  # 用数据训练模型

clf.predict([[5.0, 3.6, 1.3, 0.25]])  # 训练好模型之后,输入新的值进行预测

clf.coef_  # 查看训练好模型的参数

# 报了一个 错,让我增加迭代次数

from Keras.models import Sequential

from Keras.layers.core import Dense,Dropout,Activation

from Keras.optimizers import SGD

model = Sequential()  # 模型初始化

model.add(Dense(20, 64))  # 添加到输入层(20节点)、第一隐藏层(64节点的连接)

model.add(Activation('tanh'))

model.add(Dropout(0.5))  # 使用Droout防止过拟合

model.add(Activation("tanh"))  # 第二隐藏层用tanh作为激活函数

model.add(Dense(64, 1))  # 添加第二隐藏层(64节点)、输出层(1节点的连接)

model.add(Activation("sigmod"))  # 输出用sigmod 作为激活函数

sgd = SGD(lr=0.1, decay=1e-6, monmenton=0.9, nesterov=True)  # 定义求解算法

model.compile(loss="mean_squared_error", optimizer=True)  # 编译生成模型,损失函数为平均误差平方和

model.fit(X_train, Y_train, nb_epoch=20, batch_size=16)  # 训练模型

score = model.evaluate(X_test, y_test, batch_size=16)  # 测试模型

import gensim, logging

logging.basicConfig(format="%(asctime)s : $(levelname)s : %(message)s", level=logging.Info)

# logging是用来输出训练日志

# 分好词的句子, 每个句子以词列表的形式输入

sentences = [["first", "sentence"], ["second", "sentence"]]

# 用以上句子训练词向量模型

model = gensim.model.Word2Vec(sentences, min_count=1)

print(model["sentence"])  # 输出单词sentence的词向量