机器学习入门---------numpy
第一个是学习一些python的库。首先学习的是numpy的库。
import numpy
vector =numpy.array([5,10,15,20])
matrix = numpy.array([[5,10,15],[20,25,30],[35,40,45]])
print(vector)
print(matrix)
结果:
[ 5 10 15 20] [[ 5 10 15][20 25 30][35 40 45]]
numpy的array可以创建向量。一个[]代表创建一纬向量,两个[[]]两个代表创建二维向量,以此类推。
vector = numpy.array([1,2,3,4])
print(vector.shape)
matrix = numpy.array([[5,10,15],[20,25,30],[35,40,45]])
print(matrix.shape)结果:
(4,) (3, 3)
shape是可以用来查询向量的基本情况,几行几列
numbers = numpy.array([1,2,3,4])
numbers.dtype
结果:
dtype('int32')
dtype用来查询类型
vector =numpy.array([5,10,15,20])
print(vector[0:3])结果:
[ 5 10 15]
前包后不包
matrix = numpy.array([[5,10,15],
[20,25,30],
[35,40,45]])
print(matrix[:,1])
print(matrix[:,0:2])
结果:
[10 25 40] [[ 5 10][20 25][35 40]]
第一个位置的:表示所有的行,第二个位置表示列。
vector =numpy.array([5,10,15,20])
vector ==10
结果:
array([False, True, False, False], dtype=bool)
查找向量中有没有10,有的话返回true,没有的话返回false,后面的是类型
vector =numpy.array([5,10,15,20])
equal_to_ten = (vector ==10)
print (equal_to_ten)
print(vector[equal_to_ten])
结果:
[False True False False] [10]
与前面一样,然后在true的地方返回了10
matrix = numpy.array([[5,10,15],
[20,25,30],
[35,40,45]])
second_column_25 =(matrix[:,1]==25)
print(second_column_25)
print(matrix[second_column_25])
结果:
[False True False] [[20 25 30]]
这是上面的方法的应用,由列找出了行(包含true的那一行)
vector = numpy.array(["1","2","3"])
print(vector.dtype)
print(vector)
vector = vector.astype(float)
print(vector.dtype)
print(vector)结果:
<U1 ['1' '2' '3'] float64 [ 1. 2. 3.]这是类型的转换,由String类型转变为float
matrix = numpy.array([[5,10,15],
[20,25,30],
[35,40,45]])
matrix.sum(axis = 1)结果:
array([ 30, 75, 120])sum是求和,axis=1表示的是行,axis=0,表示的是列
import numpy as np
a=np.arange(15).reshape(3,5)
a 结果:
array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]]) arange是一个数组,reshape是可以转化为一个向量,但是要确保可以被切割
np.arange(10,30,5)结果:
array([10, 15, 20, 25]) 当不是一个变量时表示:从10开始每次加5,但是要小于30
np.random.random((2,3))
结果:
array([[ 0.84933299, 0.10524939, 0.85124946],[ 0.75002188, 0.27174962, 0.67449709]])随机生成0~1之前的数,不包含1
from numpy import pi
np.linspace( 0, 2*pi, 100 )
结果:
array([ 0. , 0.06346652, 0.12693304, 0.19039955, 0.25386607,0.31733259, 0.38079911, 0.44426563, 0.50773215, 0.57119866,0.63466518, 0.6981317 , 0.76159822, 0.82506474, 0.88853126,0.95199777, 1.01546429, 1.07893081, 1.14239733, 1.20586385,1.26933037, 1.33279688, 1.3962634 , 1.45972992, 1.52319644,1.58666296, 1.65012947, 1.71359599, 1.77706251, 1.84052903,1.90399555, 1.96746207, 2.03092858, 2.0943951 , 2.15786162,2.22132814, 2.28479466, 2.34826118, 2.41172769, 2.47519421,2.53866073, 2.60212725, 2.66559377, 2.72906028, 2.7925268 ,2.85599332, 2.91945984, 2.98292636, 3.04639288, 3.10985939,3.17332591, 3.23679243, 3.30025895, 3.36372547, 3.42719199,3.4906585 , 3.55412502, 3.61759154, 3.68105806, 3.74452458,3.8079911 , 3.87145761, 3.93492413, 3.99839065, 4.06185717,4.12532369, 4.1887902 , 4.25225672, 4.31572324, 4.37918976,4.44265628, 4.5061228 , 4.56958931, 4.63305583, 4.69652235,4.75998887, 4.82345539, 4.88692191, 4.95038842, 5.01385494,5.07732146, 5.14078798, 5.2042545 , 5.26772102, 5.33118753,5.39465405, 5.45812057, 5.52158709, 5.58505361, 5.64852012,5.71198664, 5.77545316, 5.83891968, 5.9023862 , 5.96585272,6.02931923, 6.09278575, 6.15625227, 6.21971879, 6.28318531])0~2pi之间安装100均分
A = np.array( [[1,1],
[0,1]] )
B = np.array( [[2,0],
[3,4]] )
print (A)
print (B)
#print A*B
print(A.dot(B))
print (np.dot(A, B))结果:
[[1 1][0 1]] [[2 0][3 4]] [[5 4][3 4]] [[5 4][3 4]] A*B代表着对应位置相乘,A.dot(B)是向量的点乘,就是我们平时的向量相乘
#Return the floor of the input
a = np.floor(10*np.random.random((3,4)))
print (a)
a.shape
## flatten the array
print (a.ravel())
#a.shape = (6, 2)
#print a
#print a.T
print (a.resize((2,6)))
print (a)
#If a dimension is given as -1 in a reshaping operation, the other dimensions are automatically calculated:
a.reshape(3,-1)
结果:
[[ 8. 7. 0. 2.][ 5. 8. 5. 8.][ 8. 3. 7. 7.]] [ 8. 7. 0. 2. 5. 8. 5. 8. 8. 3. 7. 7.] ravel可以把向量压平成数组 None [[ 8. 7. 0. 2. 5. 8.][ 5. 8. 8. 3. 7. 7.]]
array([[ 8., 7., 0., 2.],[ 5., 8., 5., 8.],[ 8., 3., 7., 7.]])
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print (a)
print ('---')
print (b)
print ('---')
print (np.hstack((a,b)))
#np.hstack((a,b))
结果:
[[ 0. 7.][ 3. 1.]] --- [[ 9. 8.][ 1. 4.]] --- [[ 0. 7. 9. 8.][ 3. 1. 1. 4.]] hstack两个向量拼接
a = np.floor(10*np.random.random((2,12)))
#print a
#print np.hsplit(a,3)
#print np.hsplit(a,(3,4)) # Split a after the third and the fourth column
a = np.floor(10*np.random.random((12,2)))
print (a)
np.vsplit(a,3)
结果:
[array([[ 5., 9.],[ 8., 0.],[ 2., 7.],[ 2., 2.]]), array([[ 3., 2.],[ 9., 1.],[ 4., 8.],[ 0., 2.]]), array([[ 8., 2.],[ 2., 3.],[ 9., 0.],[ 0., 1.]])]vsplit是安装行切分成3分
#The copy method makes a complete copy of the array and its data.
d = a.copy()
d is a
d[0,0] = 9999
print (d)
print (a)
用了copy之后,两个向量就不会同时指向一个地址了,改变就没有事了
a = np.arange(0, 40, 10)
b = np.tile(a, (3, 5))
print (b)结果:
[[ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30][ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30][ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30]]生成一个3行5列的向量
a = np.array([[4, 3, 5], [1, 2, 1]])
#print a
#b = np.sort(a, axis=1)
#print b
#b
#a.sort(axis=1)
#print a
a = np.array([4, 3, 1, 2])
j = np.argsort(a)
print (j)
print (a[j])结果:
[2 3 1 0] [1 2 3 4] argsort是指安装排序后的序号:例如:1最小,1的index为2.。。
机器学习入门---------numpy相关推荐
- 机器学习入门基本使用工具(保姆式教学):matplotlib,numpy,pandas这一篇就够了
学习机器学习,以及python会用到一些工具,小编在这里列举一些出来,足够正常的机器学习使用,一些不常用的工具小编这里学的也不多,不过这篇博客会后续继续更新. 注意:代码中含有>>> ...
- python 非线性回归_机器学习入门之菜鸟之路——机器学习之非线性回归个人理解及python实现...
本文主要向大家介绍了机器学习入门之菜鸟之路--机器学习之非线性回归个人理解及python实现,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助. 梯度下降:就是让数据顺着梯度最大的方向,也 ...
- 【机器学习入门】(13) 实战:心脏病预测,补充: ROC曲线、精确率--召回率曲线,附python完整代码和数据集
各位同学好,经过前几章python机器学习的探索,想必大家对各种预测方法也有了一定的认识.今天我们来进行一次实战,心脏病病例预测,本文对一些基础方法就不进行详细解释,有疑问的同学可以看我前几篇机器学习 ...
- 曲线聚类_机器学习入门必读:6种简单实用算法及学习曲线、思维导图
来源:大数据DT 本文约3500字,建议阅读7分钟 本文为你介绍掌握机器领域知识的学习曲线.技术栈以及常用框架. [ 导读 ] 大部分的机器学习算法主要用来解决两类问题--分类问题和回归问题.在本文当 ...
- 机器学习入门必读:6种简单实用算法及学习曲线、思维导图
来源:大数据DT 本文约3500字,建议阅读7分钟 本文为你介绍掌握机器领域知识的学习曲线.技术栈以及常用框架. [ 导读 ] 大部分的机器学习算法主要用来解决两类问题--分类问题和回归问题.在本文当 ...
- tensorfllow MNIST机器学习入门
MNIST机器学习入门 这个教程的目标读者是对机器学习和TensorFlow都不太了解的新手.如果你已经了解MNIST和softmax回归(softmax regression)的相关知识,你可以阅读 ...
- 机器学习入门:K-近邻算法
机器学习入门:K-近邻算法 先来一个简单的例子,我们如何来区分动作类电影与爱情类电影呢?动作片中存在很多的打斗镜头,爱情片中可能更多的是亲吻镜头,所以我们姑且通过这两种镜头的数量来预测这部电影的主题. ...
- 新手福利:免费百页机器学习入门书
选自 themlbook 作者:Andriy Burkov 机器之心编译 参与:张倩.淑婷.晓坤 近日,Gartner 公司机器学习团队负责人.人工智能博士 Andriy Burkov 开源了自己写的 ...
- numpy 创建加一行_Python数据分析快速入门--NumPy amp; Pandas
之前为大家分享了python的基本语法,有疑问的小伙伴可以参考下文- 土豆爱数学:零基础如何快速入门pythonzhuanlan.zhihu.com 对python基本语法了解后,就可以尝试用pyt ...
最新文章
- Coronascape – 为COVID-19研究特制的基因列表比较工具
- Xen的network-bridge模式
- Apache动态编译安装模块mod_rewrite
- 央视曝光:刷单实为非法商业模式 步步设置全是套路
- React-Native 之 项目实战(五)
- Android 在布局容器中动态添加控件
- php 获取当前目录名称,PHP获取当前执行php文件名的代码
- mysql dql_Mysql中的DQL查询语句
- Python的内建模块itertools
- python中filter用法_filter用法--Python
- SVM(三)—Kernels(核函数)
- python 修改用户对文件权限_用户管理相关内容的学习(查看文件权限 修改文件权限chmod 改变文件归属chown和chgrp)...
- springboot个人博客项目面试准备
- VFP全面控制EXCEL(转自十豆三老师)
- Defcon 2018 Qualify: Easy Pisy writeup
- win7系统怎么调计算机,分辨率,教您Win7如何调电脑的分辨率
- 中大计算机考研复试刷人太狠,来!看看这些院校复试刷人刷的有多厉害
- Linux 磁盘配额与VDO技术
- 第六节 电路搭建 我们何尝不是基建狂魔
- python分支结构if详解