首页/文章/ 详情

ANSA二次开发_Python基础-矩阵

2月前浏览1559

学习Numpy的必备知识


  1. 矩阵的基本概念








import numpy as np# 定义一个矩阵matrix = np.array([[12], [34]])# 定义一个向量vector = np.array([12])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
ACT二次开发ANSApythonUM
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-08-14
最近编辑:2月前
TodayCAEer
本科 签名征集中
获赞 17粉丝 22文章 228课程 0
点赞
收藏
作者推荐

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

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈