机器学习之--数据构造,函数图显示
mport numpy as np #数据包 import scipy from scipy import stats import matplotlib as mpl import matplotlib.pyplot as plt #画图# # 1. 数据的形成 x = np.arange(0,51,10).reshape((-1,1)) # b # [[ 0] # [10] # [20] # [30] # [40] # [50]] a =np.arange(0,51,10).reshape((-1,1))+ np.arange(0,5,1) # a # [[ 0 1 2 3 4] # [10 11 12 13 14] # [20 21 22 23 24] # [30 31 32 33 34] # [40 41 42 43 44] # [50 51 52 53 54]] c = np.array([[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]] c.shape = 2,-1 # c # [[ 1 2 3 4 5 6] # [ 7 8 9 10 11 12]] d = c.reshape((3,-1)) # d # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] e = np.array([[1,2,3],[4,5,6],[7,8,9],[10.5,11,12]],dtype=np.float) # e # [[ 1. 2. 3. ] # [ 4. 5. 6. ] # [ 7. 8. 9. ] # [10.5 11. 12. ]] f = e.astype(np.int) # f # [[ 1 2 3] # [ 4 5 6] # [ 7 8 9] # [10 11 12]]# #linspace函数通过指定起始值,终止值和元素个数来创建数组,区别:arange最后一个参数是步长,这个是个数 a = np.linspace(0,10,15) #等差数列 # a # [ 0. 0.71428571 1.42857143 2.14285714 2.85714286 3.57142857 # 4.28571429 5. 5.71428571 6.42857143 7.14285714 7.85714286 # 8.57142857 9.28571429 10. ] # len(a) = 15 b = np.linspace(0,10,10,endpoint=False) #endpoint 为False时不包含终止值 # b # [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] # #logspace 可创建等比数列 #下面函数创造的是base = 10(10进制)起始值是10^0,终止值10^2,个数为4的等比数列 a = np.logspace(0,2,4) # a # [ 1. 4.64158883 21.5443469 100. ] # #base = 2 则是二进制的数据 起始值2^0,终止值2^5,个数为6 b = np.logspace(0,5,6,base=2) # b # [ 1. 2. 4. 8. 16. 32.]# # 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) # g # [ 97 98 99 100]# # a = np.array([1,3,5,7,9,11]) b = np.array([1,3,5]) # a[b] # [ 3 7 11] # # np.random.rand() 取[0,1)中均匀分布的随机数 a = np.random.rand(12) # a # [0.8521443 0.59647865 0.80059422 0.93992606 0.37162934 0.37548125 # 0.40950715 0.40181645 0.72717888 0.25377955 0.38971442 0.98884064] # a>0.5 # [ True True True True False False False False True False False True] # a[a>0.5] # [0.8521443 0.59647865 0.80059422 0.93992606 0.72717888 0.98884064] a = np.arange(0,51,10) #行向量 # a # a+[1,3,5,7,9,10] # [ 0 10 20 30 40 50] # [ 1 13 25 37 49 60] b = a.reshape((-1,1)) #转化成1列的 相当于转化成了列向量 # b b+[1,3,5,7,9,10] # [[ 0] [[ 1 3 5 7 9 10] # [10] [11 13 15 17 19 20] # [20] [21 23 25 27 29 30] # [30] [31 33 35 37 39 40] # [40] [41 43 45 47 49 50] # [50]] [51 53 55 57 59 60]]# # 二维数组切片 a = np.arange(0,50,10).reshape((-1,1)) + np.arange(0,5,1) # a a[(0,1,2),2:] a[(1,2,3),(0,1,2)] # [[ 0 1 2 3 4] [[ 2 3 4] [10 21 32] # [10 11 12 13 14] [12 13 14] # [20 21 22 23 24] [22 23 24]] # [30 31 32 33 34] # [40 41 42 43 44]]# #绘图 # 绘制正态分布概率密度函数 # E = 0 #均值 # q = 1 #标准差 # x = np.linspace(E - 3 * q, E + 3 * q, 55) # y = np.exp(- (x - E) ** 2 / (2 * q ** 2)) / (q * np.sqrt(np.pi)) # y2 = 0.1 * x + 0.2 # print(x) # print(y) # print(y.shape) # plot1 = plt.plot(x,y,'r-',x,y,'go',label = 'myline1',linewidth = 1, markersize = 2) #'r-'是red的线,'go'是指green的圈(点) # plot2 = plt.plot(x,y2,'y-',x,y2,'bo',label = 'myline2',linewidth = 1, markersize = 2) # plt.legend(loc = 'upper right') #将label显示在右上角'upper right' # # plt.grid(True) #虚线方格 # mpl.rcParams['font.sans-serif'] = [u'SimHei'] #FangSong/黑体 # mpl.rcParams['axes.unicode_minus'] = False #s上面加下面为False就可以显示中文标题了 # plt.title(u'Guess高斯分布') #标题 # plt.savefig('1.png') #保存图片 # plt.show() 图1
# # 均匀分布 # y = np.random.rand(10000) # x = np.arange(len(y)) # print(y) # print(x) # plt.grid() # plt.hist(y,30,color = 'r', alpha = 0.7) #柱形图 1-2 # plt.savefig('1-2.png') 图1-2 # plt.plot(x,y,'r-',label = '均匀') # 1-3 # plt.savefig('1-3.png') # plt.show() 图1-3
# mu = 2 # sigma = 3 # data = mu + sigma * np.random.randn(1000) #直接生成高斯分布的1000个随机值 # # print(data) # plt.grid(True) # h = plt.hist(data,30,normed=1,color='yellow') # x轴分为30份做直方图 # # print(h[1]) # # print(h[0]) # x = h[1] # y = stats.norm.pdf(x,loc = mu,scale = sigma) # plt.plot(x,y,'r--',x,y,'bo',linewidth = 1,markersize = 2) # # plt.savefig('1-4.png') # plt.show() 图1-4
# # 利用 scipy 中的 stats.norm.pdf 函数画高斯分布函数 1-5 # E = 0 # q = 1 # x = np.linspace(E - 3 * q,E + 3 * q,60) # # y = stats.norm.pdf(x,0,1) # plt.grid() # plt.plot(x,y,'r-') # plt.savefig('1-5') # plt.show() 图1-5
转载于:https://www.cnblogs.com/cxhzy/p/10599473.html
机器学习之--数据构造,函数图显示相关推荐
- 《C++程序设计原理与实践》笔记 第15章 绘制函数图和数据图
本章讨论绘制函数图和数据图的基本机制.关键例子是绘制一元函数图像,以及展示从文件中读取的值. 15.1 引言 我们的主要目标不是输出的美观性,而是理解如何生成这样的图形输出以及所使用的编程技术.你会发 ...
- Excel合并数据查找函数VLOOKUP()一直显示最后一行数据或者一直报错的解决方法
Excel合并数据查找函数VLOOKUP()一直显示最后一行数据或者一直报错的解决方法 大家好,我叫亓官劼(qí guān jié ),在CSDN中记录学习的点滴历程,时光荏苒,未来可期,加油~博客地 ...
- R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA)、使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图、箱图显示主效应
R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA).使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图(Main ef ...
- pandas中dataframe默认不显示所有的数据行(中间省略)、使用option_context函数自定义设置单个dataframe允许显示的行的个数、set_option函数全局设置显示行的个数
pandas中dataframe默认不显示所有的数据行(中间省略).使用option_context函数自定义设置单个dataframe允许显示的行的个数.set_option函数全局设置显示行的个数 ...
- seaborn使用jointplot函数为散点图添加边缘图、添加回归线、为边缘直方图添加密度曲线、使用ratio函数突出显示边缘图形(focus on Marginal Plot )
seaborn使用jointplot函数为散点图添加边缘图.添加回归线.为边缘直方图添加密度曲线.使用ratio函数突出显示边缘图形(Make Marginal Plot with focus on ...
- R语言使用ggplot2包使用geom_violin函数绘制分组小提琴图(构建自定义函数配置显示均值、标准偏差)实战
R语言使用ggplot2包使用geom_violin函数绘制分组小提琴图(构建自定义函数配置显示均值.标准偏差)实战 目录
- 怎么让热图显示基因名_如何将 qPCR 数据做成热图
做了一堆的实时定量 PCR,然后有一堆的数据,那不是要做一堆的柱状图,我想把这些结果都放在一起怎么办呢?那么我又不会高大上的 R 语言,那么咋整呢. 今天我给大家介绍一个比较简单的热图制作软件 HEM ...
- 使用 pandas的head()函数无法显示前五行数据
当我使用read_csv()函数导入得到一个DataFrame试图调动head()函数来显示前五行代码如下: import pandas as pd import seaborn as sns sns ...
- Microsoft Excel 教程:如何在 Excel 中使用迷你图显示数据趋势?
欢迎观看 Microsoft Excel 教程,小编带大家学习 Microsoft Excel 的使用技巧,了解如何在 Excel 中使用迷你图显示数据趋势. 迷你图是工作表单元格中直观表示数据的微型 ...
最新文章
- iOS UINavigationController
- Python之Django框架开发博客
- Bitmovin视频开发者报告回顾
- 响应式手机配件织梦模板
- android surface windows,Android易混概念辨析之Surface,Window,View,SurfaceView,Bitmap
- centos 7 查看、更新系统版本
- 半吊子架构师,一来就想干掉RabbitMQ
- ESD二极管,SOT-23封装型号大全
- 数据质量六大评价标准
- IDE工具(17) eclipse创建ftl文件具体步骤
- ui自动化html模板,UI自动化学习分享ppt模板
- 微信小程序根据经纬度动态定位计算周边商家导航距离
- 【渝粤题库】陕西师范大学202161社会保障学 作业(高起专)
- mysql count 1_MySQL中count(1)和count(*)的区别是什么?
- ..java.lang.IllegalStateException: Content has been consumed..
- Java 内存模型如何保证多线程安全
- 【OpenCV图像处理】十五、图像空域滤波(上)
- 【优化求解】基于蝗虫算法(MOGOA)求解多目标问题matlab源码
- Qt 实时读串口数据,并将读到的数据从网口发送出去
- Redis进阶-事件机制
热门文章
- 检测与跟踪:快速视频姿态估计
- 自学Python能干些什么副业
- 由浅入深|让你彻底理解Python中的yield
- 超赞 | 计算机视觉联盟全新Logo!近期精华回顾!
- Python中append()和extend方法的使用和区别
- 深度学习之图像识别基础篇——神经元与感知机
- 人脸检测与识别的趋势和分析
- linux yum选择版本mysql_linux yum安装指定版本mysql
- python pow和**_第005篇:Python中的数字
- Python调用百度接口(情感倾向分析)和讯飞接口(语音识别、关键词提取)处理音频文件...