生成数组和矩阵

数组和矩阵 切片方法

reshape

类型转换

等差数列

等比数列

分布数组

画图方法

线图

柱状图

函数图  心形图 等

绘制三维图

插值方法

scipy 求极值函数

• 
  
    a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
  
  
• 
  
      print (a)
  
  
  

[[ 0  1  2  3  4  5]
[10 11 12 13 14 15]
[20 21 22 23 24 25]
[30 31 32 33 34 35]

• 
  
    L = [1, 2, 3, 4, 5, 6]
  
  
• 
  
      print ("L = ", L)
  
  
  

L =  [1, 2, 3, 4, 5, 6]

• 
  
     # 通过array函数传递list对象
  
  
• 
  
      L = [1, 2, 3, 4, 5, 6]
  
  
• 
  
      # print ("L = ", L)
  
  
• 
  
      a = np.array(L)
  
  
• 
  
      print ("a = ", a)
  
  
• 
  
      print (type(a))
  
  
• 
  
      # # # 若传递的是多层嵌套的list，将创建多维数组
  
  
• 
  
      b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
  
  
• 
  
      print (b)
  
  
• 
  
      # # #
  
  
• 
  
      # # # # 数组大小可以通过其shape属性获得
  
  
• 
  
      print (a.shape)
  
  
• 
  
      print (b.shape)
  
  
  

a =  [1 2 3 4 5 6]
<class 'numpy.ndarray'>
[[ 1  2  3  4]
[ 5  6  7  8]
[ 9 10 11 12]]
(6,)
(3, 4)

# b.shape = 4, 3# b.shape = 2，-1行  多列

• 
  
      b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
  
  
• 
  
      print (b)
  
  
• 
  
      c = b.reshape((4, -1))
  
  
• 
  
      print ("b = \n", b)
  
  
• 
  
      print ('c = \n', c)
  
  
  

[[ 1  2  3  4]
[ 5  6  7  8]
[ 9 10 11 12]]
b =
[[ 1  2  3  4]
[ 5  6  7  8]
[ 9 10 11 12]]
c =
[[ 1  2  3]
[ 4  5  6]
[ 7  8  9]
[10 11 12]]

print (b.dtype)

• 
  
      d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)
  
  
• 
  
      f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)
  
  
• 
  
      print (d)
  
  
• 
  
      print (f)
  
  
  

[[ 1.  2.  3.  4.]
[ 5.  6.  7.  8.]
[ 9. 10. 11. 12.]]
[[ 1.+0.j  2.+0.j  3.+0.j  4.+0.j]
[ 5.+0.j  6.+0.j  7.+0.j  8.+0.j]
[ 9.+0.j 10.+0.j 11.+0.j 12.+0.j]]

转换类型

f = d.astype(np.int)

• 
  
     b=np.arange(1,10,0.5)
  
  
• 
  
      print (b)
  
  
  

• 
  
      # 如果生成一定规则的数据，可以使用NumPy提供的专门函数
  
  
• 
  
      # arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组
  
  
• 
  
      # 和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型
  
  
• 
  
      a = np.arange(1, 10, 0.5)
  
  
• 
  
      print (a)
  
  
  

[1.  1.5 2.  2.5 3.  3.5 4.  4.5 5.  5.5 6.  6.5 7.  7.5 8.  8.5 9.  9.5]

• 
  
      # # # linspace函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值
  
  
• 
  
      # b = np.linspace(1, 10, 10)
  
  
  

b =  [ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

• 
  
    # # 可以通过endpoint关键字指定是否包括终值
  
  
• 
  
      # c = np.linspace(1, 10, 10, endpoint=False)
  
  
  

• 
  
  logspace可以创建等比数列
  
  
• 
  
      # # 下面函数创建起始值为10^1，终止值为10^2，有20个数的等比数列
  
  
• 
  
      # d = np.logspace(1, 2, 10, endpoint=True)
  
  
• 
  
      # print d
  
  
  

• 
  
    # # # 下面创建起始值为2^0，终止值为2^10(包括)，有10个数的等比数列
  
  
• 
  
      # f = np.logspace(0, 10, 11, endpoint=True, base=2)
  
  
• 
  
      # print f
  
  
  

[python] view plain copy

• <code class="language-python">    # # # 使用 frombuffer, fromstring, fromfile等函数可以从字节序列创建数组  
•     # s = 'abcd'  
•     # g = np.fromstring(s, dtype=np.int8)  
•     # print g</code>  
  

[ 97  98  99 100]

数组取值

• 
  
      # a = np.arange(10)
  
  
• 
  
      # print a
  
  
• 
  
      # # # 获取某个元素
  
  
• 
  
      # print a[3]
  
  
• 
  
      # # # # 切片[3,6)，左闭右开
  
  
• 
  
      # print a[3:6]
  
  
• 
  
      # # # # 省略开始下标，表示从0开始
  
  
• 
  
      # print a[:5]
  
  
• 
  
      # # # # 下标为负表示从后向前数
  
  
• 
  
      # print a[3:]
  
  
• 
  
     # # # # 步长为2
  
  
• 
  
      # print a[1:9:2]
  
  
• 
  
     # # # # 步长为-1，即翻转
  
  
• 
  
      # print a[::-1]
  
  
• 
  
      # # # # 切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值
  
  
• 
  
      # a[1:4] = 10, 20, 30
  
  
• 
  
      # print a
  
  
• 
  
      # # # # 因此，在实践中，切实注意原始数据是否被破坏，如：
  
  
• 
  
      # b = a[2:5]
  
  
• 
  
      # b[0] = 200
  
  
• 
  
      # print a
  
  
• 
  
  更改了a的值
  
  
• 
  
  
  
  
  

• 
  
     a = np.logspace(0, 9, 10, base=2)
  
  
• 
  
      print (a)
  
  
• 
  
      i = np.arange(0, 10, 2)
  
  
• 
  
      print (i)
  
  
• 
  
      # # # # 利用i取a中的元素
  
  
• 
  
      b = a
  
  
• 
  
      print (b)
  
  
• 
  
      # # # b的元素更改，a中元素不受影响
  
  
• 
  
      b[2] = 1.6
  
  
• 
  
      print (b)
  
  
• 
  
      print (a)
  
  
  

等比

[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]

等差
[0 2 4 6 8]

提取数组
[  1.   4.  16.  64. 256.]

更改
[  1.    4.    1.6  64.  256. ]
[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]

• 
  
    # 使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素
  
  
• 
  
      # # 生成10个满足[0,1)中均匀分布的随机数
  
  
• 
  
      a = np.random.rand(10)
  
  
• 
  
      print (a)
  
  
• 
  
      # # # 大于0.5的元素索引
  
  
• 
  
      print (a > 0.5)
  
  
• 
  
      # # # # 大于0.5的元素
  
  
• 
  
      b = a[a > 0.5]
  
  
• 
  
      print (b)
  
  
• 
  
      # # # # 将原数组中大于0.5的元素截取成0.5
  
  
• 
  
     a[a > 0.5] = 0.5
  
  
• 
  
      print (a)
  
  
• 
  
      # # # # b不受影响
  
  
• 
  
      print (b)
  
  
  

大于0.5 赋给新值

[0.58580625 0.95061009 0.82539452 0.01199016 0.30635077 0.11879863
0.94065007 0.51743287 0.96030271 0.88039496]

[ True  True  True False False False  True  True  True  True]

[0.58580625 0.95061009 0.82539452 0.94065007 0.51743287 0.96030271
0.88039496]

[0.5        0.5        0.5        0.01199016 0.30635077 0.11879863
0.5        0.5        0.5        0.5       ]

[0.58580625 0.95061009 0.82539452 0.94065007 0.51743287 0.96030271
0.88039496]

数组切片

• 
  
    # # 合并上述代码：
  
  
• 
  
      a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)
  
  
• 
  
      print (a)
  
  
• 
  
      # # 二维数组的切片
  
  
• 
  
      print (a[(0,1,2,3), (2,3,4,5)])
  
  
• 
  
      print (a[3:, [0, 2, 5]])
  
  
• 
  
      i = np.array([True, False, True, False, False, True])
  
  
• 
  
      print (a)
  
  
• 
  
      print (a[i, 3])
  
  
  

[[ 0  1  2  3  4  5]
[10 11 12 13 14 15]
[20 21 22 23 24 25]
[30 31 32 33 34 35]
[40 41 42 43 44 45]
[50 51 52 53 54 55]]

[ 2 13 24 35]

[[30 32 35]
[40 42 45]
[50 52 55]]

0 2 5 行
[[ 0  1  2  3  4  5]
[20 21 22 23 24 25]
[50 51 52 53 54 55]]

3列
[ 3 23 53]

matplotlib.rcParams['font.sans-serif'] = [u'SimHei']  #FangSong/黑体 FangSong/KaiTimatplotlib.rcParams['axes.unicode_minus'] = False   # 不处理负号mu = 0sigma = 1x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 50)y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma)# print x.shape# print 'x = \n', x# print y.shape# print 'y = \n', yplt.plot(x, y, 'ro-', linewidth=2)plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)plt.grid(True)plt.title(u'Guass分布')plt.show()

画图

guass 分布

• 
  
     matplotlib.rcParams['font.sans-serif'] = [u'SimHei']  #FangSong/黑体 FangSong/KaiTi
  
  
• 
  
      matplotlib.rcParams['axes.unicode_minus'] = False   # 不处理负号
  
  
• 
  
      mu = 0
  
  
• 
  
      sigma = 1
  
  
• 
  
      x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 50)
  
  
• 
  
      y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma)
  
  
• 
  
      # print x.shape
  
  
• 
  
      # print 'x = \n', x
  
  
• 
  
      # print y.shape
  
  
• 
  
      # print 'y = \n', y
  
  
• 
  
     plt.plot(x, y, 'ro-', linewidth=2)
  
  
• 
  
      plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)
  
  
• 
  
      plt.grid(True)
  
  
• 
  
      plt.title(u'Guass分布')
  
  
• 
  
      plt.show()
  
  
  

• 
  
     # 5.2 损失函数：Logistic损失(-1,1)/SVM Hinge损失/ 0/1损失
  
  
• 
  
      x = np.array(np.linspace(start=-2, stop=3, num=1001, dtype=np.float))
  
  
• 
  
  
  
  
• 
  
      y_logit = np.log(1 + np.exp(-x)) / math.log(2)
  
  
• 
  
      y_boost = np.exp(-x)
  
  
• 
  
      y_01 = x < 0
  
  
• 
  
  
  
  
• 
  
      y_hinge = 1.0 - x
  
  
• 
  
      y_hinge[y_hinge < 0] = 0
  
  
• 
  
  
  
  
• 
  
      plt.plot(x, y_logit, 'r-', label='Logistic Loss', linewidth=2)
  
  
• 
  
      plt.plot(x, y_01, 'g-', label='0/1 Loss', linewidth=2)
  
  
• 
  
      plt.plot(x, y_hinge, 'b-', label='Hinge Loss', linewidth=2)
  
  
• 
  
      plt.plot(x, y_boost, 'm--', label='Adaboost Loss', linewidth=2)
  
  
• 
  
  
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.legend(loc='upper right')
  
  
• 
  
      # plt.savefig('1.png')
  
  
• 
  
      plt.show()
  
  
  

# x ** x        x > 0
# (-x) ** (-x)  x < 0def f(x): y = np.ones_like(x) i = x > 0 y = np.power(x, x) i = x < 0 y = np.power(-x, -x) return y

• 
  
      x = np.linspace(-1.3, 1.3, 101)
  
  
• 
  
      y = f(x)
  
  
• 
  
      plt.plot(x, y, 'g-', label='x^x', linewidth=2)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.legend(loc='upper left')
  
  
• 
  
      plt.show()
  
  
  

• 
  
      # # 5.4 胸型线
  
  
• 
  
      x = np.arange(1, 0, -0.001)
  
  
• 
  
      y = (-3 * x * np.log(x) + np.exp(-(40 * (x - 1 / np.e)) ** 4) / 25) / 2
  
  
• 
  
      plt.figure(figsize=(5,7))
  
  
• 
  
      plt.plot(y, x, 'r-', linewidth=2)
  
  
• 
  
      plt.grid(True)
  
  
• 
  
      plt.show()
  
  
  

• 
  
      # 5.5 心形线
  
  
• 
  
      t = np.linspace(0, 7, 100)
  
  
• 
  
      x = 16 * np.sin(t) ** 3
  
  
• 
  
      y = 13 * np.cos(t) - 5 * np.cos(2*t) - 2 * np.cos(3*t) - np.cos(4*t)
  
  
• 
  
      plt.plot(x, y, 'r-', linewidth=2)
  
  
• 
  
      plt.grid(True)
  
  
• 
  
      plt.show()
  
  
  

• 
  
      # # 5.6 渐开线
  
  
• 
  
      t = np.linspace(0, 50, num=1000)
  
  
• 
  
      x = t*np.sin(t) + np.cos(t)
  
  
• 
  
      y = np.sin(t) - t*np.cos(t)
  
  
• 
  
      plt.plot(x, y, 'r-', linewidth=2)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
  

• 
  
      x = np.arange(0, 10, 0.1)
  
  
• 
  
      y = np.sin(x)
  
  
• 
  
      plt.bar(x, y, width=0.04, linewidth=0.2)
  
  
• 
  
      plt.plot(x, y, 'r--', linewidth=2)
  
  
• 
  
      plt.title(u'Sin曲线')
  
  
• 
  
      plt.xticks(rotation=-60)
  
  
• 
  
      plt.xlabel('X')
  
  
• 
  
      plt.ylabel('Y')
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show(
  
  
  

• 
  
     # # 6. 概率分布
  
  
• 
  
      # # 6.1 均匀分布
  
  
• 
  
      x = np.random.rand(10000)
  
  
• 
  
      t = np.arange(len(x))
  
  
• 
  
      plt.hist(x, 30, color='m', alpha=0.5)
  
  
• 
  
      # plt.plot(t, x, 'r-', label=u'均匀分布')
  
  
• 
  
      plt.legend(loc='upper left')
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
• 
  
      #
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
      # # # 6.2 验证中心极限定理
  
  
• 
  
      t = 10000
  
  
• 
  
     a = np.zeros(1000)
  
  
• 
  
      for i in range(t):
  
  
• 
  
          a += np.random.uniform(-5, 5, 1000)
  
  
• 
  
      a /= t
  
  
• 
  
      plt.hist(a, bins=30, color='g', alpha=0.5, normed=True)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
• 
  
  
  
  
• 
  
  数量足够大  正态分布
  
  
  

• 
  
      # # 6.3 Poisson分布
  
  
• 
  
      x = np.random.poisson(lam=5, size=10000)
  
  
• 
  
      # print x
  
  
• 
  
      pillar = 15
  
  
• 
  
      a = plt.hist(x, bins=pillar, normed=True, range=[0, pillar], color='g', alpha=0.5)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
  

• 
  
      # # 6.4 直方图的使用
  
  
• 
  
      mu = 2
  
  
• 
  
      sigma = 3
  
  
• 
  
      data = mu + sigma * np.random.randn(1000)
  
  
• 
  
      h = plt.hist(data, 30, normed=1, color='#a0a0ff')
  
  
• 
  
      x = h[1]
  
  
• 
  
     y = norm.pdf(x, loc=mu, scale=sigma)   #概率密度函数
  
  
• 
  
      plt.plot(x, y, 'r--', x, y, 'ro', linewidth=2, markersize=4)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
  

• 
  
  x = np.random.poisson(lam=5, size=10000)
  
  
• 
  
      # print x
  
  
• 
  
      pillar = 15
  
  
• 
  
      a = plt.hist(x, bins=pillar, normed=True, range=[0, pillar], color='g', alpha=0.5)
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
  

• 
  
  # # 6.5 插值
  
  
• 
  
     rv = poisson(5)
  
  
• 
  
      x1 = a[1]
  
  
• 
  
      y1 = rv.pmf(x1)   #概率密度函数
  
  
• 
  
      itp = BarycentricInterpolator(x1, y1)  # 重心插值
  
  
• 
  
      x2 = np.linspace(x.min(), x.max(), 50)
  
  
• 
  
      y2 = itp(x2)
  
  
• 
  
      cs = scipy.interpolate.CubicSpline(x1, y1)       # 三次样条插值
  
  
• 
  
      plt.plot(x2, cs(x2), 'm--', linewidth=5, label='CubicSpine')           # 三次样条插值
  
  
• 
  
      plt.plot(x2, y2, 'g-', linewidth=3, label='BarycentricInterpolator')   # 重心插值
  
  
• 
  
      plt.plot(x1, y1, 'r-', linewidth=1, label='Actural Value')             # 原始值
  
  
• 
  
      plt.legend(loc='upper right')
  
  
• 
  
      plt.grid()
  
  
• 
  
      plt.show()
  
  
  

• 
  
  # 7. 绘制三维图像
  
  
• 
  
     x, y = np.ogrid[-3:3:100j, -3:3:100j]
  
  
• 
  
      # u = np.linspace(-3, 3, 101)
  
  
• 
  
      # x, y = np.meshgrid(u, u)
  
  
• 
  
      z = x*y*np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)
  
  
• 
  
      # z = x*y*np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)
  
  
• 
  
      fig = plt.figure()
  
  
• 
  
      ax = fig.add_subplot(111, projection='3d')
  
  
• 
  
      # ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.coolwarm, linewidth=0.1)  #
  
  
• 
  
      ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.Accent, linewidth=0.5)
  
  
• 
  
      plt.show()
  
  
• 
  
      # # cmaps = [('Perceptually Uniform Sequential',
  
  
• 
  
      # #           ['viridis', 'inferno', 'plasma', 'magma']),
  
  
• 
  
      # #          ('Sequential', ['Blues', 'BuGn', 'BuPu',
  
  
• 
  
      # #                          'GnBu', 'Greens', 'Greys', 'Oranges', 'OrRd',
  
  
• 
  
      # #                          'PuBu', 'PuBuGn', 'PuRd', 'Purples', 'RdPu',
  
  
• 
  
      # #                          'Reds', 'YlGn', 'YlGnBu', 'YlOrBr', 'YlOrRd']),
  
  
• 
  
      # #          ('Sequential (2)', ['afmhot', 'autumn', 'bone', 'cool',
  
  
• 
  
      # #                              'copper', 'gist_heat', 'gray', 'hot',
  
  
• 
  
      # #                              'pink', 'spring', 'summer', 'winter']),
  
  
• 
  
      # #          ('Diverging', ['BrBG', 'bwr', 'coolwarm', 'PiYG', 'PRGn', 'PuOr',
  
  
• 
  
      # #                         'RdBu', 'RdGy', 'RdYlBu', 'RdYlGn', 'Spectral',
  
  
• 
  
      # #                         'seismic']),
  
  
• 
  
      # #          ('Qualitative', ['Accent', 'Dark2', 'Paired', 'Pastel1',
  
  
• 
  
      # #                           'Pastel2', 'Set1', 'Set2', 'Set3']),
  
  
• 
  
      # #          ('Miscellaneous', ['gist_earth', 'terrain', 'ocean', 'gist_stern',
  
  
• 
  
      # #                             'brg', 'CMRmap', 'cubehelix',
  
  
• 
  
      # #                             'gnuplot', 'gnuplot2', 'gist_ncar',
  
  
• 
  
      # #                             'nipy_spectral', 'jet', 'rainbow',
  
  
• 
  
      # #                             'gist_rainbow', 'hsv', 'flag', 'prism'])]
  
  
  

   # ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.coolwarm, linewidth=0.1)  

• 
  
  # # 8.2 使用scipy计算函数极值
  
  
• 
  
      # a = opt.fmin(f, 1)
  
  
• 
  
      # b = opt.fmin_cg(f, 1)
  
  
• 
  
      # c = opt.fmin_bfgs(f, 1)
  
  
• 
  
      # print a, 1/a, math.e
  
  
• 
  
      # print b
  
  
• 
  
      # print c
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  ptimization terminated successfully.
  
  
• 
  
           Current function value: 0.692201
  
  
• 
  
           Iterations: 16
  
  
• 
  
           Function evaluations: 32
  
  
• 
  
  Optimization terminated successfully.
  
  
• 
  
           Current function value: 0.692201
  
  
• 
  
           Iterations: 4
  
  
• 
  
           Function evaluations: 30
  
  
• 
  
           Gradient evaluations: 10
  
  
• 
  
  Optimization terminated successfully.
  
  
• 
  
           Current function value: 0.692201
  
  
• 
  
           Iterations: 5
  
  
• 
  
           Function evaluations: 24
  
  
• 
  
           Gradient evaluations: 8
  
  
• 
  
  [0.36787109] [2.71834351] 2.718281828459045
  
  
• 
  
  [0.36787948]
  
  
• 
  
  [0.36787942]  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
  
  
  
• 
  
      # marker        description
  
  
• 
  
      # ”.”        point
  
  
• 
  
      # ”,”        pixel
  
  
• 
  
      # “o”        circle
  
  
• 
  
      # “v”        triangle_down
  
  
• 
  
      # “^”        triangle_up
  
  
• 
  
      # “<”        triangle_left
  
  
• 
  
      # “>”        triangle_right
  
  
• 
  
      # “1”        tri_down
  
  
• 
  
      # “2”        tri_up
  
  
• 
  
      # “3”        tri_left
  
  
• 
  
      # “4”        tri_right
  
  
• 
  
      # “8”        octagon
  
  
• 
  
      # “s”        square
  
  
• 
  
      # “p”        pentagon
  
  
• 
  
      # “*”        star
  
  
• 
  
      # “h”        hexagon1
  
  
• 
  
      # “H”        hexagon2
  
  
• 
  
      # “+”        plus
  
  
• 
  
      # “x”        x
  
  
• 
  
      # “D”        diamond
  
  
• 
  
      # “d”        thin_diamond
  
  
• 
  
      # “|”        vline
  
  
• 
  
      # “_”        hline
  
  
• 
  
      # TICKLEFT        tickleft
  
  
• 
  
      # TICKRIGHT        tickright
  
  
• 
  
      # TICKUP        tickup
  
  
• 
  
      # TICKDOWN        tickdown
  
  
• 
  
      # CARETLEFT        caretleft
  
  
• 
  
      # CARETRIGHT        caretright
  
  
• 
  
      # CARETUP        caretup
  
  
• 
  
      # CARETDOWN        caretdown
  
  
  

【转载】原文地址：https://blog.csdn.net/weixin_42247762/article/details/81051672

奈斯