目录
写在前面：
冬天的 Palo Alto 时而降温时而回升，CrossTownShuttle便是不二之选。通勤的四十分钟里，大部分时间会读 Kindle 第二顺位是发呆，最后是 Deadline 临近抽出背包的电脑工作。司机的车技都不是很好，就是那种直路平地晃。每天下午四点四十回家的车，司机会放广播，还不错，比如那首 Stitches。颠簸着看完了黑客与画家，Hackers and painters really worth reading!!
黑客的出发点是原创，最终得到一个优美的结果；而科学家的出发点是别人优美的结果，最终得到原创性。
翻译的太差了。Anyway, 作为一个对 Coding 有偏执喜欢的人，想好好琢磨这句话。
This blog will record how do I hands-on python.
Python
在 Mike 同学的指导下，开始了Python的探索。还好目前任务只是迁移Matlab到Numpy的过程，顺便练习一下 Python 的句法。主要还是一些跟Matlab类似的矩阵运算、显示，高级一些就是Scipy中的频域算法，傅里叶变换什么的。有些类似也有些差异，总之很好上手。不能忘记的差异是Python的数组是从「0」开始 index 的.
Mike 同学说：
For transitioning, I would read this: https://docs.scipy.org/doc/numpy-dev/user/numpy-for-matlab-users.html
And then there are good practice problems here for you to start off with http://codingbat.com/python
- 用
matplotlib绘图
这是自学的第一个例子，简单直观。
import matplotlib.pyplot as plt
import numpy as np
# 简单的绘图
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x)) # 如果没有第一个参数 x，图形的 x 坐标默认为数组的索引
plt.show() # 显示图形
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x),
x, np.sin(2 * x))
plt.show()
# 自定义曲线的外观
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-o',
x, np.cos(x), 'g--')
plt.show()
# 使用子图
x = np.linspace(0, 2 * np.pi, 50)
plt.subplot(2, 1, 1) # （行，列，活跃区）
plt.plot(x, np.sin(x), 'r')
plt.subplot(2, 1, 2)
plt.plot(x, np.cos(x), 'g')
plt.show()
# 简单的散点图
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.scatter(x,y)
plt.show()
# 彩色映射散点图
x = np.random.rand(1000)
y = np.random.rand(1000)
size = np.random.rand(1000) * 50
colour = np.random.rand(1000)
plt.scatter(x, y, size, colour)
plt.colorbar()
plt.show()
# 直方图
x = np.random.randn(1000)
plt.hist(x, 50)
plt.show()
# 添加标题，坐标轴标记和图例
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-x', label='Sin(x)')
plt.plot(x, np.cos(x), 'g-^', label='Cos(x)')
plt.legend() # 展示图例
plt.xlabel('Rads') # 给 x 轴添加标签
plt.ylabel('Amplitude') # 给 y 轴添加标签
plt.title('Sin and Cos Waves') # 添加图形标题
plt.show()
-
从
.csv导入数据这个例子把我折腾了一晚上，并不是找不到导入方法，事实上从最简单的
import csv到使用高级的Pandas，最起码有三种方式，可我的数据怎么也导入不了，后来才发现是因为我的数据就一维，而且全是float的数据，没有string，所以用Pandas的时候，数据全部变成了column names，导致数据为空。而Pandas可处理更高级的混合数据，从而进行数据挖掘。
import pandas as pd
import numpy as np
import csv
disp_matrix = np.loadtxt(open("eggs.csv","rb"),delimiter=",",skiprows=0)
#我的csv文件没有项目名称，所以column names全部变成了数据
#Pandas的使用方法
dp = pd.read_csv("eggs.csv")
dp['A'].astype(float)
- 快速傅里叶变换实现时频转换
from scipy.fftpack import fft, fftshift
plt.figure()
S2 = fft(I2, 2048) / (len(I2)/2.0)
#freq2 = np.linspace(-0.5, 0.5, len(S2))
response2 = 20 * np.log10(np.abs(fftshift(S2 / abs(S2).max())))
#plt.plot(freq1, response1)
plt.plot(response1)
#plt.axis([-0.5, 0.5, -120, 0])
plt.title("Frequency response of the Hann window")
plt.ylabel("Normalized magnitude [dB]")
plt.xlabel("Normalized frequency [cycles per sample]”)
- 开窗
SW1 = np.linspace(0, 0, S1.size)
SW1[w1] = S1[w1]
Python for reading-friendly clippings of Kindle
To be frank, it’s not easier to read clippings Kindle offers you. The .txt document really sucks. So here I found a little tool helping you to sort of clippings in different books. Originally, making such a software written by Python would my best option, while after I found it in Github, just giving up the idea because of laziness. Here’s the final .md documents in the folder.
What is Macro
From Wikipedia:
a single instruction that expands automatically into a set of instructions to perform a particular task.
尾巴
用了一个半晚上写好了Dispersion Compensation的算法，Mike说他半小时搞定的，是的，我可以向他学到很多东西。喜欢他！
