机器学习

Python/matplotlab/pyplot_attr.md

@@ -1,279 +0,0 @@
-# 面向对象的绘图方式
-
-
-## 配置参数
-
-* axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
-* figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
-* font: 字体集（font family）、字体大小和样式设置
-* grid: 设置网格颜色和线性
-* legend: 设置图例和其中的文本的显示
-* line: 设置线条（颜色、线型、宽度等）和标记
-* patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
-* savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
-* verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
-* xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。
-
-
-## 线条风格
-
-线条风格linestyle或ls	 | 描述
-----|---
-‘-‘	|实线
-‘:’	|虚线
-‘–’	|破折线
-‘None’,’ ‘,’’	|什么都不画
-‘-.’	|点划线
-
-## 线条标记
-
-标记maker            | 描述
-----|----
-‘o’                 |圆圈  
-‘.’                 |点
-‘D’                 |菱形  
-‘s’                 |正方形
-‘h’                 |六边形1    
-‘*’                 |星号
-‘H’                 |六边形2    
-‘d’                 |小菱形
-‘_’                | 水平线 
-‘v’                 |一角朝下的三角形
-‘8’                 |八边形 
-‘<’                | 一角朝左的三角形
-‘p’                 |五边形 
-‘>’                 |一角朝右的三角形
-‘,’                 |像素  
-‘^’                | 一角朝上的三角形
-‘+’                | 加号  
-‘\  ‘               |竖线
-‘None’,’’,’ ‘       |无   
-‘x’                | X
-
-
-## 颜色
-
-别名           |  颜色   
----|---
-b              | 蓝色  
-g               |绿色
-r               |红色  
-y               |黄色
-c               |青色
-k               |黑色   
-m               |洋红色 
-w               |白色
-
-
-## 绘图步骤
-
-```py
-#使用numpy产生数据
-x=np.arange(-5,5,0.1)
-y=x*3
-
-#创建窗口、子图
-#方法1：先创建窗口，再创建子图。（一定绘制）
-fig = plt.figure(num=1, figsize=(15, 8),dpi=80)     #开启一个窗口，同时设置大小，分辨率
-ax1 = fig.add_subplot(2,1,1)  #通过fig添加子图，参数：行数，列数，第几个。
-ax2 = fig.add_subplot(2,1,2)  #通过fig添加子图，参数：行数，列数，第几个。
-print(fig,ax1,ax2)
-#方法2：一次性创建窗口和多个子图。（空白不绘制）
-fig,axarr = plt.subplots(4,1)  #开一个新窗口，并添加4个子图，返回子图数组
-ax1 = axarr[0]    #通过子图数组获取一个子图
-print(fig,ax1)
-#方法3：一次性创建窗口和一个子图。（空白不绘制）
-ax1 = plt.subplot(1,1,1,facecolor='white')      #开一个新窗口，创建1个子图。facecolor设置背景颜色
-print(ax1)
-#获取对窗口的引用，适用于上面三种方法
-# fig = plt.gcf()   #获得当前figure
-# fig=ax1.figure   #获得指定子图所属窗口
-
-# fig.subplots_adjust(left=0)                         #设置窗口左内边距为0，即左边留白为0。
-
-#设置子图的基本元素
-ax1.set_title('python-drawing')            #设置图体，plt.title
-ax1.set_xlabel('x-name')                    #设置x轴名称,plt.xlabel
-ax1.set_ylabel('y-name')                    #设置y轴名称,plt.ylabel
-plt.axis([-6,6,-10,10])                  #设置横纵坐标轴范围，这个在子图中被分解为下面两个函数
-ax1.set_xlim(-5,5)                           #设置横轴范围，会覆盖上面的横坐标,plt.xlim
-ax1.set_ylim(-10,10)                         #设置纵轴范围，会覆盖上面的纵坐标,plt.ylim
-
-xmajorLocator = MultipleLocator(2)   #定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本
-ymajorLocator = MultipleLocator(3)   #定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本
-
-ax1.xaxis.set_major_locator(xmajorLocator) #x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式
-ax1.yaxis.set_major_locator(ymajorLocator) #y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式
-
-ax1.xaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式
-ax1.yaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式
-
-ax1.set_xticks([])     #去除坐标轴刻度
-ax1.set_xticks((-5,-3,-1,1,3,5))  #设置坐标轴刻度
-ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small')  #设置刻度的显示文本，rotation旋转角度，fontsize字体大小
-
-plot1=ax1.plot(x,y,marker='o',color='g',label='legend1')   #点图：marker图标
-plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2')   #线图：linestyle线性，alpha透明度，color颜色，label图例文本
-
-ax1.legend(loc='upper left')            #显示图例,plt.legend()
-ax1.text(2.8, 7, r'y=3*x')                #指定位置显示文字,plt.text()
-ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5),  #添加标注，参数：注释文本、指向点、文字位置、箭头属性
-            arrowprops=dict(facecolor='black', shrink=0.05),
-            )
-#显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both'
-ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2)
-
-axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')       #在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间
-axes1.plot(x,y)  #在子图上画图
-plt.savefig('aa.jpg',dpi=400,bbox_inches='tight')   #savefig保存图片，dpi分辨率，bbox_inches子图周边白色空间的大小
-plt.show()    #打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制
-
-```
-
-## plot属性
-
-```py
-属性                      值类型
-alpha                   浮点值
-animated                [True / False]
-antialiased or aa       [True / False]
-clip_box                matplotlib.transform.Bbox 实例
-clip_on                 [True / False]
-clip_path               Path 实例， Transform，以及Patch实例
-color or c              任何 matplotlib 颜色
-contains                命中测试函数
-dash_capstyle           ['butt' / 'round' / 'projecting']
-dash_joinstyle          ['miter' / 'round' / 'bevel']
-dashes                  以点为单位的连接/断开墨水序列
-data                    (np.array xdata, np.array ydata)
-figure                  matplotlib.figure.Figure 实例
-label                   任何字符串
-linestyle or ls         [ '-' / '--' / '-.' / ':' / 'steps' / ...]
-linewidth or lw         以点为单位的浮点值
-lod                     [True / False]
-marker                  [ '+' / ',' / '.' / '1' / '2' / '3' / '4' ]
-markeredgecolor or mec  任何 matplotlib 颜色
-markeredgewidth or mew  以点为单位的浮点值
-markerfacecolor or mfc  任何 matplotlib 颜色
-markersize or ms        浮点值
-markevery               [ None / 整数值 / (startind, stride) ]
-picker                  用于交互式线条选择
-pickradius              线条的拾取选择半径
-solid_capstyle          ['butt' / 'round' / 'projecting']
-solid_joinstyle         ['miter' / 'round' / 'bevel']
-transform               matplotlib.transforms.Transform 实例
-visible                 [True / False]
-xdata                   np.array
-ydata                   np.array
-zorder                  任何数值
-```
-
-## 多图绘制
-
-```py
-#一个窗口，多个图，多条数据
-sub1=plt.subplot(211,facecolor=(0.1843,0.3098,0.3098))  #将窗口分成2行1列，在第1个作图，并设置背景色
-sub2=plt.subplot(212)   #将窗口分成2行1列，在第2个作图
-sub1.plot(x,y)          #绘制子图
-sub2.plot(x,y)          #绘制子图
-
-axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高]
-plt.plot(x,y)           #绘制子坐标系，
-axes2 = plt.axes([0.7, .2, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高]
-plt.plot(x,y)
-plt.show()
-```
-## 极坐标
-
-```py
-fig = plt.figure(2)                                #新开一个窗口
-ax1 = fig.add_subplot(1,2,1,polar=True)                  #启动一个极坐标子图
-theta=np.arange(0,2*np.pi,0.02)              #角度数列值
-ax1.plot(theta,2*np.ones_like(theta),lw=2)   #画图，参数：角度，半径，lw线宽
-ax1.plot(theta,theta/6,linestyle='--',lw=2)           #画图，参数：角度，半径，linestyle样式，lw线宽
-
-ax2 = fig.add_subplot(1,2,2,polar=True)                  #启动一个极坐标子图
-ax2.plot(theta,np.cos(5*theta),linestyle='--',lw=2)
-ax2.plot(theta,2*np.cos(4*theta),lw=2)
-
-ax2.set_rgrids(np.arange(0.2,2,0.2),angle=45)   #距离网格轴，轴线刻度和显示位置
-ax2.set_thetagrids([0,45,90])                   #角度网格轴，范围0-360度
-
-plt.show()
-```
-
-## 柱状图
-
-```py
-plt.figure(3)
-x_index = np.arange(5)   #柱的索引
-x_data = ('A', 'B', 'C', 'D', 'E')
-y1_data = (20, 35, 30, 35, 27)
-y2_data = (25, 32, 34, 20, 25)
-bar_width = 0.35   #定义一个数字代表每个独立柱的宽度
-
-rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1')            #参数：左偏移、高度、柱宽、透明度、颜色、图例
-rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') #参数：左偏移、高度、柱宽、透明度、颜色、图例
-#关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了
-plt.xticks(x_index + bar_width/2, x_data)   #x轴刻度线
-plt.legend()    #显示图例
-plt.tight_layout()  #自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔
-plt.show()
-```
-
-## 直方图
-
-```py
-fig,(ax0,ax1) = plt.subplots(nrows=2,figsize=(9,6))     #在窗口上添加2个子图
-sigma = 1   #标准差
-mean = 0    #均值
-x=mean+sigma*np.random.randn(10000)   #正态分布随机数
-ax0.hist(x,bins=40,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75)   #normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度
-ax1.hist(x,bins=20,normed=1,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) #bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度
-plt.show()  #所有窗口运行
-```
-
-## 散点图
-
-```py
-fig = plt.figure(4)          #添加一个窗口
-ax =fig.add_subplot(1,1,1)   #在窗口上添加一个子图
-x=np.random.random(100)      #产生随机数组
-y=np.random.random(100)      #产生随机数组
-ax.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none')  #x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度
-plt.show()  #所有窗口运行
-```
-
-## 三维图
-
-```py
-fig = plt.figure(5)
-ax=fig.add_subplot(1,1,1,projection='3d')     #绘制三维图
-
-x,y=np.mgrid[-2:2:20j,-2:2:20j]  #获取x轴数据，y轴数据
-z=x*np.exp(-x**2-y**2)   #获取z轴数据
-
-ax.plot_surface(x,y,z,rstride=2,cstride=1,cmap=plt.cm.coolwarm,alpha=0.8)  #绘制三维图表面
-ax.set_xlabel('x-name')     #x轴名称
-ax.set_ylabel('y-name')     #y轴名称
-ax.set_zlabel('z-name')     #z轴名称
-
-plt.show()
-```
-
-## 集合图形
-
-```py
-fig = plt.figure(6)   #创建一个窗口
-ax=fig.add_subplot(1,1,1)   #添加一个子图
-rect1 = plt.Rectangle((0.1,0.2),0.2,0.3,color='r')  #创建一个矩形，参数：(x,y),width,height
-circ1 = plt.Circle((0.7,0.2),0.15,color='r',alpha=0.3)  #创建一个椭圆，参数：中心点，半径，默认这个圆形会跟随窗口大小进行长宽压缩
-pgon1 = plt.Polygon([[0.45,0.45],[0.65,0.6],[0.2,0.6]])  #创建一个多边形，参数：每个顶点坐标
-
-ax.add_patch(rect1)  #将形状添加到子图上
-ax.add_patch(circ1)  #将形状添加到子图上
-ax.add_patch(pgon1)  #将形状添加到子图上
-
-fig.canvas.draw()  #子图绘制
-plt.show()
-```

Python/matplotlab/学习教程/02面向对象绘图实例.md

@@ -0,0 +1,359 @@
+# 面向对象的绘图方式
+
+> 在这里的实例中，面向对象的方法与命令行的方式进行了混用，不提倡。首先运用好交互式命令行的方式进行绘图。
+
+## 配置参数
+
+* axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
+* figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
+* font: 字体集（font family）、字体大小和样式设置
+* grid: 设置网格颜色和线性
+* legend: 设置图例和其中的文本的显示
+* line: 设置线条（颜色、线型、宽度等）和标记
+* patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
+* savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
+* verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
+* xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。
+
+
+## 线条风格
+
+线条风格linestyle或ls	 | 描述
+----|---
+‘-‘	|实线
+‘:’	|虚线
+‘–’	|破折线
+‘None’,’ ‘,’’	|什么都不画
+‘-.’	|点划线
+
+## 线条标记
+
+标记maker            | 描述
+----|----
+‘o’                 |圆圈  
+‘.’                 |点
+‘D’                 |菱形  
+‘s’                 |正方形
+‘h’                 |六边形1    
+‘*’                 |星号
+‘H’                 |六边形2    
+‘d’                 |小菱形
+‘_’                | 水平线 
+‘v’                 |一角朝下的三角形
+‘8’                 |八边形 
+‘<’                | 一角朝左的三角形
+‘p’                 |五边形 
+‘>’                 |一角朝右的三角形
+‘,’                 |像素  
+‘^’                | 一角朝上的三角形
+‘+’                | 加号  
+‘\  ‘               |竖线
+‘None’,’’,’ ‘       |无   
+‘x’                | X
+
+
+## 颜色
+
+别名           |  颜色   
+---|---
+b              | 蓝色  
+g               |绿色
+r               |红色  
+y               |黄色
+c               |青色
+k               |黑色   
+m               |洋红色 
+w               |白色
+
+
+## 绘图步骤
+
+```py
+#使用numpy产生数据
+x=np.arange(-5,5,0.1)
+y=x*3
+
+#创建窗口、子图
+#方法1：先创建窗口，再创建子图。（一定绘制）
+fig = plt.figure(num=1, figsize=(15, 8),dpi=80)     
+#开启一个窗口，同时设置大小，分辨率
+ax1 = fig.add_subplot(2,1,1)  
+#通过fig添加子图，参数：行数，列数，第几个。
+ax2 = fig.add_subplot(2,1,2)  
+#通过fig添加子图，参数：行数，列数，第几个。
+print(fig,ax1,ax2)
+#方法2：一次性创建窗口和多个子图。（空白不绘制）
+fig,axarr = plt.subplots(4,1)  
+#开一个新窗口，并添加4个子图，返回子图数组
+ax1 = axarr[0]    
+#通过子图数组获取一个子图
+print(fig,ax1)
+#方法3：一次性创建窗口和一个子图。（空白不绘制）
+ax1 = plt.subplot(1,1,1,facecolor='white') 
+
+#开一个新窗口，创建1个子图。facecolor设置背景颜色
+print(ax1)
+#获取对窗口的引用，适用于上面三种方法
+# fig = plt.gcf()   #获得当前figure
+# fig=ax1.figure   #获得指定子图所属窗口
+
+# fig.subplots_adjust(left=0)                         
+#设置窗口左内边距为0，即左边留白为0。
+
+#设置子图的基本元素
+ax1.set_title('python-drawing')            
+#设置图体，plt.title
+ax1.set_xlabel('x-name')                    
+#设置x轴名称,plt.xlabel
+ax1.set_ylabel('y-name')                    
+#设置y轴名称,plt.ylabel
+plt.axis([-6,6,-10,10])                  
+#设置横纵坐标轴范围，这个在子图中被分解为下面两个函数
+ax1.set_xlim(-5,5)                           
+#设置横轴范围，会覆盖上面的横坐标,plt.xlim
+ax1.set_ylim(-10,10)                         
+#设置纵轴范围，会覆盖上面的纵坐标,plt.ylim
+
+xmajorLocator = MultipleLocator(2)   
+#定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本
+ymajorLocator = MultipleLocator(3)   
+#定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本
+
+ax1.xaxis.set_major_locator(xmajorLocator) 
+#x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式
+ax1.yaxis.set_major_locator(ymajorLocator) 
+#y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式
+
+ax1.xaxis.grid(True, which='major')      
+#x坐标轴的网格使用定义的主刻度格式
+ax1.yaxis.grid(True, which='major')      
+#x坐标轴的网格使用定义的主刻度格式
+
+ax1.set_xticks([])     
+#去除坐标轴刻度
+ax1.set_xticks((-5,-3,-1,1,3,5))  
+#设置坐标轴刻度
+ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small')  
+#设置刻度的显示文本，rotation旋转角度，fontsize字体大小
+
+plot1=ax1.plot(x,y,marker='o',color='g',label='legend1')   
+#点图：marker图标
+plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2')   
+#线图：linestyle线性，alpha透明度，color颜色，label图例文本
+
+ax1.legend(loc='upper left')            
+#显示图例,plt.legend()
+ax1.text(2.8, 7, r'y=3*x')                
+#指定位置显示文字,plt.text()
+ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5),  arrowprops=dict(facecolor='black', shrink=0.05),)
+#添加标注，参数：注释文本、指向点、文字位置、箭头属性
+#显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both'
+ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2)
+
+axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')      
+#在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间
+axes1.plot(x,y)
+#在子图上画图
+plt.savefig('aa.jpg',dpi=400,bbox_inches='tight')   
+#savefig保存图片，dpi分辨率，bbox_inches子图周边白色空间的大小
+plt.show()    
+#打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制
+
+```
+
+## plot属性
+
+```py
+属性                      值类型
+alpha                   浮点值
+animated                [True / False]
+antialiased or aa       [True / False]
+clip_box                matplotlib.transform.Bbox 实例
+clip_on                 [True / False]
+clip_path               Path 实例， Transform，以及Patch实例
+color or c              任何 matplotlib 颜色
+contains                命中测试函数
+dash_capstyle           ['butt' / 'round' / 'projecting']
+dash_joinstyle          ['miter' / 'round' / 'bevel']
+dashes                  以点为单位的连接/断开墨水序列
+data                    (np.array xdata, np.array ydata)
+figure                  matplotlib.figure.Figure 实例
+label                   任何字符串
+linestyle or ls         [ '-' / '--' / '-.' / ':' / 'steps' / ...]
+linewidth or lw         以点为单位的浮点值
+lod                     [True / False]
+marker                  [ '+' / ',' / '.' / '1' / '2' / '3' / '4' ]
+markeredgecolor or mec  任何 matplotlib 颜色
+markeredgewidth or mew  以点为单位的浮点值
+markerfacecolor or mfc  任何 matplotlib 颜色
+markersize or ms        浮点值
+markevery               [ None / 整数值 / (startind, stride) ]
+picker                  用于交互式线条选择
+pickradius              线条的拾取选择半径
+solid_capstyle          ['butt' / 'round' / 'projecting']
+solid_joinstyle         ['miter' / 'round' / 'bevel']
+transform               matplotlib.transforms.Transform 实例
+visible                 [True / False]
+xdata                   np.array
+ydata                   np.array
+zorder                  任何数值
+```
+
+## 多图绘制
+
+```py
+#一个窗口，多个图，多条数据
+sub1=plt.subplot(211,facecolor=(0.1843,0.3098,0.3098))  
+#将窗口分成2行1列，在第1个作图，并设置背景色
+sub2=plt.subplot(212)   
+#将窗口分成2行1列，在第2个作图
+sub1.plot(x,y)          
+#绘制子图
+sub2.plot(x,y)          
+#绘制子图
+
+axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')  
+#添加一个子坐标系，rect=[左, 下, 宽, 高]
+plt.plot(x,y)           
+#绘制子坐标系，
+axes2 = plt.axes([0.7, .2, .1, .1], facecolor='y')  
+#添加一个子坐标系，rect=[左, 下, 宽, 高]
+plt.plot(x,y)
+plt.show()
+```
+## 极坐标
+
+```py
+fig = plt.figure(2)                                
+#新开一个窗口
+ax1 = fig.add_subplot(1,2,1,polar=True)                  
+#启动一个极坐标子图
+theta=np.arange(0,2*np.pi,0.02)              
+#角度数列值
+ax1.plot(theta,2*np.ones_like(theta),lw=2)   
+#画图，参数：角度，半径，lw线宽
+ax1.plot(theta,theta/6,linestyle='--',lw=2)           
+#画图，参数：角度，半径，linestyle样式，lw线宽
+
+ax2 = fig.add_subplot(1,2,2,polar=True)                  
+#启动一个极坐标子图
+ax2.plot(theta,np.cos(5*theta),linestyle='--',lw=2)
+ax2.plot(theta,2*np.cos(4*theta),lw=2)
+
+ax2.set_rgrids(np.arange(0.2,2,0.2),angle=45)   #距离网格轴，轴线刻度和显示位置
+ax2.set_thetagrids([0,45,90])                   #角度网格轴，范围0-360度
+
+plt.show()
+```
+
+## 柱状图
+
+```py
+plt.figure(3)
+x_index = np.arange(5)   
+#柱的索引
+x_data = ('A', 'B', 'C', 'D', 'E')
+y1_data = (20, 35, 30, 35, 27)
+y2_data = (25, 32, 34, 20, 25)
+bar_width = 0.35   
+#定义一个数字代表每个独立柱的宽度
+
+rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1')            
+#参数：左偏移、高度、柱宽、透明度、颜色、图例
+rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') 
+#参数：左偏移、高度、柱宽、透明度、颜色、图例
+#关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了
+plt.xticks(x_index + bar_width/2, x_data)   
+#x轴刻度线
+plt.legend()    
+#显示图例
+plt.tight_layout()  
+#自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔
+plt.show()
+```
+
+## 直方图
+
+```py
+fig,(ax0,ax1) = plt.subplots(nrows=2,figsize=(9,6))     
+#在窗口上添加2个子图
+sigma = 1   
+#标准差
+mean = 0    
+#均值
+x=mean+sigma*np.random.randn(10000)   
+#正态分布随机数
+ax0.hist(x,bins=40,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75)   
+#normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度
+ax1.hist(x,bins=20,normed=1,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) 
+#bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度
+plt.show()  
+#所有窗口运行
+```
+
+## 散点图
+
+```py
+fig = plt.figure(4)          
+#添加一个窗口
+ax =fig.add_subplot(1,1,1)   
+#在窗口上添加一个子图
+x=np.random.random(100)      
+#产生随机数组
+y=np.random.random(100)      
+#产生随机数组
+ax.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none')  
+#x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度
+plt.show()  
+#所有窗口运行
+```
+
+## 三维图
+
+```py
+fig = plt.figure(5)
+ax=fig.add_subplot(1,1,1,projection='3d')     
+#绘制三维图
+
+x,y=np.mgrid[-2:2:20j,-2:2:20j]  
+#获取x轴数据，y轴数据
+z=x*np.exp(-x**2-y**2)   
+#获取z轴数据
+
+ax.plot_surface(x,y,z,rstride=2,cstride=1,cmap=plt.cm.coolwarm,alpha=0.8)  
+#绘制三维图表面
+ax.set_xlabel('x-name')     
+#x轴名称
+ax.set_ylabel('y-name')     
+#y轴名称
+ax.set_zlabel('z-name')     
+#z轴名称
+
+plt.show()
+```
+
+## 集合图形
+
+```py
+fig = plt.figure(6)   
+#创建一个窗口
+ax=fig.add_subplot(1,1,1)   
+#添加一个子图
+rect1 = plt.Rectangle((0.1,0.2),0.2,0.3,color='r')  
+#创建一个矩形，参数：(x,y),width,height
+circ1 = plt.Circle((0.7,0.2),0.15,color='r',alpha=0.3)  
+#创建一个椭圆，参数：中心点，半径，默认这个圆形会跟随窗口大小进行长宽压缩
+pgon1 = plt.Polygon([[0.45,0.45],[0.65,0.6],[0.2,0.6]])  
+#创建一个多边形，参数：每个顶点坐标
+
+ax.add_patch(rect1)  
+#将形状添加到子图上
+ax.add_patch(circ1)  
+#将形状添加到子图上
+ax.add_patch(pgon1)  
+#将形状添加到子图上
+
+fig.canvas.draw()  
+#子图绘制
+plt.show()
+```

Python/matplotlab/学习教程/03基本用法.md

@@ -0,0 +1,135 @@
+# 基本用法
+## 本章知识点归纳如下：
+
+* 导入模块：import matplotlib.pyplot as plt
+* 定义图像窗口：plt.figure()
+* 画图：plt.plot(x, y)
+* 定义坐标轴范围：plt.xlim()/plt.ylim()
+* 定义坐标轴名称：plt.xlabel()/plt.ylabel()
+* 定义坐标轴刻度及名称：plt.xticks()/plt.yticks()
+* 设置图像边框颜色：ax = plt.gca() ax.spines[].set_color()
+* 调整刻度位置：ax.xaxis.set_ticks_position()/ax.yaxis.set_ticks_position()
+* 调整边框（坐标轴）位置：ax.spines[].set_position()
+
+## 导入模块
+
+* 使用import导入模块matplotlib.pyplot，并简写成plt；使用import导入模块numpy，并简写成np
+```py
+import matplotlib.pyplot as plt
+import numpy as np
+```
+* 然后创建两组数据，使用np.linspace定义x：范围是(-3,3)，个数是50，将产生一组（-3，3）内均匀分布的50个数；(x,y1)表示曲线1，(x,y2)表示曲线2。
+```py
+x = np.linspace(-3, 3, 50)
+y1 = 2*x + 1
+y2 = x**2
+```
+
+## 定义图像窗口并画图
+
+* 在画图前使用plt.figure()定义一个图像窗口：编号为3；大小为(8, 5)；这两项参数可缺省。其中，num参数决定了程序运行后弹出的图像窗口名字，但在klab平台下不会显示。接着，我们使用plt.plot画出(x ,y2)曲线；使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色；曲线的宽度(linewidth)为1.0；曲线的类型(linestyle)为虚线，除了虚线外，大家还可使用以下线性：'-'、'--'、'-.'、':' 。接着，我们使用plt.show()显示图像。
+
+```py
+plt.figure(num=3, figsize=(8, 5))
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.show()
+```
+
+## 定义坐标轴名称及范围
+* 使用plt.xlim设置x坐标轴范围：(-1, 2)； 使用plt.ylim设置y坐标轴范围：(-2, 3)； 使用plt.xlabel设置x坐标轴名称：’I am x’； 使用plt.ylabel设置y坐标轴名称：’I am y’；
+```py
+plt.figure(num=3, figsize=(8, 5),)
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.xlim((-1, 2))
+plt.ylim((-2, 3))
+plt.xlabel('I am x')
+plt.ylabel('I am y')
+plt.show()
+```
+## 定义坐标轴刻度及名称
+
+* 有时候，我们的坐标轴刻度可能并不是一连串的数字，而是一些文字，或者我们想要调整坐标轴的刻度的稀疏，这时，就需要使用plt.xticks()或者plt.yticks()来进行调整：首先，使用np.linspace定义新刻度范围以及个数：范围是(-1,2);个数是5。使用plt.xticks设置x轴刻度：范围是(-1,2);个数是5。使用plt.yticks设置y轴刻度以及名称：刻度为[-2, -1.8, -1, 1.22, 3]；对应刻度的名称为[‘really bad’,’bad’,’normal’,’good’, ‘really good’]。使用plt.show()显示图像。
+```py
+plt.figure(num=3, figsize=(8, 5))
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.xlim((-1, 2))
+plt.ylim((-2, 3))
+plt.xlabel('I am x')
+plt.ylabel('I am y')
+new_ticks = np.linspace(-1, 2, 5)
+print(new_ticks)
+plt.xticks(new_ticks)
+plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
+plt.show()
+[-1.   -0.25  0.5   1.25  2.  ]
+```
+## 设置图像边框颜色
+* 细心的小伙伴可能会注意到，我们的图像坐标轴总是由上下左右四条线组成，我们也可以对它们进行修改：首先，使用plt.gca()获取当前坐标轴信息。使用.spines设置边框；使用.set_color设置边框颜色；
+```py
+plt.figure(num=3, figsize=(8, 5))
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.xlim((-1, 2))
+plt.ylim((-2, 3))
+plt.xticks(new_ticks)
+plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
+ax = plt.gca()
+ax.spines['right'].set_color('none')
+ax.spines['top'].set_color('none')
+plt.show()
+```
+调整刻度及边框位置
+使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom.（所有位置：top，bottom，both，default，none）；使用.spines设置边框：x轴；使用.set_position设置边框位置：y=0的位置；（位置所有属性：outward，axes，data）
+
+plt.figure(num=3, figsize=(8, 5))
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.xlim((-1, 2))
+plt.ylim((-2, 3))
+plt.xticks(new_ticks)
+plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
+ax = plt.gca()
+ax.spines['right'].set_color('none')
+ax.spines['top'].set_color('none')
+ax.xaxis.set_ticks_position('bottom')
+ax.spines['bottom'].set_position(('data', 0))
+plt.show()
+
+使用.yaxis.set_ticks_position设置y坐标刻度数字或名称的位置：left.（所有位置：left，right，both，default，none） 使用.spines设置边框：y轴；使用.set_position设置边框位置：x=0的位置；（位置所有属性：outward，axes，data） 使用plt.show显示图像.
+
+plt.figure(num=3, figsize=(8, 5))
+plt.plot(x, y2)
+plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
+plt.xlim((-1, 2))
+plt.ylim((-2, 3))
+plt.xticks(new_ticks)
+plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
+ax = plt.gca()
+ax.spines['right'].set_color('none')
+ax.spines['top'].set_color('none')
+ax.xaxis.set_ticks_position('bottom')
+ax.spines['bottom'].set_position(('data', 0))
+ax.yaxis.set_ticks_position('left')
+ax.spines['left'].set_position(('data',0))
+plt.show()
+
+练一练
+小伙伴们，以上就是matplotlib的基本用法，是不是比较简单呢？现在，请根据上述所学内容，画出直线 y = x-1, 线型为虚线，线宽为1，纵坐标范围（-2，1），横坐标范围（-1，2），横纵坐标在（0，0）坐标点相交。横坐标的 [-1,-0.5,1] 分别对应 [bad, normal, good]。请一定自己尝试一番再看下面的答案噢~
+
+#答案
+x = np.linspace(-1, 2, 50)
+y = x - 1
+plt.figure()
+plt.plot(x,y, linewidth=1.0, linestyle='--')
+plt.xlim((-1,2))
+plt.ylim((-2,2))
+plt.xticks([-1,-0.5,1],['bad', 'normal', 'good'])
+ax = plt.gca()
+ax.spines['top'].set_color('none')
+ax.spines['right'].set_color('none')
+ax.spines['left'].set_position(('data',0))
+ax.spines['bottom'].set_position(('data',0))
+plt.show()

Python/matplotlab/学习教程/test1.py

@@ -0,0 +1,33 @@
+# changshi 
+import numpy as np
+import matplotlib.pyplot as plt
+
+# 定义数据集
+x = np.linspace(-3,3,50)
+y1 = 2*x+1
+y2 = x**2
+
+
+# 绘制图像
+plt.figure(num=3,figsize=(10,10))
+plt.plot(x,y1)
+plt.plot(x,y2,color='red',linewidth=1,linestyle='--')
+
+# 定义坐标轴的范围及名称
+plt.xlim((-5,5))
+plt.ylim((0,10))
+
+plt.xlabel('i am x')
+plt.ylabel('i am y')
+
+# 刻度
+ticks = np.linspace(-1,2,5)
+plt.xticks(ticks)
+plt.yticks([-2,-1.8,-1,1.22,3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
+
+# 设置边框颜色
+ax = plt.gca()
+ax.spines['right'].set_color('none')
+ax.spines['top'].set_color('none')
+# 展示图像
+plt.show()

Python/numpy/20随机数.md

@@ -0,0 +1,703 @@
+# 使用numpy产生随机数
+numpy中的random模块包含了很多方法可以用来产生随机数，这篇文章将对random中的一些常用方法做一个总结。
+
+## 1、numpy.random.rand(d0, d1, ..., dn)
+* 作用：产生一个给定形状的数组（其实应该是ndarray对象或者是一个单值），数组中的值服从[0, 1)之间的均匀分布。
+* 参数：d0, d, ..., dn : int，可选。如果没有参数则返回一个float型的随机数，该随机数服从[0, 1)之间的均匀分布。
+* 返回值：ndarray对象或者一个float型的值
+例子：
+```py
+# [0, 1)之间均匀分布的随机数，3行2列
+a = np.random.rand(3, 2)
+print(a)
+# 不提供形状
+b = np.random.rand()
+print(b)
+输出：
+
+[[0.26054323 0.28184468]
+ [0.7783674  0.71733674]
+ [0.90302256 0.49303252]]
+0.6022098740124009
+```
+## 2、numpy.random.uniform(low=0.0, high=1.0, size=None)
+* 作用：返回一个在区间[low, high)中均匀分布的数组，size指定形状。
+* 参数：
+  * low, high：float型或者float型的类数组对象。指定抽样区间为[low, high)，low的默认值为0.0，hign的默认值为1.0
+  * size：int型或int型元组。指定形状，如果不提供size，则返回一个服从该分布的随机数。
+例子：
+```py
+# 在[1, 10)之间均匀抽样，数组形状为3行2列
+a = np.random.uniform(1, 10, (3, 2))
+print(a)
+# 不提供size
+b = np.random.uniform(1, 10)
+print(b)
+输出：
+
+[[5.16545387 6.3769087 ]
+ [9.98964899 7.88833885]
+ [1.37173855 4.19855075]]
+3.899250175275188
+```
+## 3、numpy.random.randn(d0, d1, ..., dn)
+* 作用：返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，方差为1）。
+* 参数：d0, d, ..., dn : int，可选。如果没有参数，则返回一个服从标准正态分布的float型随机数。
+* 返回值：ndarray对象或者float
+例子：
+```py
+# 3行2列
+a = np.random.randn(3, 2)
+print(a)
+# 不提供形状
+b = np.random.randn()
+print(b)
+输出：
+
+[[-1.46605527  0.35434705]
+ [ 0.43408199  0.02689309]
+ [ 0.48041554  1.62665755]]
+-0.6291254375915813
+```
+
+## 4、numpy.random.normal(loc=0.0, scale=1.0, size=None)
+* 作用：返回一个由size指定形状的数组，数组中的值服从 μ=loc,σ=scale 的正态分布。
+* 参数：
+  * loc : float型或者float型的类数组对象，指定均值 μ
+  * scale : float型或者float型的类数组对象，指定标准差 σ
+  * size : int型或者int型的元组，指定了数组的形状。如果不提供size，且loc和scale为标量（不是类数组对象），则返回一个服从该分布的随机数。
+* 输出：ndarray对象或者一个标量
+例子：
+```py
+# 标准正态分布，3行2列
+a = np.random.normal(0, 1, (3, 2))
+print(a)
+# 均值为1，标准差为3
+b = np.random.normal(1, 3)
+print(b)
+输出：
+
+[[ 0.34912031 -0.08757564]
+ [-0.99753101  0.37441719]
+ [ 2.68072286 -1.03663963]]
+5.770831320998463
+```
+## 5、numpy.random.randint(low, high=None, size=None, dtype='l')
+* 作用：返回一个在区间[low, high)中离散均匀抽样的数组，size指定形状，dtype指定数据类型。
+* 参数：
+  * low, high：int型，指定抽样区间[low, high)
+  * size：int型或int型的元组，指定形状
+  * dypte：可选参数，指定数据类型，比如int,int64等，默认是np.int
+* 返回值：如果指定了size，则返回一个int型的ndarray对象，否则返回一个服从该分布的int型随机数。
+例子：
+```py
+# 在[1, 10)之间离散均匀抽样，数组形状为3行2列
+a = np.random.randint(1, 10, (3, 2))
+print(a)
+# 不提供size
+b = np.random.randint(1, 10)
+print(b)
+# 指定dtype
+c = np.random.randint(1, 10, dtype=np.int64)
+print(c)
+type(c)
+输出：
+
+[[3 1]
+ [3 3]
+ [5 8]]
+6
+2
+numpy.int64
+```
+
+## 6、numpy.random.random(size=None)
+* 作用：返回从[0, 1)之间均匀抽样的数组，size指定形状。
+* 参数：
+  * size：int型或int型的元组，如果不提供则返回一个服从该分布的随机数
+* 返回值：float型或者float型的ndarray对象
+* 例子：
+```py
+# [0, 1)之间的均匀抽样，3行2列
+a = np.random.random((3, 2))
+print(a)
+# 不指定size
+b = np.random.random()
+print(b)
+输出：
+
+[[0.80136714 0.63129059]
+ [0.04556679 0.04433006]
+ [0.09643599 0.53312761]]
+0.32828505898057136
+```
+
+# numpy API
+
+## 简单的随机数据
+
+<div id="cnblogs_post_body" class="blogpost-body">
+    <h1>随机抽样&nbsp;(<tt class="xref py py-mod docutils literal"><span class="pre">numpy.random</span></tt>)</h1>
+<div id="simple-random-data" class="section">
+<h2><a name="t1"></a>简单的随机数据</h2>
+<table class="longtable docutils" border="1"><colgroup><col width="40%"><col width="60%"></colgroup>
+<tbody valign="top">
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.rand" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.rand.html#numpy.random.rand" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">rand</span></tt></a>(d0,&nbsp;d1,&nbsp;...,&nbsp;dn)</p>
+</td>
+<td>
+<p>随机值</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.rand(3,2)
+array([[ 0.14022471,  0.96360618],  #random
+       [ 0.37601032,  0.25528411],  #random
+       [ 0.49313049,  0.94909878]]) #random</pre>
+</div>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.randn" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.randn.html#numpy.random.randn" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">randn</span></tt></a>(d0,&nbsp;d1,&nbsp;...,&nbsp;dn)</p>
+</td>
+<td>
+<p>返回一个样本，具有标准正态分布。</p>
+<p class="rubric">Notes</p>
+<p>For random samples from&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/93af1f49bf6bbf05f549f49609becdb5f7039538.png" alt="技术分享">, use:</p>
+<div class="cnblogs_code">
+<pre>sigma * np.random.randn(...) + mu</pre>
+</div>
+<p class="rubric">Examples</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.randn()
+2.1923875335537315 #random</pre>
+</div>
+<p>Two-by-four array of samples from N(3, 6.25):</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; 2.5 * np.random.randn(2, 4) + 3
+array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],  #random
+       [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]]) #random</pre>
+</div>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.randint" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.randint.html#numpy.random.randint" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">randint</span></tt></a>(low[,&nbsp;high,&nbsp;size])</p>
+</td>
+<td>
+<p>返回随机的整数，位于半开区间 [low, high)。</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.randint(2, size=10)
+array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
+&gt;&gt;&gt; np.random.randint(1, size=10)
+array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])</pre>
+</div>
+<p>Generate a 2 x 4 array of ints between 0 and 4, inclusive:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.randint(5, size=(2, 4))
+array([[4, 0, 2, 1],
+       [3, 2, 2, 0]])</pre>
+</div>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.random_integers" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random_integers.html#numpy.random.random_integers" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">random_integers</span></tt></a>(low[,&nbsp;high,&nbsp;size])</p>
+</td>
+<td>
+<p>返回随机的整数，位于闭区间 [low, high]。</p>
+<p class="rubric">Notes</p>
+<p>To sample from N evenly spaced floating-point numbers between a and b, use:</p>
+<div class="cnblogs_code">
+<pre>a + (b - a) * (np.random.random_integers(N) - 1) / (N - 1.)</pre>
+</div>
+<p>Examples</p>
+<div class="cnblogs_code"><div class="cnblogs_code_toolbar"><span class="cnblogs_code_copy"><a href="javascript:void(0);" onclick="copyCnblogsCode(this)" title="复制代码"><img src="//common.cnblogs.com/images/copycode.gif" alt="复制代码"></a></span></div>
+<pre>&gt;&gt;&gt; np.random.random_integers(5)
+4
+&gt;&gt;&gt; type(np.random.random_integers(5))
+&lt;type ‘int‘&gt;
+&gt;&gt;&gt; np.random.random_integers(5, size=(3.,2.))
+array([[5, 4],
+       [3, 3],
+       [4, 5]])</pre>
+<div class="cnblogs_code_toolbar"><span class="cnblogs_code_copy"><a href="javascript:void(0);" onclick="copyCnblogsCode(this)" title="复制代码"><img src="//common.cnblogs.com/images/copycode.gif" alt="复制代码"></a></span></div></div>
+<p>Choose five random numbers from the set of five evenly-spaced numbers between 0 and 2.5, inclusive (<em>i.e.</em>, from the set&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/260812782a8a4f35a929d637a38520175045eaa2.png" alt="技术分享">):</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; 2.5 * (np.random.random_integers(5, size=(5,)) - 1) / 4.
+array([ 0.625,  1.25 ,  0.625,  0.625,  2.5  ])</pre>
+</div>
+<p>Roll two six sided dice 1000 times and sum the results:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; d1 = np.random.random_integers(1, 6, 1000)
+&gt;&gt;&gt; d2 = np.random.random_integers(1, 6, 1000)
+&gt;&gt;&gt; dsums = d1 + d2</pre>
+</div>
+<p>Display results as a histogram:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; import matplotlib.pyplot as plt
+&gt;&gt;&gt; count, bins, ignored = plt.hist(dsums, 11, normed=True)
+&gt;&gt;&gt; plt.show()</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.random_sample" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random_sample.html#numpy.random.random_sample" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">random_sample</span></tt></a>([size])</p>
+</td>
+<td>
+<p>返回随机的浮点数，在半开区间 [0.0, 1.0)。</p>
+<p>To sample&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/e9a05a99f961e8f094b3869fcddd366857d7b0d9.png" alt="技术分享">&nbsp;multiply the output of&nbsp;<a class="reference internal" title="numpy.random.random_sample" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random_sample.html#numpy.random.random_sample" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">random_sample</span></tt></a>&nbsp;by&nbsp;<em class="xref py py-obj">(b-a)</em>&nbsp;and add&nbsp;<em class="xref py py-obj">a</em>:</p>
+<div class="cnblogs_code">
+<pre>(b - a) * random_sample() + a</pre>
+</div>
+<p>Examples</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.random_sample()
+0.47108547995356098
+&gt;&gt;&gt; type(np.random.random_sample())
+&lt;type ‘float‘&gt;
+&gt;&gt;&gt; np.random.random_sample((5,))
+array([ 0.30220482,  0.86820401,  0.1654503 ,  0.11659149,  0.54323428])</pre>
+</div>
+<p>Three-by-two array of random numbers from [-5, 0):</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; 5 * np.random.random_sample((3, 2)) - 5
+array([[-3.99149989, -0.52338984],
+       [-2.99091858, -0.79479508],
+       [-1.23204345, -1.75224494]])</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.random" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random.html#numpy.random.random" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">random</span></tt></a>([size])</p>
+</td>
+<td>
+<p>返回随机的浮点数，在半开区间 [0.0, 1.0)。</p>
+<p>（官网例子与random_sample完全一样）</p>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.ranf" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.ranf.html#numpy.random.ranf" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">ranf</span></tt></a>([size])</p>
+</td>
+<td>
+<p>返回随机的浮点数，在半开区间 [0.0, 1.0)。</p>
+<p>（官网例子与random_sample完全一样）</p>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.sample" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.sample.html#numpy.random.sample" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">sample</span></tt></a>([size])</p>
+</td>
+<td>
+<p>返回随机的浮点数，在半开区间 [0.0, 1.0)。</p>
+<p>（官网例子与random_sample完全一样）</p>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.choice" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.choice.html#numpy.random.choice" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">choice</span></tt></a>(a[,&nbsp;size,&nbsp;replace,&nbsp;p])</p>
+</td>
+<td>
+<p>生成一个随机样本，从一个给定的一维数组</p>
+<p class="rubric">Examples</p>
+<p>Generate a uniform random sample from np.arange(5) of size 3:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.choice(5, 3)
+array([0, 3, 4])
+&gt;&gt;&gt; #This is equivalent to np.random.randint(0,5,3)</pre>
+</div>
+<p>Generate a non-uniform random sample from np.arange(5) of size 3:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
+array([3, 3, 0])</pre>
+</div>
+<p>Generate a uniform random sample from np.arange(5) of size 3 without replacement:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.choice(5, 3, replace=False)
+array([3,1,0])
+&gt;&gt;&gt; #This is equivalent to np.random.permutation(np.arange(5))[:3]</pre>
+</div>
+<p>Generate a non-uniform random sample from np.arange(5) of size 3 without replacement:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])
+array([2, 3, 0])</pre>
+</div>
+<p>Any of the above can be repeated with an arbitrary array-like instead of just integers. For instance:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; aa_milne_arr = [‘pooh‘, ‘rabbit‘, ‘piglet‘, ‘Christopher‘]
+&gt;&gt;&gt; np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
+array([‘pooh‘, ‘pooh‘, ‘pooh‘, ‘Christopher‘, ‘piglet‘],
+      dtype=‘|S11‘)</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.bytes" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.bytes.html#numpy.random.bytes" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">bytes</span></tt></a>(length)</p>
+</td>
+<td>
+<p>返回随机字节。</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.bytes(10)
+‘ eh\x85\x022SZ\xbf\xa4‘ #random</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+</tbody>
+</table>
+</div>
+<div id="permutations" class="section">
+<h2><a name="t2"></a>排列</h2>
+<table class="longtable docutils" border="1"><colgroup><col width="40%"><col width="60%"></colgroup>
+<tbody valign="top">
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.shuffle" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.shuffle.html#numpy.random.shuffle" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">shuffle</span></tt></a>(x)</p>
+</td>
+<td>
+<p>现场修改序列，改变自身内容。（类似洗牌，打乱顺序）</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; arr = np.arange(10)
+&gt;&gt;&gt; np.random.shuffle(arr)
+&gt;&gt;&gt; arr
+[1 7 5 2 9 4 3 6 0 8]</pre>
+</div>
+<p>&nbsp;</p>
+<p>This function only shuffles the array along the first index of a multi-dimensional array:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; arr = np.arange(9).reshape((3, 3))
+&gt;&gt;&gt; np.random.shuffle(arr)
+&gt;&gt;&gt; arr
+array([[3, 4, 5],
+       [6, 7, 8],
+       [0, 1, 2]])</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.permutation" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.permutation.html#numpy.random.permutation" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">permutation</span></tt></a>(x)</p>
+</td>
+<td>
+<p>返回一个随机排列</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.permutation(10)
+array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])</pre>
+</div>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; np.random.permutation([1, 4, 9, 12, 15])
+array([15,  1,  9,  4, 12])</pre>
+</div>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; arr = np.arange(9).reshape((3, 3))
+&gt;&gt;&gt; np.random.permutation(arr)
+array([[6, 7, 8],
+       [0, 1, 2],
+       [3, 4, 5]])</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+</tbody>
+</table>
+</div>
+<div id="distributions" class="section">
+<h2><a name="t3"></a><span class="web-item">分布</span></h2>
+<table class="longtable docutils" border="1"><colgroup><col width="40%"><col width="60%"></colgroup>
+<tbody valign="top">
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.beta" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.beta.html#numpy.random.beta" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">beta</span></tt></a>(a,&nbsp;b[,&nbsp;size])</p>
+</td>
+<td>贝塔分布样本，在&nbsp;<tt class="docutils literal"><span class="pre">[0,&nbsp;<span class="pre">1]</span></span></tt>内。</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.binomial" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.binomial.html#numpy.random.binomial" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">binomial</span></tt></a>(n,&nbsp;p[,&nbsp;size])</p>
+</td>
+<td>二项分布的样本。</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.chisquare" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.chisquare.html#numpy.random.chisquare" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">chisquare</span></tt></a>(df[,&nbsp;size])</p>
+</td>
+<td>卡方分布样本。</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.dirichlet" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.dirichlet.html#numpy.random.dirichlet" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">dirichlet</span></tt></a>(alpha[,&nbsp;size])</p>
+</td>
+<td>狄利克雷分布样本。</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.exponential" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.exponential.html#numpy.random.exponential" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">exponential</span></tt></a>([scale,&nbsp;size])</p>
+</td>
+<td>指数分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.f" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.f.html#numpy.random.f" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">f</span></tt></a>(dfnum,&nbsp;dfden[,&nbsp;size])</p>
+</td>
+<td>F分布样本。</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.gamma" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.gamma.html#numpy.random.gamma" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">gamma</span></tt></a>(shape[,&nbsp;scale,&nbsp;size])</p>
+</td>
+<td>伽马分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.geometric" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.geometric.html#numpy.random.geometric" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">geometric</span></tt></a>(p[,&nbsp;size])</p>
+</td>
+<td>几何分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.gumbel" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.gumbel.html#numpy.random.gumbel" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">gumbel</span></tt></a>([loc,&nbsp;scale,&nbsp;size])</p>
+</td>
+<td>耿贝尔分布。</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.hypergeometric" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.hypergeometric.html#numpy.random.hypergeometric" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">hypergeometric</span></tt></a>(ngood,&nbsp;nbad,&nbsp;nsample[,&nbsp;size])</p>
+</td>
+<td>超几何分布样本。</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.laplace" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.laplace.html#numpy.random.laplace" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">laplace</span></tt></a>([loc,&nbsp;scale,&nbsp;size])</p>
+</td>
+<td>拉普拉斯或双指数分布样本</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.logistic" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.logistic.html#numpy.random.logistic" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">logistic</span></tt></a>([loc,&nbsp;scale,&nbsp;size])</p>
+</td>
+<td>Logistic分布样本</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.lognormal" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.lognormal.html#numpy.random.lognormal" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">lognormal</span></tt></a>([mean,&nbsp;sigma,&nbsp;size])</p>
+</td>
+<td>对数正态分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.logseries" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.logseries.html#numpy.random.logseries" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">logseries</span></tt></a>(p[,&nbsp;size])</p>
+</td>
+<td>对数级数分布。</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.multinomial" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.multinomial.html#numpy.random.multinomial" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">multinomial</span></tt></a>(n,&nbsp;pvals[,&nbsp;size])</p>
+</td>
+<td>多项分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.multivariate_normal" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.multivariate_normal.html#numpy.random.multivariate_normal" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">multivariate_normal</span></tt></a>(mean,&nbsp;cov[,&nbsp;size])</p>
+</td>
+<td>
+<p>多元正态分布。</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; mean = [0,0]
+&gt;&gt;&gt; cov = [[1,0],[0,100]] # diagonal covariance, points lie on x or y-axis</pre>
+</div>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; import matplotlib.pyplot as plt
+&gt;&gt;&gt; x, y = np.random.multivariate_normal(mean, cov, 5000).T
+&gt;&gt;&gt; plt.plot(x, y, ‘x‘); plt.axis(‘equal‘); plt.show()</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.negative_binomial" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.negative_binomial.html#numpy.random.negative_binomial" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">negative_binomial</span></tt></a>(n,&nbsp;p[,&nbsp;size])</p>
+</td>
+<td>负二项分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.noncentral_chisquare" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.noncentral_chisquare.html#numpy.random.noncentral_chisquare" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">noncentral_chisquare</span></tt></a>(df,&nbsp;nonc[,&nbsp;size])</p>
+</td>
+<td>非中心卡方分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.noncentral_f" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.noncentral_f.html#numpy.random.noncentral_f" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">noncentral_f</span></tt></a>(dfnum,&nbsp;dfden,&nbsp;nonc[,&nbsp;size])</p>
+</td>
+<td>非中心F分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.normal" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.normal.html#numpy.random.normal" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">normal</span></tt></a>([loc,&nbsp;scale,&nbsp;size])</p>
+</td>
+<td>
+<p>正态(高斯)分布</p>
+<p class="rubric">Notes</p>
+<p>The probability density for the Gaussian distribution is</p>
+<div class="math">
+<p><img src="http://docs.scipy.org/doc/numpy/_images/math/2f8a02ce155191ed5a4ea8d776aa15fcaef26e1f.png" alt="技术分享"></p>
+</div>
+<p>where&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/fb6d665bbe0c01fc1af5c5f5fa7df40dc71331d7.png" alt="技术分享">&nbsp;is the mean and&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/bb6e1902efeb0b3704c6191ddce1f02707ab7d4b.png" alt="技术分享">&nbsp;the standard deviation. The square of the standard deviation,&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/dd3f23ceebfef553bff1607f84667d5cc6af7587.png" alt="技术分享">, is called the variance.</p>
+<p>The function has its peak at the mean, and its “spread” increases with the standard deviation (the function reaches 0.607 times its maximum at&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/ad6d5400fce43a299a35b53a9661e54a284f1bad.png" alt="技术分享">&nbsp;and&nbsp;<img class="math" src="http://docs.scipy.org/doc/numpy/_images/math/fa3af8846dae3eb1c8913dace238ff110abb64b2.png" alt="技术分享"><a id="id3" class="reference internal" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.normal.html#r217" target="_blank">&nbsp;[R217]</a>).</p>
+<p>&nbsp;</p>
+<p class="rubric">Examples</p>
+<p>Draw samples from the distribution:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; mu, sigma = 0, 0.1 # mean and standard deviation
+&gt;&gt;&gt; s = np.random.normal(mu, sigma, 1000)</pre>
+</div>
+<p>Verify the mean and the variance:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; abs(mu - np.mean(s)) &lt; 0.01
+True
+&gt;&gt;&gt; abs(sigma - np.std(s, ddof=1)) &lt; 0.01
+True</pre>
+</div>
+<p>Display the histogram of the samples, along with the probability density function:</p>
+<div class="cnblogs_code">
+<pre>&gt;&gt;&gt; import matplotlib.pyplot as plt
+&gt;&gt;&gt; count, bins, ignored = plt.hist(s, 30, normed=True)
+&gt;&gt;&gt; plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *
+...                np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
+...          linewidth=2, color=‘r‘)
+&gt;&gt;&gt; plt.show()</pre>
+</div>
+<p>&nbsp;</p>
+</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.pareto" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.pareto.html#numpy.random.pareto" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">pareto</span></tt></a>(a[,&nbsp;size])</p>
+</td>
+<td>帕累托（Lomax）分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.poisson" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.poisson.html#numpy.random.poisson" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">poisson</span></tt></a>([lam,&nbsp;size])</p>
+</td>
+<td>泊松分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.power" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.power.html#numpy.random.power" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">power</span></tt></a>(a[,&nbsp;size])</p>
+</td>
+<td>Draws samples in [0, 1] from a power distribution with positive exponent a - 1.</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.rayleigh" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.rayleigh.html#numpy.random.rayleigh" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">rayleigh</span></tt></a>([scale,&nbsp;size])</p>
+</td>
+<td>Rayleigh&nbsp;分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.standard_cauchy" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.standard_cauchy.html#numpy.random.standard_cauchy" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">standard_cauchy</span></tt></a>([size])</p>
+</td>
+<td>标准柯西分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.standard_exponential" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.standard_exponential.html#numpy.random.standard_exponential" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">standard_exponential</span></tt></a>([size])</p>
+</td>
+<td>标准的指数分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.standard_gamma" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.standard_gamma.html#numpy.random.standard_gamma" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">standard_gamma</span></tt></a>(shape[,&nbsp;size])</p>
+</td>
+<td>标准伽马分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.standard_normal" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.standard_normal.html#numpy.random.standard_normal" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">standard_normal</span></tt></a>([size])</p>
+</td>
+<td>标准正态分布&nbsp;(mean=0, stdev=1).</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.standard_t" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.standard_t.html#numpy.random.standard_t" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">standard_t</span></tt></a>(df[,&nbsp;size])</p>
+</td>
+<td>Standard Student’s t distribution with df degrees of freedom.</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.triangular" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.triangular.html#numpy.random.triangular" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">triangular</span></tt></a>(left,&nbsp;mode,&nbsp;right[,&nbsp;size])</p>
+</td>
+<td>三角形分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.uniform" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.uniform.html#numpy.random.uniform" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">uniform</span></tt></a>([low,&nbsp;high,&nbsp;size])</p>
+</td>
+<td>均匀分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.vonmises" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.vonmises.html#numpy.random.vonmises" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">vonmises</span></tt></a>(mu,&nbsp;kappa[,&nbsp;size])</p>
+</td>
+<td>von Mises分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.wald" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.wald.html#numpy.random.wald" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">wald</span></tt></a>(mean,&nbsp;scale[,&nbsp;size])</p>
+</td>
+<td>瓦尔德（逆高斯）分布</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.weibull" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.weibull.html#numpy.random.weibull" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">weibull</span></tt></a>(a[,&nbsp;size])</p>
+</td>
+<td>Weibull&nbsp;分布</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.zipf" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.zipf.html#numpy.random.zipf" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">zipf</span></tt></a>(a[,&nbsp;size])</p>
+</td>
+<td>齐普夫分布</td>
+</tr>
+</tbody>
+</table>
+</div>
+<h2><a name="t4"></a>随机数生成器</h2>
+<table class="longtable docutils" border="1"><colgroup><col width="40%"><col width="60%"></colgroup>
+<tbody valign="top">
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.RandomState" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.RandomState.html#numpy.random.RandomState" target="_blank"><tt class="xref py py-obj docutils literal">RandomState</tt></a></p>
+</td>
+<td>Container for the Mersenne Twister pseudo-random number generator.</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.seed" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.seed.html#numpy.random.seed" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">seed</span></tt></a>([seed])</p>
+</td>
+<td>Seed the generator.</td>
+</tr>
+<tr class="row-odd">
+<td>
+<p><a class="reference internal" title="numpy.random.get_state" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.get_state.html#numpy.random.get_state" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">get_state</span></tt></a>()</p>
+</td>
+<td>Return a tuple representing the internal state of the generator.</td>
+</tr>
+<tr class="row-even">
+<td>
+<p><a class="reference internal" title="numpy.random.set_state" href="http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.set_state.html#numpy.random.set_state" target="_blank"><tt class="xref py py-obj docutils literal"><span class="pre">set_state</span></tt></a>(state)</p>
+</td>
+<td>Set the internal state of the generator from a tuple.</td>
+</tr>
+</tbody>
+</table>
+</div>

信息系统集成/第2章 智能系统中的弱电系统.md

@@ -1,8 +0,0 @@
-# 智能系统中的弱电系统
-
-## 弱电系统与物联网
-
-* 直流1.5V$\sim$ 36V
-* 
-
-## 

信息系统集成/第2章 综合布线图的工程技术.md

@@ -1,3 +0,0 @@
-# 综合布线图的工程技术
-
-## 

信息系统集成/课程概要.md

@@ -1,22 +0,0 @@
-# 课程概要
-
-## 课程安排
-
-## 考核标准
-
-### 1+4+1（1个投名状4个单元作业1考试）
-
-
-* 投名状作业：提交一份设计图及项目说明。投名状啥的。路线图、结构图。
-* 每个单元一个可选的作业：设计布线图，户型图+智慧家居的布线图+或者+综述性作业
-  * 每个单元包含一个设计作业。共4个设计作业，选三个完成设计作业。
-  * 选一个单元，综合成一篇论文。
-
-* 作业提交eai2019@126.com
-
-## 主要内容
-
- 1. 物联网
- 2. 网络
- 3. 分析设计
- 4. 大数据后端

工作日志/2020年9月10日.md

@@ -1 +0,0 @@
-## 

工作日志/2020年9月14日.md

@@ -1,4 +1,3 @@
-今天要做的事情：
 # 主机配置-服务器搭建
 
 ## 需要了解的事情

工作日志/2020年9月28日.md

@@ -0,0 +1,24 @@
+# 学习安排
+## 具体的学习计划
+
+* 每天早上：一周的课程python实现
+* 每天下午：一周的课程python实现
+* 每天晚上：阅读论文并总结。
+
+
+
+## 方法
+1. 涉及到基础知识进行补充，例如线性代数
+2. 涉及到的编程知识进行补充，例如Numpy、scikitlearn、scipy等。
+
+
+也就是说，现在要同时学习三个东西。机器学习，机器学习依赖的数学基础，机器学习实现的编程基础。降低速度，尽量在一个月内，实现初步认知。
+## 补充
+应该对matplotlib和scipy的教程进行补充。教程部分只完成简单的说明即可。所有的例子，手动运行敲一遍。教程该出简单的实例，然后手动实现实例。
+
+具体的内容，等到实践过程中进行学习。
+
+
+
+
+

工作日志/2020年9月29日.md

@@ -0,0 +1,16 @@
+# 组会的PPT结构
+
+## 情报利用的现状
+
+## 联邦学习的现状
+
+## 机器学习在情报利用领域可能的应用路径
+
+## 拟打算应用的机器学习算法
+
+## 面临的难题
+
+## 解决问题的具体规划
+
+## 最近做的界面的事情
+

工作日志/2020年9月30日.md

@@ -0,0 +1 @@
+# 看论文工具与方法

工作日志/2020年9月3日.md

@@ -1,3 +1,4 @@
+# 情报威胁与联邦学习
 ## 研究方向
 
 * 情报威胁----定义系统的应用场景，包括输入输出。

工作日志/2020年9月4日.md

@@ -1,3 +1,4 @@
+# 供应链金融
 ## 时间安排
 
 上午：完成供应链金融的调查报告

工作日志/2020年9月6日.md

@@ -1,12 +1,20 @@
-当前的主要任务：
+# 机器学习
+## 当前的主要任务：
 
 现在处在研究的第一和第二阶段。关于第一阶段联邦学习的应用场景，主要由蒋师兄完成。第二阶段，学习联邦学习关联的基础知识，为第三阶段机器学习算法的实现和框架的搭建做好准备。
 
 看完相关的文章和博客。然后开始学习，用两周时间学习完成基础知识。在学习基础知识的时候，使用tensorflow框架进行算法的运行。
 
+-------------------
+## 长久的时间计划：
+* 必须在十一月份之前完成学习工作。那就到10月30号把。还有五本需要看的书。10月30号之前，完全搞懂该领域的内容。
+* 十一月份，进行调研，寻找大量相关的研究工作。
+* 十二月份，对相关领域的算法进行实现。对算法进行改进。
+
+> 感觉时间不够了啊，兄弟。你这需要做的事情有点多。国庆节，尽量恶补完成大部分机器学习的基础知识和主要的算法，然后国庆节后开始看论文。
 
 --------------
-学习路线
+## 学习路线
 
 ### Python系列（一周）
 

工作日志/2020年9月9日.md

@@ -45,7 +45,7 @@ easy-window小程序。
 ### 工程部署，使用nodejs封装工具发布。
 
 * 使用electron-package对工程进行打包√
-* 使用electron-build或者electron-asar对工程进行发布。创建安装程序。
+* 使用electron-build或者electron-asar对工程进行发布。创建安装程序。√
 
 
 ## 3 解决的bug问题

工作日志/总结.md

@@ -0,0 +1,21 @@
+## 第一周（9.1-9.6）
+* 阅读漏洞利用的相关知识，证明了漏洞利用的不可行。
+* 更换了开题的方向，转向联邦学习
+
+## 第二周（9.7-9.13）
+
+* 对联邦学习进行了一周的调研，了解了联邦学习是什么。
+* 对情报利用的方式进行了讨论，对情报可能的利用方向进行了总结。
+* 与公司进行对话，了解了情报利用利于相关的内容。
+
+
+## 第三周（9.14-9.20）
+* 完成了界面设计的一套方案。nodejs-electron-html/js/css-Cmake（make），打通了界面设计的技术路径。
+
+## 第四周（9.21-9.27）
+* 机器学习任务的开始。明确了机器学习的学习路径。
+* 完成了python3-numpy-scipy-matplotlib-pandas机器学习系列工具的学习。需要通过具体的编程项目进行熟练。
+
+## 第五周（9.28-10.4）
+* 吴恩达课程完成。
+* 机器学习相关工具的熟练。

机器学习/机器学习实战/01matplot3D图像.py

@@ -0,0 +1,21 @@
+# 使用numpy实现线性回归
+import numpy as np
+import matplotlib.pyplot as plt
+
+
+# 尝试使用matplot画了一个三维图像。
+x_1 = np.arange(0,10,0.1)
+x_1 = np.expand_dims(x_1,0)
+x_1 = np.repeat(x_1,100,axis=0)
+x_2= np.arange(0,10,0.1)
+x_2 = np.expand_dims(x_2,1)
+x_2 = np.repeat(x_2,100,axis=1)
+
+y = ((x_1+x_2-10)**2)
+
+print(x_1.flatten())
+ax = plt.axes(projection='3d')
+
+ax.scatter3D(x_1.flatten(),x_2.flatten(),y.flatten(),c=y, cmap='Greens')
+
+plt.show()

机器学习/机器学习实战/02线性回归尝试.py

@@ -0,0 +1,26 @@
+# 吴恩达线性回归第一部分
+# 这是第一个线性回归（机器学习算法）用来预测房价，感觉有点神奇。
+import numpy as np
+
+# 构造了样本数据集
+x = np.arange(0,100,1)
+loss = np.random.rand(100)-0.5
+y = 2*x+6+loss
+
+# 对样本数据集进行线性回归y=a0+a1x
+# 给出参数的初始值
+a0 = -10
+a1 = -10
+w = 0.0001 # 表示梯度下降速度
+
+# 对a0进行梯度下降
+
+for i in range(1000):
+    a0 = a0-100*w*(1/100)*np.sum(a0+a1*x-y)
+    a1 = a1-w*(1/100)*np.sum((a0+a1*x-y)*x)
+
+print(a0,a1)
+
+
+
+

机器学习/机器学习课程/first.py

@@ -1,3 +0,0 @@
-# 用来实现吴恩达的机器学习课程
-
-

机器学习/机器学习课程笔记/机器学习基础.md

@@ -1,3 +1,4 @@
+## 机器学习分类
 * 有监督的学习：给出了正确答案
   * 回归问题：预测连续的数值输出。（输出是连续的，一条曲线）
   * 分类问题：预测离散的值输出。（输出局限于几个类别，有界离散的输出）
@@ -7,14 +8,6 @@
   * 聚类问题：将相同主体的新闻聚集到一块。社交网络划分为不同的圈子。结果不是事先给出的，通过机器学习，发现数据的内部结构。
 
 
-
-
-
-
-
-
-
-
 ## 典型问题
 
 * 房屋面积-房屋价格：回归问题

机器学习/机器学习课程笔记/线性回归.md

@@ -0,0 +1,50 @@
+# 线性回归
+
+## 房价问题
+* 数据集构成
+  * 训练集
+  * 样本数量m
+  * 样本特征$x_i$
+  * 目标变量y
+
+
+
+## 假设函数
+  * 假设函数
+  $$h(x)=\theta_0+\theta_1 x$$
+  * 模型参数$\theta_0,\theta_1$
+## 代价函数
+  * 损失函数、代价函数（loss/cost function）:平方误差代价函数
+  
+$$
+J(\theta_0,\theta_1)=\frac{1}{2m}\sum_1^m(h(x_i)-y_i)^2 
+$$
+  * 目标函数：
+$$
+minimize_{\theta_0,\theta_1} J(\theta_0,\theta_1)
+$$
+
+## 梯度下降
+
+* 目标
+
+$$
+min_{\theta_1,\theta_2,\dots}J(\theta_1,\theta_2,\dots)
+$$
+* 给定$\theta$的初始值。不断修改$\theta$的值，使代价函数最小。统计学上使用全局的最小二乘法实现参数估计，计算机科学上使用局部迭代的梯度下降算法实现参数估计。
+* 梯度下降算法的公式
+
+$$
+\theta_j = \theta_j - \alpha\frac{\partial}{\partial \theta_j}J(\theta_1,\theta_2,\dots)
+$$
+* 吴恩达给出了梯度下降函数的解释，当导数为正时，表示函数递增，此时自变量减去一个正值，自变量减小，函数值下降。当导数为负时，表示函数递减，此时自变量减去一个负值，自变量增加，函数值增加。
+
+## batch梯度下降
+
+* 每一步都遍历了样本中所有的数据。
+
+## 梯度下降算法与最小二乘法区别
+
+* 给出假设函数（这是拟合的函数）
+* 使用最小二乘算法进行参数估计。这个是统计学的方法，利用样本的统计学特征，一次性全局计算准确的最小损失函数。
+* 使用梯度下降算法，进行参数估计。这是一个迭代的方法，利用每一条数据，更新参数。

程序设计语言原理/第0章 概论.md

@@ -1,42 +0,0 @@
-# 绪论
-
-## 1 语言
-
-### 语言的一般特性
-* 媒体性
-* 规范性
-* 演进性
-* 抽象性
-* 冗余多义性
-
-### 程序设计语言的特性
-
-* 程序设计语言是人工语言
-* 主要通信对象是机器
-* 用于表达软件
-
-### 程序设计语言的作用（为什么研究）
-
-* 计算机软硬件技术的窗口
-* 人们研究计算表达的形势
-* 它和计算机理论研究联系最为密切
-* 研究有利于与提高软件开发人员的素质
-* 有利于开发专用用语言或界面语言
-* 有利于新领域语言的发展
-* 有利于通用语言的标准化规范化
-
-## 2 程序设计语言的定义与处理器
-> 一个程序设计语言的实际存在是《语言规格说明书》。一个程序设计语言的实际存在是改语言程序的处理器。
-### 解释器
-解释器读入一段相对完整源代码(多数情况下是一句)翻译为目标代码后,立即解释执行。
-
-### 编译器
-
-编译器读入一个独立的编译单元(程序的逻辑单元，如主程序 、函数，子程序。或若干个逻辑单元组成的编译单元，如文件、模块、包) 翻译为可执行的目标代码单元，经过连接必要的库支持例程成为可执行内存映象，加载到内存中运行，由于是按单元翻译，可以经过上下文分析作若干次优化,目标代码质量高。
-
-### 元语言(metalanguage)
-
-表达每一个语法特征
-* 字符集、词条表由它们提供标识符、运算符、关键字、空格、限制符、各种数字量、字符串常量等语法概念。
-* 注释  注释符号之内(或以后)的符号串是为人们阅读，处理器要略去的。
-* 语法结构定义，定义以上符号组合的合法结构。它给出语句、表达式、程序单元、块(如FORTRAN的循环域)、作用域、嵌套与结合等语法概念。

程序设计语言原理/第1章 历史.md

@@ -1,117 +0,0 @@
-# 发展与分类
-
-## 1 历史
-![](\image/发展历史.png)
-
-### 程序设计语言简史
-* 1945 ENIAC 真空管计算机
-* 1946 冯诺依曼机构UNIVAC-1计算机
-* 50年代 FORTRAN ALGOL COBOL
-* 60年代 APL SNOBOL LOGO PASCAL
-* 70年代 C LISP Perlog Edison 
-* 80年代 面向对象Smalltalk C++ SQL
-
-## 2 分类
-
-### 对机器依赖程度
-
-* 低级语言:机器语言和汇编语言
-* 中级语言：编程操纵机器硬件，不涉及地址码和操作码。
-* 高级语言：独立于机器
-
-### 应用领域
-* 商用语言
-* 科学计算
-* 系统程序设计
-* 模拟预演
-* 正文处理
-* 实时处理
-* 嵌入式应用
-* 人工智能应用
-* 查询和命令语言
-* 教学语言
-* 打印专用
-* 专用与某种数据结构
-```
-/*
-引入外部文件进行构建
-能够定义文本的名字，实现文本与排版的分离
-能够进行文本与文本的嵌套，支持嵌套处理
-能够使用反斜杠转义特殊符号
-支持链式处理
-全局默认控制对象env
-定义新的处理函数默认一个文本输入对象，默认一个文本输出对象。前边的函数可以覆盖处理前边的函数。内部函数的优先级更高。
-能够定义函数所处的模块。
-自顶向下的设计过程。从全局到局部。所以后边可以覆盖前边，细节覆盖总体布局。
-链式处理，是对原来文本的处理，不是生成新的文本
-定义引用，引用编号，自动引用
-*/
-import another_name.pp
-import another_progrom.pp
-
-//paper 模块的leftboder函数
-env.paper.leftborder(29)
-
-textname={i am a good man}
-textname.fix(delete)
-text1,text2,text3.fix()
-pic1,pic2.middle()
-
-{zhesh 'pic.hello()' iwe\alpha nben}.hello(middle,big).world(45size).print()
-
-def newp(hello,txt):
-    this is content
-enddef
-```
-### 实现计算方式
-* 编译型语言
-* 解释型语言
-
-### 使用方式
-* 交互式语言
-* 非交互式语言
-
-### 程序设计范型
-单范型语言：程序组织和实现计算的模式
-* 命令式语言
-* 面向对象语言
-* 数据流语言
-* 函数式语言
-* 逻辑式语言
-* 并发程序设计语言
-
-多范型语言：
-包含多种范型的程序设计语言。
-
-
-
-
-### 断代
-
-* 第一代：机器语言
-* 第二代：汇编语言
-* 第三代：高级语言
-* 第四代：非过程语言
-* 第五代：自然语言（人工智能）
-
-## 3 形式语言与图灵机
-
-### 形式语言特点
-
-* 符号集
-* 转换规则
-
-### 图灵机五元组
-$$(q_i,S_j,S_k,(R,L,N),q_j)$$
-机器当前状态读入$S_j$后写入$S_k$，进行操作$R/L/N$，转换为装填$q_j$。
-
-### 指令系统
-
-* CISC(reduced instruction set computer)。指令复杂，执行较慢。不利于大规模集成电路设计。
-* RISC(complex instruction set computer)。简化了指令系统，适合大规模集成电路设计。执行速度快。提供高级程序设计语言支持，简化了编程设计过程。
-
-## 4 发展过程
-
-* 汇编语言。与机器指令一一对应。
-* 虚拟机，在计算机机器语言之上，虚拟各种不同语言的计算机环境。
-* 语言要求：Go、Python、Scala。

程序设计语言原理/第2章 程序设计语言设计概述.md

@@ -1,274 +0,0 @@
-# 设计概述
-
-## 1 表示与抽象
-### 表达与抽象的概念
-* 表示是对事物抽象的表达。
-* 抽象是对论题本质的提取。
-* 同一个事物在不同抽象层次上的表示。自然语言描述、高级语言表示、汇编语言表示、机器语言表示。
-* 上层抽象可以用多种下层抽象的实现。
-### 不同抽象层次
-* 客观世界自然语言描述
-* 数学模型数学语言描述
-* 程序设计程序语言描述
-* 机器指令机器语言描述
-
-
-### 显示表示和隐式表示
-* 显示表示float n=3.14指明n的类型。
-* 隐式表示 n=3.14缺省为浮点类型。
-
-### 聚合表示和分散表示。
-* 分散表示。整型，浮点型等数据之间的+运算使用不同的运算符。
-* 聚合表示。所有类型的+运算都可以使用+运算符实现。或者同一个函数实现。
-
-## 2 设计目标
-
-### 具体目标
-定义一组能表示某种范型的特征集，每个特征有严格定义并可在机器上高效实现，程序员可灵活运用这些特征表达它所希望的任何计算。
-
-### 评价标准
-* 模型有力 Model Power 
-* 语义清晰 Semantic Clarity 
-* 移植性好 Portability 
-* 可读性好 Readability 
-* 程序质量 Quality 
-* 安全性 
-* 并发
-* 方便 Convenience 
-* 简单 Simplicity 
-* 高效 Efficiency 
-* 灵活性 Flexibility 
-* 可扩充性 Extensible 
-* 可重用性 Reusable
-
-
-## 3 设计准则
-
-### 具体准则
-* 频度准则：越常用越简单 
-* 结构一致：程序结构和计算的逻辑结构一致,可读、方便 
-* 局部性 Locality： 
-    - 只有全局变量 Basic 
-    - 不鼓励全局变量 Pascal, C 
-    - 无全局变量函数式 Java 
-* 词法内聚 Lexical Coherence : 变量在使用处就近声明（Pascal 声明和语句严格分开）
-* 语法一致性 
-* 安全性Security 
-* 正交性和正规性
-* 数据隐藏。封装,以名字封装内部数据设计者可见使用者不可见 
-* 抽象表达
-
-
-## 4 规格说明
-
-### 概述
-
-规格说明用来定义一个语言文本的语法和语义。用于表达程序设计语言的的语言成为元语言。
-* 形式语法：以形式结构规则的语言元素组合规则。
-* 微语法：词法Lexicon
-* 宏语法：定义特征规则
-
-### 字符集
-* 允许出现在语言的程序里出现的字符的全体 
-
-
-### 词法分析
-
-由程序的字符序列得到词法元素序列的过程就是词法分析。编译器处理表示源程序的字符序列，根据词法规则做词法分析，将 源程序切分为符合词法的段，识别出源程序的有意义单词（token) 。词法分析得到一个（表达被分析的源程序的）单词流，流中各单词 标明了词法类别。词法分析中抛弃所有无保留价值的分隔符（如空白符）和噪声词。
-
-词法分析通常采用最长可能原则，确定可能成为单词的最长字符串。
-
-词法分类主要包括以下内容
-* 标识符：文字形式的词法对象，用于表示程序对象的名字。
-* 关键字：语言规定了特殊意义的标识符
-* 运算符：有预定义意义的特殊字符或特殊字符序列
-* 分隔符：用于分隔程序里的不同词法元素的特殊符号或标识符。空格，换行和制表符等，通常作为语法元素的分隔符。
-
-### 语法分析
-
-* 语法分析定义
-
-语法规定位于词法层次之上的程序结构。
-
-语法用于确定一个输入序列是否合法的程序。程序存在多个不同层次的合法性问题： 
-– 局部结构 例：C程序里的if 之后是不是左括号，括号是否配对 
-– 上下文关系 例：变量使用前是否有定义，使用是否符合类型的要求 
-– 深层问题 例：使用变量的值之前，变量是否已经初始化
-
-* 语法分析图
-
-![](image/语法分析图.png)
-
-其中方框为非终结符，圆和椭圆形为终结符。箭头指向构造流向。每个非终结符又可开始一个语法图(一条产生式规则) 。与EBNF完全对应，[ ]以'短路'绕道表示，{　}以迥环表示，小圆弧是有意义的，表示流向。有的语法图在环线上注上数字表示最多转几次。 
-
-* 语法分析分类
-    * “自顶向下” 释义则从文法的起始符开始，按可能产生的表达式寻 找语句相同的结构匹配。每一步都产生下一个可能的源符号串，找到再 往下走。
-    * “由底向上”释义则相反，它先查找源代码的各个符号串，看它能 否匹配归结为产生式左边的非终结符，如果有含混则向前多读入k个符 号串，为此归约下去，一个短语一个短语，最后到达起始符号串，归约 的过程就形成了释义树。
-
-
-### 语义分析
-> 在最后再详细补充
-
-程序通常要在计算机上执行，因此按照程序的运行步骤或操作来说明程序设计语言是很自然的，这就是所谓的操作语义学。大多数程序设计语言的非形式化语义都是用这种方式说明的。例如 Pascal中while命令的操作语义可说明如下： 
-```
-执行命令while E do C，其步骤为： 
-    (1) 对表达式E求值，产生一个真假值。 
-    (2) 如果值为true，则执行命令C，然后从(1)开始重复。
-    (3) 如果值为false，终止。
-```
-
-
-* 指称语义。为每个程序短语指派一数学实体(指称)为其意义。典型情况是将其输入映射为输出的函数。例如，一个表达式的指称是将环境和存储映射为值的函数。一个命令的指称是将环境、初始存储映射为最终存储的函数。
-```
-    execute 〖while E do C〗 = 
-        let execute-while env sto = 
-        let truth-value tr=evaluate〖E〗 env sto in
-            if tr
-            then execute-while env (execute 〖C〗 env sto) 
-            else sto
-        in
-        execute-while
-```
-* 公理语义。它只定义证明规则(公理及推理规则)，以此证明程序的某些性质。这些证明规则在某种意义上就是抽象的语义。公理语义主要用于程序验证，语言理解，语言规范/标准化等方面，对编译 、解释器的  没有直接的作用。把语言的公理描述看作是该语言的一个理论，该理论由三部分组成：      
-    * 公理集  元语言描述的不加证明的公理集如：|- 0 succ 0 即自然数0的后继大于0是一个定理(由|-表示)也是一条公理。
-    * 语法规划集  以它来确定什么是合式公式。
-    * 推理规则集  从已确立的定理演绎新定理。
-
-* 代数语义。代数语义把语义模型的集合看成是一个代数结构，模型簇 对应为代数系统。
-
-
-## 5 上下文无关文法
-
-### 文法（Grammar）
-文法可导出该语言所有可能的句子，形式地，一个文法G是一个四元组： 
-$$
-G=(S,N,T,P)
-$$
-* 其中，T是终结符号串的有限集。
-* N是非终结符号串的有限集，是文法中提供的成分概念，相当于英语动词短语、名词短语或定语从句等句子成分的符号表示。
-* T∩N = Φ，即它们是不相交的。
-* S是起始符号串，S∈N。
-* P是产生式，一般形式是:α→β    α，β∈(T∪N)*。“→”表示左端可推导出右端，如α→β，α→Υ，α→δ则可写为： α→β|Υ|δ
-
-
-如果产生式将语言的非终结符中的每一个标记都推得为终结符号，则这一组产生式集即为该语言的全部文法。
-
-### 文法的递归表示
-
-文法的递归表示在形式文法中是必须的。例2-1 整数的产生式表示法：
-```
-<digit>→0|1|2|3|4|5|6|7|8|9
-<Integer>→<digit>             一位数字是整数
-<Integer>→<digit><digit>      两位数字也是整数
-<Integer>→<digit>…<digit>    n位数字也是整数
-可以写成：
-<Integer>→<digit>|<Integer><digit>|<digit> <Integer>
-```
-> α→αβ是左递归产生式，而α→βα是右递归产生式，也叫尾递归的。不同型式的产生式决定了不同型式的文法。
-
-### Chomsky文法
-> 希腊字母是终结符。大写字母是非终结符。
-
-* **0型文法**如果对产生式α→β左端和右端不加任何限制:
-```
-α∈(N∪T) ，β∈(N∪T)* 
-```
-这种文法对应的语言是递归可枚举语言。在编译理论中，图灵机(或双向下推机)可以识别这种语言。
-
-* **1型文法**如果产生式形如：
-```
-αAβ→αBβ  α,β∈(N∪T)*， A∈N， B∈(N∪T) 
-```
-则叫做上下文相关文法，对应的语言是上下文敏感语言。线性有界自动机可识别这种语言。（因为左端含有非终结符，每一个推导式与左右两边的非终结符有关，所以是上下文有关文法）
-
-* **2型文法**如果产生式形如：
-```
-A→α  α∈ (N∪T)*， A∈N
-```
-左端不含终结符且只有一个非终结符。这种文法叫上下文无关文法。对应的语言即上下文无关语言。非确定下推机能识别这种语言。
-
-* 3型文法  如果产生式形如： 
-```
-A→ αB|Bα  α∈T*， A，B ∈N
-```
-左端不含终结符且只有一个非终结符。右端最多也只有一个非终结符且不在最左就在最右端。这种文法叫做正则文法，对应为正则语言。有限自动机可识别这种语言。显然，这种文法经置换可消除右端非终结符，使每一产生式均可用一终结符的正则表达式表达。 
-例2-2 所有产生式的非终结符均可置换为终结符表达式。
-```
-设产生式是:
-N={S，R, Q}, T={a，b，c}
-P={S→Ra， S→Q， R→Qb， Q→c}
-则有:
-S→Ra→Qba→cba|S→Q→c
-R→Qb→cb
-Q→c
-```
-![](image/chomsky文法的关系.png)
-
-### BNF和EBNF
-
-BNF就是上下文无关文法的表示法。 
-
-* ::= '定义为'，即产生式中的“→”符号。
-* < > 表示所括符号串是非终结符号串。
-* | '或者'表示左右两边符号串序列是可替换的。终结符、关键字、标点符号直接写在产生式中。
-
-BNF示例
-```
-<unsigned integer> ::= <digit> 
-                    | <unsigned integer> <digit> 
-<integer> ::= +<unsigned integer> 
-            |-<unsigned integer>
-            |<unsigned integer> 
-<identifier> ::= <letter> 
-            | <idenfitier> < digit> 
-            | <identifier> <letter>
-```
-
-增加更多内容
-
-* "[ ]"表示括号内的内容是可选的。
-* "{ }"表示括号内的内容可重复0至多次。
-* "*"是指可以重复多次。
-* "+"是指可以出现多次
-* "?"意思是操作符左边的符号（或括号中的一组符号）是可选项（可以出现0到多次）。
-```
-<integer>    ::= [ +|-]<unsigned integer>
-<identifier> ::= <letter> {<digit> | <letter>}
-<unsigned integer> ::= <digit> 
-<identifier> ::= <letter> {<digit> | < letter>}*
-```
-
-EBNF将BNF与正则表达式结合起来
-
-* 其元语符号变动是： 增加[ ]、{ } 、( )(表示成组)、.(表示产生式终结)。[ ] 、{ } 意义同前，旨在消除或减少递归表达。 
-* 取消非终结符的尖括号，至少是产生式左端，为此符号串中空白用'_'连接。 
-* 为区别元符号和程序符号(程序中也有[ ]、 、()、.)，程序中的终结符加引号，如'('， ')'， '.'。
-
-```
-program ::= <program_heading> '；' <program_block> '.'.
-program_heading ::= 'program' <identifier>[ '('<program_parameters> ')'].
-program_parameters ::= <identifier_list>.
-identifier_list ::= <identifier> {'，' <identifier>} .
-program_block ::= <block>.
-block ::= <label_declaration_part> <constant_declaration_part>
-    <type_declaration_part><variable_declaration_part>
-    <procedure_and_function_declaration_part><statement_part>.
-variable_declaration_part ::= ['var' <variable_declaration> '；'    
-                            {<variabe_declaration> '；' }].
-variable_declaration ::= <identifier_list> '；' <type_denoter>.
-statement_part ::= compound_statement.
-compound_statement ::= 'begin' <statement_sequence> 'end'.
-statement_sequence ::= <statement> {'；' <statement>}.
-statement::=[<label> '：'](<simple_statement>|<structured_statement>).
-simple_statement ::= <empty_statement> | <assignment_statement> |
-                    <procedure_statement> | < goto_statement>.
-structured_statement ::= <compound_statement>|<conditional_statement>
-                        |<repetitive_statement> | <with_statement>. 
-
-```
-
-
-
-
-
-

程序设计语言原理/第3章 过程式程序设计语言.md

@@ -1,19 +0,0 @@
-# 过程式程序设计语言
-
-## 1 值与类型
-
-### 值与类型
-
-* 值是对事物性态的表征和度量，而表征和度量总是在某个论域的某个抽象层次上，讨论问题的抽象层次不同取值也不同。
-* 对值进行分类。每一个值都属于一个类型。
-* 主要包括以下类型：
-  * 基本类型：整型实型浮点类型字符型真值型枚举型
-  * 以简单的基本类型可以构造结构类型：元组、数组、记录、结构、表
-  * 还可进一步组合成更复杂的复合类型：串、其他专用或更复杂的类型。
-
-### 字面量、变量常量
-
-* 字面量也称直接量，约定它的表示(名)就是它的值，且从它的表示可以得知其类型， 如123，1.23e10，'s'，"stock"，TRUE，dec，
-* 变量是代表任何值的标识符。一旦声明该标识符是什么类型，它在程序中只可取得该类型的某个值。变量只是一个数据的名字，它的值随时可变。
-* 常量也可以是标识符。一旦某标识符声明为某类型的常量，则必须给它赋初值，且在程序中不得改变，它就成了某个值的代名词。
-

程序设计语言原理/第9章 指称语义的原理与应用.md

@@ -1,20 +0,0 @@
-# 指称语义的原理与应用
-
-## 1 指称语义原理
-
-### 指称语义定义
-
-φ〖p〗→d  (p∈P，d∈D)。
-
-φ为短语p的语义函数，D为语义域。语义域D中的数学实体d, 或以辅助函数表达的复杂数学实体d'，称为该短语的数学指称物，即短语在语义函数下的指称语义。这样，程序的行为可以完全以数学实体表达。
-
-### 语义函数
-
-语义函数的变元是语法中的短语(当然可以是代表整个程序的短语，如PROGRAM)，其映射指称物即语义。
-
-## 2 指称语义实例
-
-
-## 3 程序抽象的语义描述
-
-## 4 指称语义应用

程序设计语言原理/补充：编译原理.md

@@ -1,87 +0,0 @@
-# 程序设计语言规格说明
-
-## 1 语言字符集
-
-允许出现在语言的程序里出现的字符的全体 
-
-## 2 词法
-### 词法定义
-
-构成程序的基本词法元素包括标识符、运算符、字面量、注释等。复杂的词需要明确定义的构词法，即词法 
-
-
-### 词法元素
-
-* 标识符：文字形式的词法对象，用于表示语言里的关键字、程序对象的名字 
-* 关键字：语言规定了特殊意义的标识符
-* 保留字：语言中规定了特殊意义，而且不允许程序员用于其他用途的标识符，C语言中的关键字都是保留字。
-* 运算符：有预定义意义的特殊字符或特殊字符序列。语言定义的运算、算术运算、逻辑运算 
-* 分隔符：用于分隔程序里的不同词法元素的特殊符号或标识符。空格，换行和制表符 
-
-### 词法分析
-
-* 由程序的字符序列得到词法元素序列的过程就是词法分析。
-* 编译器处理表示源程序的字符序列，根据词法规则做词法分析，将 源程序切分为符合词法的段，识别出源程序的有意义单词
-* 词法分析得到一个（表达被分析的源程序的）单词流，流中各单词 标明了词法类别。
-* 词法分析中抛弃所有无保留价值的分隔符（如空白符）和噪声词 
-* 词法分析通常采用最长可能原则，确定可能成为单词的最长字符串。
-
-### 词法分析语法分析总过程
-![](\image/词法分析.png)
-
-## 3 语法
-
-### 语法定义
-语法用于确定一个输入序列是否合法的程序。程序存在多个不同层次的合法性问题：局部结构、上下文关系（静态语法结构）、深层问题（动态语法结构）。静态语法结构可以在编译过程中进行检查，动态语法结构只能在程序执行过程中检查合法性。
-
-### 文法定义
-
-文法产生符合语法的语言规则。
-
-### 文法描述
-$$
-G=(S,N,T,P)  S∈N,T∩N=Φ^*
-$$
-
-* T是终结符号串的有限集。
-* N是非终结符号串的有限集。T∩N = Φ，即它们是不相交的。
-* S是起始符号串， S∈N。 
-* P是产生式
-
-$$
-α→β \\α，β∈(T∪N)^* 
-$$
-* “→”表示左端可推导出右端，如α→β， α→Υ， α→δ则可写为：α→β|Υ|δ
-* 如果产生式将语言的非终结符中的每一个标记都推得为终结符号， 则这一组产生式集即为该语言的全部文法。
-
-## 4 Chomsky的四种文法
-
-产生式左符号集→右符号集，由左符号集推导出右符号集。
-
-### 0型文法 
-$$
-α→β   α∈(N∪T)+，β∈(N∪T)* 
-$$
-递归可枚举语言 图灵机可以识别 
-
-
-### 1型文法 
-$$
-αAβ→αBβ α,β∈(N∪T)*，A∈N， B∈(N∪T)+ 
-$$
-上下文相关文法上下文敏感语言 线性有界自动机可识别
-
-### 2型文法 
-$$
-A→α α∈(NUT)*,A∈N 
-$$
-上下文无关文法语言 非确定下推自动机可识别
-
-### 3型文法
-$$
-A→αB｜Bα α∈T*, A, B∈N 
-$$
-正则文法、正则语言、有限自动机可以识别，可消除右端非终法符，P可以成为终结符表达式。
-
-
-

程序设计语言原理/课程安排.md

@@ -1,24 +0,0 @@
-# 课程概要
-
-
-## 1 课程安排
-
-
-## 2 考核标准
-
-### 大作业
-* 3-5人一组，设计一门程序设计语言。包括语言的类型系统、模块划分、编程范式等。包括标准库和内建方法、高级特性、进程和线程、异常处理。
-* 用lex、Yacc、Antlr等工具实现编译器。
-* 提交内容：语言的设计文档，所涉及语言的代码示例。部分实现的编译器。
-
-### 考核标准
-* 习题作业50%，其中大作业15%
-* 考试50%
-
-
-
-## 3 主要内容
-
-* 编程语言概述、形式语法复习
-* 编程语言泛型
-* 语义理论

线性代数/0 线性代数概述.md

@@ -13,7 +13,7 @@
 
 是同一个东西的不同表述。
 
-线性方程的系数表示的输入向量，多组$[x_1,\cdots,x_n]$表示多组算子。$[y_1,y_2,\cdots,y_n]$表示变换后的结果。
+线性方程的系数表示的输入向量，多组$[x_1,\cdots,x_n]$表示多组算子。$[y_1,y_2,\cdots,y_n]$表示变换后的结果。（后续补充：感觉系数像是算子，未知量像解空间）
 
 向量空间。由多个线性无关的向量组成的向量组，称为向量空间。每一个向量表示一个算子。
 
@@ -34,11 +34,11 @@ $$
 1. 向量在变换后仍然是直线，不会被扭曲；
 2. 原点不会发生移动。
 
-### 5 线性变换和线性映射的区别
+## 5 线性变换和线性映射的区别
 
 线性映射（ linear mapping）是从一个向量空间V到另一个向量空间W的映射且保持加法运算和数量乘法运算，而线性变换（linear transformation）是线性空间V到其自身的线性映射。
 
-### 6 线性代数
+## 6 线性代数
 
 每一组线性方程的值，每一组线性无关的向量，每一组基底，都可以构成一个矩阵，统一为一个算子。所以线性代数主要讲了两件事。什么是线性变换。如何用矩阵工具解决线性变换问题。
 
@@ -64,16 +64,35 @@ $$
 * 秩
 
 ## 3 矩阵变换
-> 明白矩阵变换的实际意义和矩阵变换前后保留的性质。
+> 明白矩阵变换的实际意义和矩阵变换前后保留的性质。初等矩阵是由单位矩阵经过一次变换得到的矩阵。由初等矩阵的组合可以表示任何初等变换。
+
+
 ### 初等变换
 * 对调
+$$
+A=\left[\begin{array}{cc}
+0 & 1\\
+1 & 0
+\end{array}\right]
+$$
 * 数乘
-* 对调数乘
+$$
+A=\left[\begin{array}{cc}
+\lambda & 0\\
+0 & \lambda
+\end{array}\right]
+$$
+* 倍加
+
 
 $$
-B=A
+A=\left[\begin{array}{cc}
+1 & 0\\
+k & 1
+\end{array}\right]
 $$
 
+
 > 保留的性质：
 > * 线性方程组的解不变。
 > * 矩阵的秩不变

线性代数/附录1.md

@@ -0,0 +1 @@
+# 线性代数的本质理解