'''
SciPy 包含的模塊有最優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、快速傅里葉變換、
信號處理和圖像處理、常微分方程求解和其他科學(xué)與工程中常用的計算。
'''
# 安裝scipy庫：
# SciPy終端安裝命令：pip install SciPy
# https://www.runoob.com/w3cnote/python-pip-install-usage.html  Python pip 安裝與使用
# 查看scipy版本：
import scipy
print(scipy.__version__)
# SciPy模塊功能表
'''
模塊              功能
scipy.cluster   聚類分析等
scipy.constants 物理和數(shù)學(xué)函數(shù)
scipy.fftpack   傅里葉變換
scipy.integrate 積分
scipy.interpolate   插值
scipy.io        數(shù)據(jù)輸入和輸出
scipy.linalg    線性代數(shù)
scipy.ndimage   n維圖像
scipy.odr       正交距離回歸
scipy.optimize  優(yōu)化
scipy.signal    信號處理
scipy.sparse    稀疏矩陣
scipy.spatial   空間數(shù)據(jù)結(jié)構(gòu)和算法
scipy.special   特殊函數(shù)
scipy.stats     統(tǒng)計
'''
# 使用 dir() 函數(shù)來查看 constants 模塊包含的常量：
from scipy import constants
print(dir(constants))
'''
單位類型
常量模塊包含以下幾種單位：
公制單位
二進(jìn)制，以字節(jié)為單位
質(zhì)量單位
角度換算
時間單位
長度單位
壓強(qiáng)單位
體積單位
速度單位
溫度單位
能量單位
功率單位
力學(xué)單位
'''
print()
# SciPy 常量模塊:
# constants 是 scipy 的常量模塊
from scipy import constants
# 查看一英畝等于多少平方米：
print(constants.acre)   # 輸出 4046.8564223999992
# SciPy 常量模塊 constants 提供了許多內(nèi)置的數(shù)學(xué)常數(shù)
# 圓周率：  pi
# 黃金比例： golden
from scipy import constants
print(constants.pi)         # 輸出 3.141592653589793 【圓周率】
print(constants.golden)     # 輸出 1.618033988749895 【黃金比例】

# scipy.optimize模塊的fsolve和root可求非線性方程（組）的解
# 格式：
from scipy.optimize import fsolve
from scipy.optimize import root
# fsolve或root求解非線性方程組時，先把非線性方程組寫成 F(x)=0 這樣的形式【x:向量；F(x)：向量函數(shù)】
fx = lambda x: x**980-5.01*x**979-3.388*x**977\
    +7.398*x**978-x**3+5.01*x**2-7.398*x+3.388
x1 = fsolve(fx, 1.5, maxfev=420)     # 函數(shù)調(diào)用420次【調(diào)用小了，會報警告】
x2 = root(fx, 1.5)
print(x1)   # 相當(dāng)于答案
print()
print(x2)   # 相當(dāng)于解題過程

from scipy.optimize import fsolve, root
fs2 = lambda s: [s[0]**2+s[1]**2-1, s[0]-s[1]]
s1 = fsolve(fs2, [1, 1])
print()
s2 = root(fs2, [1, 1])
print(s1)	# 輸出 [0.70710678 0.70710678]
print()
print(s2)

'''
函數(shù)                                              說明
quad(func, a, b, args)                      計算一重數(shù)值積分
dblquad(func, a, b, gfun, hfun, args)       計算二重數(shù)值積分
tplquad(func, a, b, gfun, hfun, qfun, rfun) 計算三重數(shù)值積分
nquad(func, ranges, args)                   計算多變量積分
'''
from scipy.integrate import quad

def func(x, a, b):
    return a*x**2+b*x
z1 = quad(func, 0, 1, args=(2, 1))
z2 = quad(func, 0, 1, args=(2, 10))
print(z1)   # 輸出 (1.1666666666666665, 1.2952601953960159e-14)
print(z2)   # 輸出 (5.666666666666667, 6.291263806209221e-14)
# 注：輸出的后一個值為積分值的絕對誤差

# 最小二乘解
# scipy.optimize 模塊求非線性方程組最小二乘解格式：
'''
from scipy.optimize import least_squares
least_squares(fun, x0)
注：用到loadtxt需自行準(zhǔn)備好文件【準(zhǔn)備文件】
'''
from scipy.optimize import least_squares
import numpy as np
s = np.loadtxt('data.txt')
x0 = s[0]
y0 = s[1]
d = s[2]
fs = lambda x: np.sqrt((x0-s[0])**2+(y0-s[1])**2-d)
xc = least_squares(fs, np.random.rand(2))
print(xc)
print()
print(xc.s)

# 4-最大模特征值及對應(yīng)的特征向量
# 題目描述：求下列矩陣的最大模特征值及對應(yīng)的特征向量：
from scipy.sparse.linalg import eigs
import numpy as np
m = np.array([
    [1, 2, 3],
    [2, 1, 3],
    [3, 3, 6]
], dtype=float)
a, b = np.linalg.eig(m)
c, d = eigs(m, 1)
print('最大模特征值為：', c)    # 輸出 最大模特征值為： [9.+0.j]
print('對應(yīng)的特征向量：\n', d)

# NumPy 廣播(Broadcast)
# 廣播是 numpy 對不同形狀的數(shù)組進(jìn)行數(shù)值計算的方式， 對數(shù)組的算術(shù)運算通常在相應(yīng)的元素上進(jìn)行。

# 如果兩個數(shù)組 a 和 b 形狀相同，即滿足 a.shape == b.shape，那么 a*b 的結(jié)果就是 a 與 b 數(shù)組對應(yīng)位相乘。
# 這要求維數(shù)相同，且各維度的長度相同。
'''
對兩個數(shù)組，分別比較他們的每一個維度（若其中一個數(shù)組沒有當(dāng)前維度則忽略），滿足：
數(shù)組擁有相同形狀。
當(dāng)前維度的值相等。
當(dāng)前維度的值有一個是 1。
若條件不滿足，拋出 "ValueError: frames are not aligned" 異常

'''
import numpy as np
a = np.array([3, 6, 9])
b = np.array([2, 4, 6])
c = a * b
print(c)    # 輸出 [ 6 24 54]
# 若形狀不同時，numpy 將自動觸發(fā)廣播機(jī)制
import numpy as np
x = np.array([
    [4, 2, 5],
    [5, 2, 0],
    [2, 6, 1],
    [1, 4, 5]
])
y = np.array([3, 1, 2])
print(x+y)
yy = np.tile(y, (4, 1))     # 重復(fù)b的各個維度
print(x+yy)

# NumPy 數(shù)學(xué)函數(shù)
# NumPy 包含大量的各種數(shù)學(xué)運算的函數(shù)，包括三角函數(shù)，算術(shù)運算的函數(shù)，復(fù)數(shù)處理函數(shù)等。

# 1-三角函數(shù)
# NumPy 提供了標(biāo)準(zhǔn)的三角函數(shù)：sin()、cos()、tan()。
import numpy as np

lxw = np.array([0, 30, 45, 60, 90])

# sin()
zx = np.sin(lxw*np.pi/180)
print(zx)
# 計算角度的反正弦【單位：弧度】
fzx = np.arcsin(zx)
print(fzx)
# 檢查結(jié)果【通過轉(zhuǎn)化為角度制】
jg = np.degrees(fzx)
print(jg)   # 輸出 [ 0. 30. 45. 60. 90.]
# cos()
yx = np.cos(lxw*np.pi/180)
print(yx)
# 反余弦
fyx = np.arccos(yx)
print(fyx)
# 檢查結(jié)果：
jg2 = np.degrees(fyx)
print(jg2)  # 輸出 [ 0. 30. 45. 60. 90.]
# tan()
zq = np.tan(lxw*np.pi/180)
print(zq)

# 反正切
fzq = np.arctan(zq)
print(fzq)
# 檢查結(jié)果：
jg3 = np.degrees(fzq)
print(jg3)  # 輸出 [ 0. 30. 45. 60. 90.]

# 2-舍入函數(shù)
# 2-1 numpy.around()
'''
numpy.around() 函數(shù)返回指定數(shù)字的四舍五入值。
格式：
numpy.around(a,decimals)
參數(shù)說明：
a: 數(shù)組
decimals: 舍入的小數(shù)位數(shù)。 默認(rèn)值為0。 如果為負(fù)，整數(shù)將四舍五入到小數(shù)點左側(cè)的位置

'''
import numpy as np
bl = np.array([15.222, 22.6555, 13.71111])
print(np.around(bl))        # 輸出 [15. 23. 14.]
print(np.around(bl, 2))     # 輸出 [15.22 22.66 13.71]
print(np.around(bl, -1))    # 輸出 [20. 20. 10.]

# 2-2 numpy.floor()
# numpy.floor() 返回小于或者等于指定表達(dá)式的最大整數(shù)，即向下取整
import numpy as np
xx = np.array([23.3, 13.43, 2.9])
print(np.floor(xx))     # 輸出 [23. 13.  2.]

# 2-3 numpy.ceil()
# numpy.ceil() 返回大于或者等于指定表達(dá)式的最小整數(shù)，即向上取整
import numpy as np
xs = np.array([23.1, 23.5, 54.9])
print(np.ceil(xs))      # 輸出 [24. 24. 55.]

import numpy as np
sz = np.arange(9, dtype=np.float_).reshape(3, 3)
sz2 = np.array([5, 2, 1])   # 注：如果相除，這里是被除數(shù)的話，里面不能有0
# 數(shù)組相加
xj = np.add(sz, sz2)
print(xj)
# 數(shù)組相減
xj2 = np.subtract(sz, sz2)
print(xj2)
# 數(shù)組相乘
xc = np.multiply(sz, sz2)
print(xc)
# 數(shù)組相除
xc2 = np.divide(sz, sz2)
print(xc2)
print()
# numpy.power()
# numpy.power() 函數(shù)將第一個輸入數(shù)組中的元素作為底數(shù)，計算它與第二個輸入數(shù)組中相應(yīng)元素的冪
import numpy as np
m = np.array([1, 4, 8])     # 數(shù)組1
mc = np.power(m, 3)         # 數(shù)組1所有元素對應(yīng)的3次方
print(mc)   # 輸出 [  1  64 512]
m2 = np.array([1, 2, 3])    # 數(shù)組2
mc2 = np.power(m, m2)       # 數(shù)組1作為底數(shù)，數(shù)組2作為冪
print(mc2)  # 輸出 [  1  16 512]
print()
# numpy.mod()
# numpy.mod() 計算輸入數(shù)組中相應(yīng)元素的相除后的余數(shù)
# 函數(shù) numpy.remainder() 也產(chǎn)生相同的結(jié)果
import numpy as np
sz1 = np.array([23, 45, 67])
sz2 = np.array([2, 3, 5])
print(np.mod(sz1, sz2))         # 輸出 [1 0 2]
print(np.remainder(sz1, sz2))   # 輸出 [1 0 2]

# pandas的SettingWithCopyWarning報警復(fù)現(xiàn)、原因、解決方案
# 讀取數(shù)據(jù)
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.head())
# 核心解決問題：pandas的dataframe的修改寫操作，只允許在源dataframe上進(jìn)行，一步到位
# 解決方法（兩種）：
'''
1-將get+set的兩步操作，改成set的一步操作
2-若須處理篩選數(shù)據(jù)做后續(xù)的處理分析，使用copy復(fù)制dataframe

'''
# pandas不允許先篩選子dataframe,在進(jìn)行修改寫入

# Pandas 數(shù)據(jù)排序
'''
Series的排序：
Series.sort_values(ascending=True, inplace=False)
參數(shù)說明：
    · ascending: 默認(rèn)為True升序排序，F(xiàn)alse為False
    · inplace:   是否修改原始Series

DataFrame的排序：
DataFrame.sort_values(by, ascending=True, inplace=False)
參數(shù)說明：
    · by:字符串或者List<字符串>,單列排序或者多列排序
    · ascending: bool或者List，升序還是降序
    · inplace:   是否修改原始DataFrame

'''
# Series的排序：
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.head())		# 輸出前五行
print(df['Weight'].sort_values())                      # 升序排序
print(df['Weight'].sort_values(ascending=False))       # 降序排序

# DataFrame的排序
# 單列排序：
print(df.sort_values(by='Weight'))

print(df.sort_values(by="Weight", ascending=False))     # 降序排序

# 多列排序：
print(df.sort_values(by=['Age', 'Weight']))

# 兩個字段都是降序排序
print(df.sort_values(by=['Age', 'Weight'], ascending=False))

# 分別指定升序還是降序
print(df.sort_values(by=['Age', 'Weight'], ascending=[False, True]))

df['lrl'].str.replace("%", "").astype("int32")

# Pandas字符串處理：
'''
1-使用方法：先獲取Series的屬性，然后再屬性上調(diào)用函數(shù)
2-只能在字符串列上使用，不能再數(shù)字列上使用
3-DataFrame沒有str屬性和使用
4-Series.str并不是原生Python字符串，它是封裝的一套方法
'''
# 獲取Series的屬性
# print(df['Salary'].str)   # 報錯【示范】

# AttributeError: Can only use .str accessor with string values!
# AttributeError：只能使用。帶字符串值的str訪問器！

# 一定得是字符串列
print(df['College'].str)
# 運行結(jié)果為： <pandas.core.strings.accessor.StringMethods object at 0x00000204444EBC48>
# 判斷是不是數(shù)字列
print(df['College'].str.isnumeric())
# print(df['College'].len)      # 報錯【示范】

# AttributeError: 'Series' object has no attribute 'len'
# AttributeError：“Series”對象沒有屬性“l(fā)en”

# 使用str的startswith、contains等得到bool的Series可以做條件查詢
tj = df['Height'].str.startswith("6-2")
print(tj)

# 去掉Height中間的“-”
print(df['Height'].str.replace("-", ""))

# 取第一位數(shù)
print(df['Height'].str.replace("-", "").str.slice(0, 1))

# 同上
print(df['Height'].str.replace("-", "").str[0:1])