ANSA二次开发_Python基础-矩阵_ACT_二次开发_ANSA_python

ANSA二次开发_Python基础-矩阵

1月前浏览1028

学习Numpy的必备知识

矩阵的基本概念

import numpy as np# 定义一个矩阵matrix = np.array([[1, 2], [3, 4]])# 定义一个向量vector = np.array([1, 2])print("Matrix:\n", matrix)print("Vector:\n", vector)

2. 矩阵运算

- 矩阵点乘

F = A * Bprint("Element-wise Multiplication:\n", F)

- 矩阵叉乘

# G = np.dot(A, B)print("Matrix Multiplication:\n", G)

-逆矩阵

# 逆矩阵I = np.linalg.inv(A)print("Inverse Matrix:\n", I)

-行列式

det = np.linalg.det(A)print("Determinant:", det)

-其他运算

# 定义矩阵A = np.array([[1, 2], [3, 4]])B = np.array([[5, 6], [7, 8]])
# 矩阵加法C = A + Bprint("Matrix Addition:\n", C)
# 矩阵减法D = A - Bprint("Matrix Subtraction:\n", D)
# 标量乘法scalar = 2E = A * scalarprint("Scalar Multiplication:\n", E)
# 矩阵转置H = A.Tprint("Matrix Transpose:\n", H)

3. 特殊矩阵

- 单位矩阵

identity_matrix = np.eye(2)print("Identity Matrix:\n", identity_matrix) [[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]]

- 对角矩阵

diagonal_matrix = np.diag([1, 2])print("Diagonal Matrix:\n", diagonal_matrix) [[1 0 0] [0 2 0] [0 0 3]]

-计算矩阵特征值

eigenvalues, eigenvectors = np.linalg.eig(A)
print(eigenvalues)#  [-0.37228132  5.37228132]print(eigenvectors)#  [[-0.82456484 -0.41597356]#  [ 0.56576746 -0.90937671]]

4、矩阵的实际应用案例

tcl调用Python实现两组节点最近距离计算
JinTian，公众号：TodayCAEertcl调用Python实现两组节点最近距离计算

来源：TodayCAEer

ANSA二次开发_Python基础-pandas模块-批量创建材料

Pandas是一个开源的Python数据分析库，提供了高性能、易用的数据结构和数据分析工具。Pandas使得在Python中进行数据清洗、分析、和可视化变得更加快捷和简单。它是基于NumPy构建的，使得数据操作和分析工作对于有着不同背景的人们都易于上手。但是在ANSA开发中使用较少。拿来解析xlsx还是挺方便的，但还是建议使用ANSA提供的API解析。案例：批量创建材料importansafromansaimportbasefromansaimportconstantsimportpandasaspddf=pd.read_excel('C:\\Users\\jintian\\Documents\\mat.xlsx')forindex,rowindf.iterrows():ifnotrow.isnull().all():row_dict={'Name':row['Name'],'E':row['E'],'NU':row['NU'],'RHO':row['RHO'],'DEFINED':'YES'}base.CreateEntity(constants.NASTRAN,'MAT1',row_dict)Pandas主要有两种类型的数据结构：Series：一维数组，与NumPy的数组类似，但它可以有一个索引。索引可以是数字，也可以是标签。DataFrame：二维的表格型数据结构，可以看作是由多个Series组成的字典（共用同一个索引）。Pandas强大的功能包括但不限于：快速高效地处理大量数据读取和写入各种格式的数据，包括CSV、Excel、SQL数据库和HDF5格式数据清洗功能，如处理缺失数据、数据过滤、数据转换等数据合并、分组、重塑时间序列分析Pandas经典使用案例1.数据读取和预览:importpandasaspd#读取CSV文件df=pd.read_csv('data.csv')#预览前五行数据print(df.head(5))2.数据清洗数据清洗是数据分析中的重要步骤。Pandas提供了多种数据清洗的工具，例如处理缺失值：#填充缺失值df.fillna(0,inplace=True)#删除含有缺失值的行df.dropna(inplace=True)3.数据筛选Pandas允许使用条件逻辑来筛选数据：#筛选'age'列大于30的所有行filtered_df=df[df['age']>30]#筛选'age'大于30并且'gender'为'male'的行filtered_df=df[(df['age']>30)&(df['gender']=='male')]4.数据分组和聚合Pandas的groupby功能非常强大，可以用来对数据集进行分组和聚合操作：#按'gender'分组并计算每组的平均'age'grouped_df=df.groupby('gender')['age'].mean()print(grouped_df)5.数据合并Pandas提供了多种数据合并的方法，如concat、merge和join：#假设有两个DataFrame，df1和df2merged_df=pd.merge(df1,df2,on='key_column')Pandas是Python数据分析的核心库之一，提供了强大的数据处理能力，前处理中常规开发使用较少，后处理numpy与pandas搭配使用使得数据分析工作变得更加高效。来源：TodayCAEer