调试代码

  • 使用Numpy通过广播用于每个内部元素，是一种并行化执行思想，普通list用于整体，做计算numpy效率比普通list高。
    1. import numpy as np
    2. import time
    3. start = time.time()
    4. np_list = np.arange(1000)
    5. #normal_list = range(1000)
    6. end = time.time()
    7. print(end-start)

其他验证代码

  1. import numpy as np
  2. import time
  4. mlist = [np.zeros(100)]
  5. print(mlist)
  7. # 可以将普通list作为参数，使用np arryay来初始化.
  8. data = [[1,2,3,4],[5,6,7,8]]
  9. arr_np = np.array(data)
  10. print(arr_np)
  12. # TODO：整一列进行+1
  14. # TODO：整一行进行+1
  17. # 以股票为例 ...
  18. stock_cnt = 200
  19. view_days = 504
  20. # 初始化生成200行，504列的矩阵
  21. stock_day_change = np.random.standard_normal((stock_cnt,view_days))
  22. print(stock_day_change.shape) # 多少行和多少列；
  23. print(stock_day_change[0:1,:5])
  25. # 逻辑条件和筛选
  26. mask = stock_day_change[0:2,0:5] > 0.5
  27. # 返回bool值矩阵
  28. print(mask)
  30. # 生成一份副本
  31. mcopy = stock_day_change.copy()
  32. xx = mcopy[(mcopy > 1)| (mcopy < -1)]
  33. print(xx)
  35. # 其他常用API，返回true /false
  36. ## np.all(mcopy>1)
  37. ## np.any(mcopy>1)
  39. # np.diff() // 前后两个临近数值进行减法运算，默认情况axis=1，axis表示操作轴向0/1 ； 1 是横向。
  40. # np.where() // 
  42. # np.save() /np.load() // 本地序列化操作,因此理论上也有序列化反序列化漏洞风险，注意存储的参数名上要加.npy ；
  45. # np.max() 和 np.argmax()区别：后者可以实现通基础哪一只股票在某个交易日涨幅最大。
  47. # 期望np.mean() ； 方差np.var() ; 标准差(np.std())；  
  49. # plt在可视化中讲到
  50. # plt.plot(stock_day_change)